Prompt工程实战指南从零样本到智能体【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上次你想让模型输出稳定的JSON它却还了你一段散文换个说法再试答案又开始跑偏。这种靠感觉改提示的无奈用过大型语言模型的人都经历过。提示工程Prompt Engineering就是想把这种试错变成一套有章法的手艺。[项目名] Prompt Engineering Guide 是一个围绕大语言模型提示工程的开源项目收录了这个领域的最新论文、教程、Notebook 和实战案例适合想系统学会如何写好提示的开发者内容从零样本一路覆盖到 AI 智能体。 写提示的三层进阶从直接指令到智能体编排零样本与少样本提示怎么分工拿到一个新任务最直接的写法是零样本提示Zero-Shot Prompting不给任何例子直接告诉模型要做什么比如把下面文本分类为中性、负面或正面。经过指令微调的现代模型很多常见任务这样就能做。效果不够时升级成少样本提示Few-Shot Prompting在提示里放两三个输入输出的例子模型会照着你的格式和风格来。这一层决定了你给模型多少示范是所有进阶技巧的地基。思维链与提示链怎么让模型动脑子遇到数学题、多步推理这类需要想的任务加一句请一步一步思考模型就会把推理过程写出来再给答案这就是思维链Chain-of-Thought, CoT在复杂推理任务上能明显减少一步算错的概率。如果一个提示装不下整个复杂任务就用提示链Prompt Chaining把任务拆成几个子任务前一步的输出作为下一步的输入像流水线一样跑下去。链式的好处不只是效果还有可调试性输出错了你能定位到具体哪一步出的问题单独修那一个提示而不是从头再来。接上外部知识与工具RAG 与 AI 智能体模型只知道参数里存的东西遇到私有文档或时效信息就只能硬编。解决办法是让模型先查资料再回答即检索增强生成RAG, Retrieval-Augmented Generation先从知识库检索相关内容塞进提示再让模型基于这些内容作答答案就有据可查。当任务还要调用工具、执行代码或多轮决策就在提示之上搭智能体AI Agent框架把工具调用、记忆和规划能力组装起来模型就从回答问题变成完成任务。 实战演示2步提示链回答长文档问题场景你有一份上万字的技术文档和一个具体问题直接扔给模型回答答案经常夹带大量无关内容。输入是完整文档加一个问题。处理分两步第一步只让模型抽取与问题相关的引用第二步把引用和原文交给它组织成答案。第一个提示就长这样从下文抽取与问题什么是提示链相关的内容 用quotes标签输出 没找到就回复No relevant quotes found!输出是第二步基于引用给出的答案每条引用都能回溯到原文。整条输入→处理→输出的链路是透明的答案错了先看第一步引用抽得对不对引用对了再查第二步。这就是工程化 LLM 应用的搭法。 5个让模型更听话的技巧先讲清楚任务再规定格式让模型明确要做什么之后把严格输出JSON这类约束放在提示末尾比埋在中间更不容易被忽略。给2到3个例子例子风格要一致例子就是模型的样卷例子之间格式混乱模型也会照乱。难题加一句先一步步想需要推理的任务先让模型展示过程再要结论能少掉一步算错引发的连锁错误。复杂任务拆成链一个提示只干一件事每一步职责越单一可靠性越高出了问题也越好定位。私有知识先检索再生成不确定的事实别指望模型的记忆RAG 先把可信资料喂进去再让它作答。⚠️ 输出不稳定的3个常见坑遇到输出格式漂移、JSON 变散文的现象时通常是格式要求埋在长提示里或被模型忽略导致的把严格输出JSON挪到提示末尾或附一个样例输出就能解决。遇到模型拿过时信息一本正经瞎编的现象时通常是它参数里没有这类事实依据导致的换成 RAG 先给它检索到的最新资料就能解决。遇到复杂任务越提示越乱、怎么调都不对的现象时通常是让一个提示干了所有活导致的换成提示链一次跑一步就能解决。 深入路径掌握基础之后去哪如果你想把提示写法的地基打牢可以从简介篇开始它讲模型参数怎么配、提示由哪些元素构成、通用设计原则是什么。如果你想逐个过一遍进阶方法去技巧篇零样本、少样本、思维链、RAG、ReAct 等 16 种方法都有独立章节和配套 Notebook。如果你想动手做智能体看智能体篇涵盖函数调用、上下文工程等章节项目支持 13 种语言且常缺翻译挑一篇没译完的章节翻译提交也算参与贡献。下次再碰到模型输出不稳定的问题先别急着换模型打开技巧篇把少样本和提示链各试一遍。你会发现所谓模型不行多半是说话方式的问题。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 Prompt工程实战指南：从零样本到智能体
