企业官网建设流程全解析

如何用 Prompt-Engineering-Guide 从零掌握提示工程：1 小时看懂 CoT、RAG 与 AI Agents

【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 Elvis Saravia 维护的提示工程开源指南，按主题整理了提示技巧、RAG、AI Agents 教程、论文清单与可运行的 Jupyter Notebook，覆盖 13 种语言，帮你把"怎么向大模型提问"这件事学透、用对。

🧩 一、这个项目解决什么问题

它解决的是"提示词凭感觉写，效果全看运气"的问题。

场景一：让模型做算术推理，直接问它答"27"，错了。按指南里 Chain-of-Thought（CoT）的做法，在提示里附上 2 个"先写推理过程再给答案"的示例，模型输出立刻变成正确的 9。同样的问题，提示写法不同，结果从错变对，这就是你要系统学的东西。

场景二：你给模型一份内部文档，问它公司政策细节。没有检索增强时它只能靠训练记忆硬答，甚至一本正经地编造；RAG（检索增强生成）的做法是先把文档切片、向量化，提问时检索出相关段落塞进提示，模型基于真实资料作答。指南里把这条流程的每一步都拆开讲清了。

省掉的麻烦：你不用再去翻几十篇英文论文拼凑知识，也不用自己判断 Zero-Shot、Few-Shot、ReAct 到底该用哪个。

🚀 二、从零到跑起来：3 条命令本地启动

前置条件只有一个：Node 18 或更高版本，外加 pnpm 包管理器。

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

启动后在浏览器访问 localhost:3000，左侧导航栏就是全部学习路径：Introduction（基础）、Techniques（技巧）、AI Agents（代理）、Prompt Hub（提示词仓库）、Papers（论文清单）。

🧩 三、核心功能拆解：3 个最值得精读的板块

提示技巧库：Zero-Shot 到 Chain-of-Thought 全都有

是什么：Techniques 板块收录 15 种主流提示技巧，每种配原理讲解、完整提示词示例和效果对比图，包括 Zero-Shot、Few-Shot、CoT、Self-Consistency、Tree of Thoughts、ReAct 等。

解决什么问题：不同任务该用不同技巧——分类任务用 Few-Shot 贴示例就够，数学和逻辑推理必须上 CoT 引导逐步思考，多步骤探索类任务才需要 ReAct。这个板块帮你建立"任务类型 → 技巧选型"的映射。

怎么用：从 Introduction 学完提示词基本要素后，直接读 CoT 章节。核心做法是：在提示中先给 2~4 个"问题 + 推理过程 + 答案"的示例，再提出你的问题，模型会模仿这个格式先推理后作答。

RAG 检索增强生成：让模型基于你的文档作答

是什么：RAG 章节完整拆解了"文档 → 切片 → 向量化 → 检索 → 拼入提示 → 生成回答"的六步流水线，并给出评估指标和调优方向。

解决什么问题：大模型不知道你公司内部资料，纯靠提示词硬塞又会撑爆上下文长度。RAG 让模型在回答时只调取真正相关的文档片段，既准确又省 token。

怎么用：按指南流程走一遍——把文档切成小块，用 embedding 模型转成向量存入索引库；用户提问时先检索出 Top N 相关片段，连同问题一起拼进提示，要求模型"仅根据以上资料回答"。

AI Agents 板块：从单次问答走向多步任务

是什么：Agents 板块讲智能体的三大组件——工具调用、记忆管理、任务规划，覆盖函数调用（Function Calling）、任务分解、路由与并行化等模式。

解决什么问题：单轮提示只能完成一步动作，而"查天气 + 算温差 + 发邮件"这类任务需要模型自己决定何时调用工具、何时回顾历史。代理架构把提示词变成调度层，让模型串起整条工作流。

怎么用：先读 Function Calling 章节，学会在提示里声明工具及其参数，让模型输出结构化的调用请求；再结合 Agents 章节的规划器模式，把复杂任务拆成子步骤逐个执行。

🧭 四、一个端到端场景：把算术推理提示词从错到对

需求：你做了个答题小工具，用户问"食堂原有 23 个苹果，做午饭用掉 20 个又买了 6 个，还剩几个"，模型直接答"27"，错了。

第一步，打开指南的 Techniques 章节，翻到 CoT 页面，确认这类多步算术题正是它的适用场景。

第二步，照页面示例改造提示：保留原题，在问题前补两个示例——"Roger 有 5 个网球，又买了 2 罐每罐 3 个。推理：5 + 6 = 11，答案 11"。关键在于示例里必须写出算式过程，而不是只给答案。

第三步，把改造后的提示丢给模型。输出变成："原有 23 个，用掉 20 个剩 3 个，又买 6 个，3 + 6 = 9，答案是 9"——正确，且推理链可追溯。

整个改动只有"提示词加了两行示例"，效果差异来自技巧选型。这就是这本指南的价值：每个技巧都附可直接抄走的提示词模板。

🧭 五、容易踩的坑

坑一：本地启动报依赖安装失败。现象是 pnpm install 或 pnpm dev 中途报错。原因是环境 Node 版本低于 18。对策：先用 node -v 检查版本，升级到 18 以上再重新装依赖。

坑二：照着英文技巧直接照搬提示词。现象是中文模型下效果明显变差。原因是示例本身偏英文语境，直接翻译后推理格式被破坏。对策：参考示例的结构（问题 + 推理过程 + 答案三段式），把示例内容改写成与你业务一致的中文表达。

坑三：把项目当成可调用库。现象是试图 import 项目里的代码跑在自己的程序里。原因是这是一个 Nextra 文档站，价值在内容而非代码。对策：把它当学习地图用，需要动手的环节配合 Notebooks 板块里的 Jupyter 笔记做。

🚪 六、接下来可以做什么

• 想动手实验：打开 Notebooks 板块，pe-lecture.ipynb 是配合 1 小时视频课程的完整代码笔记，pe-chatgpt-intro.ipynb 适合从零练手。
• 想看论文原文：Papers 板块按"综述 / 方法 / 应用 / 合集"分类整理，每条附标题与链接，写报告或做调研时直接取用。
• 想积累提示词：Prompt Hub 按分类、编码、数学、问答等 10 个方向收录了可直接复制的提示模板。
• 想扩展方向：读完基础后按 RAG → Function Calling → Agents 的顺序推进，对应项目内 techniques/rag、applications/function_calling、agents/introduction 三个入口。

Prompt-Engineering-Guide 把分散在各处论文和博客里的提示工程知识收敛成了一张带图、带示例、可本地运行的地图。现在把仓库克隆到本地跑起来，从 Introduction 的第一节开始读，一天之内你就能写出第一个 CoT 提示词。

【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