如何系统掌握提示工程：Prompt Engineering 完整指南-育师

如何系统掌握提示工程：Prompt Engineering 完整指南

【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

Prompt-Engineering-Guide 是一个开源的提示工程学习资料库，把提示技术、RAG、AI Agent 的论文、教程和可运行的 Notebook 集中在一个站点里，适合刚接触大模型、想从"会问"升级到"会调"的开发者。

三步跑通本地学习环境

这个项目是一个 Next.js 文档站，启动它就能获得一个可搜索、带多语言切换的提示工程知识库：

git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide # 下载项目源码 cd Prompt-Engineering-Guide # 进入项目根目录 pnpm install && pnpm dev # 安装依赖并启动开发服务器

跑通后你应该看到：浏览器自动打开http://localhost:3000/，页面左侧出现 Introduction、Techniques、Agents 等栏目，右侧是正文，右上角可以切换 13 种语言。

三个核心方法

把上下文工程当整体来设计

提示词不只是"一句话指令"。这个项目把提示工程升级为"上下文工程"：系统提示、用户输入、检索到的知识、工具定义、历史状态，全部要一起设计。项目里的上下文工程指南专门讲了这套流程，下面这张图展示了各部分如何互相咬合：

💡 一句话体会：你改提示词之前，先问自己"这段信息从哪来、放哪去、会不会挤掉更重要的内容"。

用思维链拆解复杂提示词

Chain-of-Thought（CoT）的做法很直白：在提示里给出"先推理、再给答案"的示例，或者干脆追加一句 "Let's think step by step"，让模型把中间步骤写出来。仓库里的 CoT 教程用了一道数字判断题做演示——直接问模型"这组奇数加起来是不是偶数"会算错，但给 1 个带推理过程的例子后，输出就成了"把 15、5、13、7、1 加起来得 41，答案是 False"。

The odd numbers in this group add up to an even number: 15, 32, 5, 13, 82, 7, 1. A: Adding all the odd numbers (15, 5, 13, 7, 1) gives 41. The answer is False.

注意 CoT 只对推理类任务有效，对分类、摘要这类任务收益很小，别乱用。

用 Agent 模式编排多步任务

单个模型一次只能完成一步。当任务需要"查资料 → 调用接口 → 核对结果"时，项目在 Agents 板块介绍了任务规划、并行执行、路由分发等编排模式，下图是并行化的典型结构：一个协调节点把子任务分发给多个执行者，再汇总结果。

配套的函数调用教程（pages/applications/function_calling.en.mdx）则演示了另一半：如何定义工具、让模型把自然语言转成 JSON 参数。

场景演练：写一个客户反馈分类提示词

拿一个真实小任务走一遍完整流程。

输入：一批电商评论，如 "包装破了，商品完好"、"物流太快了"、"再也不买了"。

操作：按项目提示要素（指令 + 上下文 + 输入 + 输出指示器）组装提示词，用分隔符隔开各部分：

Classify the review into: damaged / positive / negative Text: {review} Label:

预期输出：模型依次返回damaged、positive、negative，且格式稳定可被程序解析。

哪里容易卡：模型偶尔会连解释一起输出（"因为包装破了，所以 damaged"）。解法是把输出指示器写死为"只输出标签，不要解释"，或在示例里只给纯标签。

踩坑速查

⚠️pnpm dev报端口占用→ 3000 端口已被其他进程占用 → 换端口启动：pnpm dev --port 3001，或先杀掉旧进程
⚠️模型不遵守输出格式→ 提示词里缺明确的输出指示器或格式约束 → 加上Label:之类的结尾占位符，并在示例中只给目标格式
🔧CoT 在分类任务上没效果→ 思维链只增强推理能力，对格式类任务无效 → 换 Few-Shot，直接给 2~3 个标准示例
🔧检索增强（RAG）答非所问→ 检索到的文档和相关性差，噪音进上下文 → 先优化分块和检索，再谈提示词，参考项目 RAG 教程
⚠️换模型后表现骤变→ 不同模型对提示风格的敏感度差异很大（项目 Models 板块逐个讲了 GPT、Claude、Gemini、LLaMA 的特性）→ 换模型后重新过一遍提示，别指望一份提示词通吃