Prompt Engineering 完全指南：让 AI 听话的 5 个技巧-开发者社区

Prompt Engineering 完全指南：让 AI 听话的 5 个技巧

【免费下载链接】Prompt-Engineering-Guide🐙 Guides, papers, lessons, notebooks and resources for prompt engineering, context engineering, RAG, and AI Agents.项目地址: https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide

你是否遇到过这样的场景：让 AI"分析一下这段数据"，却只得到一段正确的废话？问题不在模型，而在你写的提示词（prompt）太模糊。Prompt-Engineering-Guide 是一个免费开源的提示工程知识库，把主流技术、现成提示词、论文引用和代码示例整理成一套可跟练的资料。无论你是 AI 新手还是要落地应用的开发者，都可以把它当字典查、当教程跟。

🔧 4 条命令跑通指南

先把它克隆到本地并启动：

git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm install pnpm dev

打开http://localhost:3000/，完整指南就会呈现（支持 13 种语言）。

最小用例：用 3 个例子做情感分类。给模型看 3 个带标签的样本，再让它判断第 4 句的情感：

"This is awesome!" → Positive
"This is bad!" → Negative
"Wow that movie was rad!" → Positive
"What a horrible show!" → ？

模型输出 Negative，而且不需要任何微调。这就是提示工程的核心：几个例子就能让模型"当场学会"任务。

🔍 三个核心模块这样用

提示词技术库：按任务选技术

pages/techniques/ 目录收录了 15+ 种技术，每种都有标准示例和输出。新手不用全记，先掌握三种就够：

技术	怎么提	适用场景
Zero-shot	直接提问，不给例子	总结、翻译等简单任务
Few-shot	提示词里塞 2-5 个例子	需要特定格式或语气
CoT	加一句"let's think step by step"	数学、逻辑等多步推理

上图对比了四种变体：面对"一半的高尔夫球是蓝色，有几个蓝球"这道题，few-shot 版答 8（错），CoT 版让模型分步推导，答 4（对）。差距就是推理步骤这一句话。

Prompt Hub：直接抄一份验证过的提示词

写具体任务的提示词时，别从白纸开始。Prompt Hub 页面 pages/prompts.en.mdx 把分类、编码、推理、信息抽取等 12 类任务的提示词整理成库，每份都带完整 prompt 文本，复制后改改就能用。

代码 notebook：每种技术跑一遍

notebooks/ 目录有 12 个可运行的 Jupyter 笔记本，覆盖 RAG、函数调用、ReAct 等方向。文档看不进去的，跑一遍 notebook 就明白了。

🚀 进阶玩法：从单条提示到多智能体工作流

单条提示词用熟后，下一步是把多个提示词组合成工作流。典型的智能体（Agent，能自主调用工具完成多步任务的 AI 系统）包含三大件：

Tools：让模型调用外部函数，查数据库、调 API
Memory：保存历史上下文，实现多轮对话
Planning：把大任务拆成子任务分步执行

一个真实例子：仓库中的 deep research 智能体按"网络搜索 → 分析 → 报告撰写"三个角色接力，约 5 分钟产出一份完整调研报告：

📋 新手 3 个坑的解法

输出不稳定：别用单次运行下结论。用自一致性（self-consistency）：同一问题跑 3-5 次，取多数答案。
换了模型结果变差：指南示例默认用 gpt-3.5-turbo 测试，换模型要重新调温度参数和例子数量，可对照 pages/models/ 下的模型专章。
回答事实性错误：模型只"知道"训练数据里的事。需要精确事实的任务改用 RAG（Retrieval Augmented Generation，先检索文档再生成答案），别硬靠提示词。