Prompt Engineering Guide 提示工程指南
开源提示工程学习指南，涵盖从基础到高级的提示技术，包括 CoT、ToT、RAG、ReAct 等主流方法论
prompt-engineeringllmagentsragcotailearning
什么是 Prompt Engineering Guide？
Prompt Engineering Guide 是由 DAIR.AI 团队维护的开源提示工程学习指南，收录了最新的提示工程论文、学习指南、教程和工具。该项目覆盖从基础到高级的提示技术，适用于研究人员、开发者和 AI 学习者。网站已支持 13 种语言，累计学习者超过 300 万。
核心特性
- 全面覆盖：从零样本提示到思维树（ToT），涵盖所有主流提示技术
- 权威论文引用：每个技术都附有原始论文和最佳实践
- 多语言支持：已翻译为 13 种语言
- 配套课程：DAIR.AI Academy 提供在线课程和实战训练
- 工具集成：提供 Notion、LangChain、OpenAI 等工具的使用指南
- 社区活跃：Discord 社区超万人，GitHub 超 73k stars
快速入门
基础提示结构
指令 (Instruction) + 上下文 (Context) + 输入数据 (Input) + 输出格式 (Output Indicator)零样本提示
最简单的提示方式，直接描述任务：
将以下英文翻译为中文：Hello, how are you?少样本提示（Few-Shot）
通过示例教会模型模式：
例子：
狗 → 忠诚的动物
猫 →
输出：独立的动物常见技术
Chain-of-Thought (CoT) 思维链
引导模型展示推理过程：
问题：小明有 5 个苹果，小红给了他 3 个，他又丢了 2 个，还剩多少？
解：
1. 小明开始有 5 个苹果
2. 加上 3 个 = 8 个
3. 减去 2 个 = 6 个
答案：6 个Tree of Thoughts (ToT)
系统探索多种解决方案：
评估 → 扩展 → 搜索 → 选择最佳路径Retrieval Augmented Generation (RAG)
结合知识库增强回答质量：
用户问题 → 检索相关文档 → 作为上下文提供给 LLM → 生成答案ReAct Prompting
结合推理和动作执行：
思考 → 行动 → 观察结果 → 重复直到完成进阶主题
对抗性提示（Adversarial Prompting）
了解如何构建防御性提示，防止提示注入攻击：
- 上下文隔离
- 输入验证
- 角色限制
自动提示工程师（APE）
使用 LLM 自动生成和优化提示词：
# 自动生成多个候选提示
prompts = [
"解释 {topic}",
"你是一个 {role}，请解释 {topic}",
"用简单的话解释 {topic}，包括优缺点"
]多模态提示
结合文本、图像、音频的提示策略：
- Visual CoT：图像+文本联合推理
- 音频转录+文本摘要
最佳实践
- 清晰结构 — 使用
### 指令分段，让模型更好理解任务 - 具体示例 — 少样本提示时，提供 2-5 个高质量示例
- 角色设定 — “你是一个资深工程师” 比泛泛的描述更有效
- 迭代优化 — 从简单提示开始，根据结果逐步添加约束
- 输出格式化 — 明确指定输出格式（JSON、列表、段落等）
常见问题
Q：提示工程是否会被 AI 自动替代？
A：提示工程仍然重要，但方向从”写好提示词”转向”设计提示框架和策略”。理解模型能力边界是关键。
Q：什么情况下应该用 CoT？
A：复杂推理任务（数学、逻辑、多步骤问题）使用 CoT 效果显著；简单事实性问题则不需要。
Q：如何选择少样本示例？
A：示例应覆盖多种场景，格式一致，且与目标任务相似。避免歧义和矛盾。
参考链接
- GitHub: dair-ai/Prompt-Engineering-Guide
- 官方网站: https://www.promptingguide.ai/
- 在线课程: https://academy.dair.ai/pricing
- Discord: https://discord.gg/YbMT8k6GfX