Prompt Engineering Guide用四条命令在本地跑起完整提示工程教程【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-GuidePrompt Engineering Guide 是一个开源的 Prompt Engineering提示工程即组织自然语言指令让模型按要求输出的技术教程站收录技术章节、论文、工具和 AI 智能体资料。读完本文你能把整套教程在本地跑起来并能讲清每个章节的数据链路。全站支持 13 种语言每章都配有可运行的示例。它替你省了哪几步找资料要一篇篇翻学提示技术时你得在论文站和博客里一篇篇找找不到系统目录。这个站点把 16 种提示技术、模型章节、风险章节固定在侧边栏你按章节名直接读就能拿到可复制的示例。看完理论没法验证多数博客只给结论不给可运行的代码。本项目每个技术章节都对应notebooks/目录下的 Jupyter Notebook可交互的代码本你配好 API 密钥就能原样跑通示例。团队成员水平不一找不到共同起点新人上手和老手查资料需要两份材料。文档有 13 种语言版本还附带 1 小时的讲座 PDF你可以直接把它当团队共读教材。最小可运行环境需要 Node 18 以上。克隆仓库后装依赖、起开发服务器只需四条命令git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm install pnpm dev看到 http://localhost:3000/ 打开后显示站点侧边栏和首页目录即表示成功。核心链路怎么走这个项目的数据流分两层。内容层走输入→中间处理→输出输入是你的问题和上下文中间处理是各技术章节做的改造输出是模型的回答或工具调用。渲染层由 Next.js 搭配 Nextra 主题一套 Next.js 文档框架把pages/目录下的 mdx 源文件编译成多语言页面。图中每个圆圈对应链路上的一个角色。黄色 Prompt Engineering 负责指令措辞本身。紫色 RAG 负责拉取外部知识。粉色 State/History 负责管理多轮对话的上下文。绿色 Memory 负责长期存储。左下 Structured Outputs 负责让输出可以被机器解析。五者拼起来就是你喂给模型的完整上下文。把输入结构化输入层解决模型分不清边界的问题。站点的基础篇和元素篇教你用分隔符包住用户输入并用字段类型清单约束内容。结构化输出是关键一招。你指明字段的取值范围比如优先级用 1 到 5 而不是 1 到 10模型就不会自己发挥。引导中间推理中间层解决模型急着下结论的问题。CoT思维链提示法让模型先展示推理过程再作答要求模型先列步骤再给答案。站点用一道数学应用题对比两种写法左栏普通提示让模型在应用题上答错右栏思维链示例让它展示算式答案正确。章节还延伸到零样本思维链只在提示末尾加一句逐步思考也能生效。稳定输出结果输出层解决事实漂移的问题。RAG检索增强生成先查资料再生成答案让系统先检索相关文档再把文档拼进上下文交给模型生成。这样不用重训模型知识也能保持更新图中链路是输入先进检索器检索器查文档库命中的文档与原始提示拼接最后由生成器产出答案。跟一次真实请求这里选guides/里的多智能体深度研究工作流做样本从触发到回传完整走一遍。图中的 Agent 是核心向下接工具、记忆、规划三个模块。用户请求从上方进入由 Agent 决定调哪个工具、写哪段记忆。时间线是你向 Webhook让外部系统触发流程的入口发出OpenAI 最新研发动态 → 搜索规划器把它拆成两个子任务 → 搜索协调器按优先级执行搜索并收集结果 → 摘要器整理成报告 → 以 Markdown 形式回传给 Webhook。链路中有三个关键分叉点。规划器必须输出带 id 和优先级的结构化子任务因为协调器按字段派发格式错乱整条链路停摆。当前时间由工具注入而不是靠模型记忆因为模型猜上周会给出错误日期范围搜索就会不准。报告回传 Webhook 而不是直接打印因为请求闭环后调用方才能继续做下游处理。上手节奏建议先从入门章节读起。打开仓库里的 basics.en.mdx把文档里的零样本示例拷进一个 LLM 试玩体会提示和裸问的差异。再转入技术章节。读一遍思维链章节然后打开 pe-lecture.ipynb 这个笔记本跟着跑一遍推理示例亲眼看到模型的分步输出。最后上智能体组装。照着深度研究流程用任意工作流工具复刻一条拆解→搜索→总结的两节点链路并给每个节点写一份带字段示例的系统提示。高频问题速查遇到克隆后终端提示 pnpm 不是内部命令通常是 pnpm 没装导致的处理方式是运行 npm i -g pnpm 再重新安装依赖。遇到启动时报 3000 端口被占用通常是本地另一个服务占用了端口处理方式是停掉旧进程或换一个端口再起 dev 服务器。遇到某个章节中文内容为空通常是该章节还没写 .zh 翻译文件导致的处理方式是看 pages/ 目录下是否有对应的 .zh.mdx 文件没有就切到英文版读。遇到模型输出格式漂移、下游解析失败通常是提示里没给字段示例导致的处理方式是在提示里贴一份 JSON 样例并写清每个字段的类型和取值范围。下一步动作打开入门章节的 basics.en.mdx照着文档里的例子写出你的第一条结构化提示。