企业官网建设流程全解析

Prompt Engineering 指南完整教程：如何在 3 分钟内系统掌握提示工程、RAG 与 AI Agent

【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 DAIR.AI 维护的一个开源教程仓库，一站式覆盖提示工程、上下文工程、RAG 与 AI Agent的教程、论文、Notebook 和讲座资源。如果你正被"提示词技巧散落在各篇博客里、RAG 和 Agent 资料跟不上更新"的问题卡住，这个仓库就是为你准备的：它把 16 种提示技术、主流模型图鉴和多语言文档整理成了一条可以从头走到尾的学习路径。

💡 先看它替你省下什么

大多数人的提示工程学习是这样的：搜到一篇 2023 年的博客，照做后发现 GPT 和 Llama 行为完全不同；再搜 RAG，又陷入一堆论文。这个仓库的价值在于把"找资料"的时间换成了"看资料"的时间：

它还是免费且开源的（MIT 协议），个人学习和团队内部培训都能直接用。

⚡ 3 分钟跑通本地环境

这个仓库本身就是一个 Next.js（Nextra）文档站点，"跑通"意味着把整套文档在本地浏览器里打开。

前置要求只有一项：Node.js >= 18，并安装好pnpm包管理器。

然后执行三步：

git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm i next react react-dom nextra nextra-theme-docs

最后启动开发服务器：

pnpm dev

浏览器打开http://localhost:3000/即可浏览全部内容。本地跑起来还有一个实用场景：翻译校对——改完某个语言的 mdx 文件后刷新页面就能验证效果。

🧩 六大核心能力：按需取用哪张卡片

卡片一｜提示基础：先把角色分工和参数搞懂

introduction/ 目录是所有人的起点：提示的构成元素、常用技巧、模型参数（temperature、top_p 等）。它用一个 ChatGPT API 的经典调用示范了"系统指令 + 用户指令 + 上下文"如何组装成一次提问：

看懂这张图，你就理解了后面所有技术都在改什么：要么是改 SYSTEM 部分，要么是改 USER 部分，要么是调右侧参数。

卡片二｜16 种提示技术工具箱

techniques/ 是整个仓库最厚的部分，覆盖从入门到研究的完整光谱：

• 基础层：Zero-Shot、Few-Shot
• 推理层：Chain-of-Thought、Self-Consistency、Tree of Thoughts
• 检索与工具层：RAG、ReAct、ART（自动推理与工具调用）、PAL（程序辅助）
• 自动化层：APE（自动提示工程）、Active-Prompt、DSP

每种技术一页，讲原理、给例子、附论文出处。你不必通读，按手头任务去对应卡片查即可。

卡片三｜RAG：让模型"有据可依"

rag 章节配了完整流程图，把检索增强生成的链路拆开：文档切块 → 向量化建索引 → 按查询检索相关片段 → 与原始问题合并成上下文 → 交给 LLM 生成答案。对比"无 RAG"和"有 RAG"的回答差异是这一页最直观的部分：

想往生产场景走，继续看 applications/synthetic_rag：如何用大模型合成 RAG 所需的问答训练数据，这是目前企业落地 RAG 最常用的配套技巧。

卡片四｜AI Agent：工具、记忆与规划

agents/ 目录把 Agent 拆成三个核心组件来教，一张架构图就能说清骨架：

• Tools：函数调用让模型执行代码、调 API，function-calling 有独立详解
• Memory：对话历史与状态管理
• Planning：任务分解与策略制定，context-engineering-deep-dive 深入讲了 Deep Agents 模式

卡片五｜模型图鉴：不同模型的"性格说明书"

models/ 收录 ChatGPT、GPT-4、Gemini、LLaMA、Mistral 7B、Mixtral、Phi-2、OLMo、Code Llama、Flan 等模型的专项说明。价值不在堆参数，而在告诉你：同一个提示词在不同模型上表现如何、该做哪些针对性调整。选型纠结时，先翻这里比盲目跑 benchmark 快。

卡片六｜风险与误用：上线前必看

risks/ 讲三类问题：对抗性提示（如何防注入攻击）、事实性（模型为什么会一本正经地胡说）、偏见（训练数据带来的系统性偏差）。如果你的提示词要面对外部用户输入，这一章不是选修而是必修。

🚀 进阶玩法：把技术组合起来解决真问题

单独的技术是零件，组合才是机器。三个值得优先练的组合：

1. 思维链（CoT）：复杂推理题的"分步解题"

CoT 的核心是让模型先展示推理过程再给答案。仓库用一道苹果数学题演示了前后对比：标准提示让模型直接猜答案（算错），CoT 提示让模型逐步写出算式（算对）：

经验法则：加减乘除、多步逻辑、需要引用的任务，都值得加一句"请分步思考"。

2. 树思维（ToT）：允许模型"开多条路再选优"

当一条推理链容易走死胡同时，ToT 让模型同时展开多条思考分支，再评估、剪枝、回溯：

它比 CoT 贵（一次生成多条分支），适合高价值、可验证的规划类任务。

3. 上下文工程：提示词只是更大的盘子之一

仓库最新的 context-engineering-guide 把视野从"写好一句提示"升级到"管好整个上下文窗口"。这张图说得很清楚——提示工程、RAG、状态/历史、记忆、结构化输出，都是上下文工程这个大盘子里的局部：

对应的落地建议：先优化信息优先级（关键信息放前面防截断），再考虑压缩与缓存。仓库在 applications/context-caching 中专门讲了上下文缓存如何省成本。

🕳️ 避坑实录：四个高频踩坑场景

前两条针对本地跑仓库，后两条针对实际调模型——前者是"环境坑"，后者是"工程坑"，分开处理会更高效。

🎯 适用人群与上手路径：四类读者各走各的

📚 生态延伸：四条深入路径与后续方向

• guides/：最早的 8 篇 Markdown 教程（从入门到对抗性提示），适合离线精读
• pages/：多语言文档站的完整源码，13 个语言的 mdx 文件都在这里
• notebooks/：12 个可运行的 Jupyter 笔记本，覆盖 RAG、函数调用、ReAct 等动手实验
• lecture/：1 小时完整讲座的幻灯片 PDF，适合当学习地图用

作者团队同时在 DAIR.AI Academy 提供配套的提示工程、RAG 与 AI Agent 实操课程，可作为自学之后的进阶选项。

后续建议持续跟踪三条线：上下文工程（从单轮提示走向多轮状态管理）、Deep Agents（长期任务拆解与验证）、合成数据 + RAG（用模型给模型造训练料）。这三条线都已在仓库中占位，内容还在持续更新。

【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