Prompt工程实战指南从零样本到智能体【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上次你想让模型输出稳定的JSON它却还了你一段散文换个说法再试答案又开始跑偏。这种靠感觉改提示的无奈用过大型语言模型的人都经历过。提示工程Prompt Engineering就是想把这种试错变成一套有章法的手艺。[项目名] Prompt Engineering Guide 是一个围绕大语言模型提示工程的开源项目收录了这个领域的最新论文、教程、Notebook 和实战案例适合想系统学会如何写好提示的开发者内容从零样本一路覆盖到 AI 智能体。 写提示的三层进阶从直接指令到智能体编排零样本与少样本提示怎么分工拿到一个新任务最直接的写法是零样本提示Zero-Shot Prompting不给任何例子直接告诉模型要做什么比如把下面文本分类为中性、负面或正面。经过指令微调的现代模型很多常见任务这样就能做。效果不够时升级成少样本提示Few-Shot Prompting在提示里放两三个输入输出的例子模型会照着你的格式和风格来。这一层决定了你给模型多少示范是所有进阶技巧的地基。思维链与提示链怎么让模型动脑子遇到数学题、多步推理这类需要想的任务加一句请一步一步思考模型就会把推理过程写出来再给答案这就是思维链Chain-of-Thought, CoT在复杂推理任务上能明显减少一步算错的概率。如果一个提示装不下整个复杂任务就用提示链Prompt Chaining把任务拆成几个子任务前一步的输出作为下一步的输入像流水线一样跑下去。链式的好处不只是效果还有可调试性输出错了你能定位到具体哪一步出的问题单独修那一个提示而不是从头再来。接上外部知识与工具RAG 与 AI 智能体模型只知道参数里存的东西遇到私有文档或时效信息就只能硬编。解决办法是让模型先查资料再回答即检索增强生成RAG, Retrieval-Augmented Generation先从知识库检索相关内容塞进提示再让模型基于这些内容作答答案就有据可查。当任务还要调用工具、执行代码或多轮决策就在提示之上搭智能体AI Agent框架把工具调用、记忆和规划能力组装起来模型就从回答问题变成完成任务。 实战演示2步提示链回答长文档问题场景你有一份上万字的技术文档和一个具体问题直接扔给模型回答答案经常夹带大量无关内容。输入是完整文档加一个问题。处理分两步第一步只让模型抽取与问题相关的引用第二步把引用和原文交给它组织成答案。第一个提示就长这样从下文抽取与问题什么是提示链相关的内容 用quotes标签输出 没找到就回复No relevant quotes found!输出是第二步基于引用给出的答案每条引用都能回溯到原文。整条输入→处理→输出的链路是透明的答案错了先看第一步引用抽得对不对引用对了再查第二步。这就是工程化 LLM 应用的搭法。 5个让模型更听话的技巧先讲清楚任务再规定格式让模型明确要做什么之后把严格输出JSON这类约束放在提示末尾比埋在中间更不容易被忽略。给2到3个例子例子风格要一致例子就是模型的样卷例子之间格式混乱模型也会照乱。难题加一句先一步步想需要推理的任务先让模型展示过程再要结论能少掉一步算错引发的连锁错误。复杂任务拆成链一个提示只干一件事每一步职责越单一可靠性越高出了问题也越好定位。私有知识先检索再生成不确定的事实别指望模型的记忆RAG 先把可信资料喂进去再让它作答。⚠️ 输出不稳定的3个常见坑遇到输出格式漂移、JSON 变散文的现象时通常是格式要求埋在长提示里或被模型忽略导致的把严格输出JSON挪到提示末尾或附一个样例输出就能解决。遇到模型拿过时信息一本正经瞎编的现象时通常是它参数里没有这类事实依据导致的换成 RAG 先给它检索到的最新资料就能解决。遇到复杂任务越提示越乱、怎么调都不对的现象时通常是让一个提示干了所有活导致的换成提示链一次跑一步就能解决。 深入路径掌握基础之后去哪如果你想把提示写法的地基打牢可以从简介篇开始它讲模型参数怎么配、提示由哪些元素构成、通用设计原则是什么。如果你想逐个过一遍进阶方法去技巧篇零样本、少样本、思维链、RAG、ReAct 等 16 种方法都有独立章节和配套 Notebook。如果你想动手做智能体看智能体篇涵盖函数调用、上下文工程等章节项目支持 13 种语言且常缺翻译挑一篇没译完的章节翻译提交也算参与贡献。下次再碰到模型输出不稳定的问题先别急着换模型打开技巧篇把少样本和提示链各试一遍。你会发现所谓模型不行多半是说话方式的问题。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考