提示工程完整指南：4个核心技巧10分钟写出稳定提示词

提示工程完整指南：4个核心技巧10分钟写出稳定提示词

【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

Prompt-Engineering-Guide 是一个免费开源项目，系统整理了提示工程（Prompt Engineering）的指南、论文与可运行笔记本，覆盖从零样本提示、思维链到 RAG 和 AI Agent 的完整路径。读完本文，你会知道如何把仓库克隆到本地、读懂入门文档、上手 4 个最实用的提示技巧，并直接套用到自己的任务里。

提示词"时灵时不灵"？问题出在工作说明太粗 ⚡

你可能遇到过这两种情况：

• 让它"总结这段文字"，它回了一大段车轱辘话，你最后还是自己总结
• 一道多步计算题，它第一步就推错，最后答案也跟着错

这不是模型不行，是指令给得太模糊。提示词就像给新同事写工作说明：只说"处理一下这份数据"，他随便做；说"按日期列倒序、保留最近 7 天、导出 CSV"，结果就完全不同。这个仓库的guides/目录把这些"说明写法"逐篇拆开了，notebooks/里还有配套的 Jupyter 笔记本可以边读边跑。

3步装好 Prompt-Engineering-Guide 并跑通第一个提示 ✅

第 1 步，克隆仓库：

git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide

第 2 步，打开入门文档guides/prompts-intro.md。前 5 分钟就能读到一个关键结论：一条合格的提示由指令（Instruction）、上下文（Context）、输入数据（Input Data）、输出指示（Output Indicator）四部分组成，缺项越少，结果越不可控。

第 3 步，随便找个 LLM 界面验证模型能不能听懂指令。输入最小提示Complete the sentence: The sky is，如果它补出 "blue" 这类合理句子，说明链路通了。后面所有技巧都建立在这个基础上。

4种核心提示技术，按需取用

零样本提示（Zero-shot）：一句话指令直接干活

定义：不给任何示例，直接把任务说清楚。适用场景：分类、翻译、摘要这类简单任务。最小示例——在句子末尾加一个 "Sentiment:" 暗示答案位置：

Classify the text into neutral, negative or positive. Text: I think the food was okay. Sentiment:

模型会直接输出 Neutral。这是默认首选，任何任务都应先试零样本，不行再升级。

少样本提示（Few-shot）：用 2~5 个例子纠正风格

定义：先给 1~5 个"输入+输出"示例，让模型照着模式学。适用场景：自定义格式、内部术语、零样本搞不定的任务。guides/prompts-advanced-usage.md里有个反直觉的结论：示例的格式比标签对错更重要，即使标签是随机的，只要格式一致，模型通常也能学会任务模式。

思维链（Chain-of-Thought）：让它先写步骤再给答案

定义：在示例里展示"逐步推理再下结论"的过程，复杂推理的正确率会明显上来。

适用场景：算术、逻辑判断、多步规划。指南里的验证例子：同样的"奇数之和是否为偶数"题目，只给答案示例时模型答错；示例里写出推理过程后，哪怕只保留 1 个示例，输出也会变成 "Adding all the odd numbers (15, 5, 13, 7, 1) gives 41. The answer is False"，一步不差。

零样本思维链：一句咒语激活推理

定义：不给示例，只在问题末尾加一句 "Let's think step by step." 就能触发分步思考。适用场景：来不及准备示例的在线问答。以指南中的苹果题为例（买 10 个、送掉 4 个、又买 5 个、吃掉 1 个）：直接作答模型给出 11，错了；加上这句咒语，它一步步算出 10，对了。效果接近准备几十个示例，成本只有一句话。

实战：3个高频任务这样写提示

代码生成：把表结构写进提示

什么任务：从自然语言需求生成 SQL、API 调用等代码。怎么写：把表结构、依赖当作注释写进提示，别让它猜。例如：

Table departments, columns = [DepartmentId, DepartmentName] Table students, columns = [DepartmentId, StudentId, StudentName] Create a MySQL query for all students in the Computer Science Department

模型会输出带子查询的 SELECT 语句，可直接执行。关键动作只有一个：把"schema"和"目标语言"写明白，完整示例见guides/prompts-basic-usage.md。

数学与逻辑推理：零样本思维链加自检

什么任务：应用题、逻辑判断。怎么写：题目末尾加 "Let's think step by step"，再补一句"给出答案前先检查一遍"。指南用同一道题对比过：直接作答错，分步作答对。如果批量场景下仍不稳定，升级成自一致性（Self-Consistency）：采样多条推理路径，取出现次数最多的答案，方法在pages/techniques/的 consistency 章节有完整推导。

批量造训练数据：一条提示产出 10 条样本

什么任务：快速构建测试集或标注样本，省掉人工标注的前置成本。怎么写：数量、分布、格式一次说全：

Produce 10 exemplars for sentiment analysis. 2 negative, 8 positive. Format: Q: <sentence> A: <sentiment>

输出就是 10 条格式统一的 Q/A，能直接拿去测你的分类器。guides/prompts-applications.md里还给了用"教科书式"提示提升样本多样性的做法，适合要扩充数据量的场景。

常见问题答疑 ❓

提示工程和"会聊天"是一回事吗？不是。它是一套包含参数调节（temperature、top_p）、格式设计与迭代验证的系统方法，guides/prompts-intro.md逐条讲过，每个技巧都有可复现示例。

Few-shot 该给几个例子？从 3 个起步，效果不够再加。优先保证示例格式和目标格式一致，比纠结每条标签绝对正确更有收益。

temperature 和 top_p 先调哪个？一次只调一个。事实问答取低 temperature 更稳定，创意写作调高；两个同时改，你分不清是哪个起的作用。

模型一本正经地编造事实怎么办？先在提示里写明"不确定就回答 Unsure"；事实密集型任务接上 RAG，让模型基于检索到的资料作答，pages/techniques/的 rag 章节有完整流程。

仓库里的 RAG、AI Agent 与上下文工程章节还在持续更新，基础提示跑通后，按README.md的目录索引往下走就是自然的学习顺序。

【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