【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 Engineering Guide用四条命令在本地跑起完整提示工程教程【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-GuidePrompt Engineering Guide 是一个开源的 Prompt Engineering提示工程即组织自然语言指令让模型按要求输出的技术教程站收录技术章节、论文、工具和 AI 智能体资料。读完本文你能把整套教程在本地跑起来并能讲清每个章节的数据链路。全站支持 13 种语言每章都配有可运行的示例。它替你省了哪几步找资料要一篇篇翻学提示技术时你得在论文站和博客里一篇篇找找不到系统目录。这个站点把 16 种提示技术、模型章节、风险章节固定在侧边栏你按章节名直接读就能拿到可复制的示例。看完理论没法验证多数博客只给结论不给可运行的代码。本项目每个技术章节都对应notebooks/目录下的 Jupyter Notebook可交互的代码本你配好 API 密钥就能原样跑通示例。团队成员水平不一找不到共同起点新人上手和老手查资料需要两份材料。文档有 13 种语言版本还附带 1 小时的讲座 PDF你可以直接把它当团队共读教材。最小可运行环境需要 Node 18 以上。克隆仓库后装依赖、起开发服务器只需四条命令git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm install pnpm dev看到 http://localhost:3000/ 打开后显示站点侧边栏和首页目录即表示成功。核心链路怎么走这个项目的数据流分两层。内容层走输入→中间处理→输出输入是你的问题和上下文中间处理是各技术章节做的改造输出是模型的回答或工具调用。渲染层由 Next.js 搭配 Nextra 主题一套 Next.js 文档框架把pages/目录下的 mdx 源文件编译成多语言页面。图中每个圆圈对应链路上的一个角色。黄色 Prompt Engineering 负责指令措辞本身。紫色 RAG 负责拉取外部知识。粉色 State/History 负责管理多轮对话的上下文。绿色 Memory 负责长期存储。左下 Structured Outputs 负责让输出可以被机器解析。五者拼起来就是你喂给模型的完整上下文。把输入结构化输入层解决模型分不清边界的问题。站点的基础篇和元素篇教你用分隔符包住用户输入并用字段类型清单约束内容。结构化输出是关键一招。你指明字段的取值范围比如优先级用 1 到 5 而不是 1 到 10模型就不会自己发挥。引导中间推理中间层解决模型急着下结论的问题。CoT思维链提示法让模型先展示推理过程再作答要求模型先列步骤再给答案。站点用一道数学应用题对比两种写法左栏普通提示让模型在应用题上答错右栏思维链示例让它展示算式答案正确。章节还延伸到零样本思维链只在提示末尾加一句逐步思考也能生效。稳定输出结果输出层解决事实漂移的问题。RAG检索增强生成先查资料再生成答案让系统先检索相关文档再把文档拼进上下文交给模型生成。这样不用重训模型知识也能保持更新图中链路是输入先进检索器检索器查文档库命中的文档与原始提示拼接最后由生成器产出答案。跟一次真实请求这里选guides/里的多智能体深度研究工作流做样本从触发到回传完整走一遍。图中的 Agent 是核心向下接工具、记忆、规划三个模块。用户请求从上方进入由 Agent 决定调哪个工具、写哪段记忆。时间线是你向 Webhook让外部系统触发流程的入口发出OpenAI 最新研发动态 → 搜索规划器把它拆成两个子任务 → 搜索协调器按优先级执行搜索并收集结果 → 摘要器整理成报告 → 以 Markdown 形式回传给 Webhook。链路中有三个关键分叉点。规划器必须输出带 id 和优先级的结构化子任务因为协调器按字段派发格式错乱整条链路停摆。当前时间由工具注入而不是靠模型记忆因为模型猜上周会给出错误日期范围搜索就会不准。报告回传 Webhook 而不是直接打印因为请求闭环后调用方才能继续做下游处理。上手节奏建议先从入门章节读起。打开仓库里的 basics.en.mdx把文档里的零样本示例拷进一个 LLM 试玩体会提示和裸问的差异。再转入技术章节。读一遍思维链章节然后打开 pe-lecture.ipynb 这个笔记本跟着跑一遍推理示例亲眼看到模型的分步输出。最后上智能体组装。照着深度研究流程用任意工作流工具复刻一条拆解→搜索→总结的两节点链路并给每个节点写一份带字段示例的系统提示。高频问题速查遇到克隆后终端提示 pnpm 不是内部命令通常是 pnpm 没装导致的处理方式是运行 npm i -g pnpm 再重新安装依赖。遇到启动时报 3000 端口被占用通常是本地另一个服务占用了端口处理方式是停掉旧进程或换一个端口再起 dev 服务器。遇到某个章节中文内容为空通常是该章节还没写 .zh 翻译文件导致的处理方式是看 pages/ 目录下是否有对应的 .zh.mdx 文件没有就切到英文版读。遇到模型输出格式漂移、下游解析失败通常是提示里没给字段示例导致的处理方式是在提示里贴一份 JSON 样例并写清每个字段的类型和取值范围。下一步动作打开入门章节的 basics.en.mdx照着文档里的例子写出你的第一条结构化提示。【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
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
