企业官网建设流程全解析

怎么用 Prompt-Engineering-Guide：让 LLM 一次听话的 4 个提示工程技巧

【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

同样的提示，在一个模型上没问题，换个模型就跑偏？Prompt-Engineering-Guide 是一个精选的提示工程开源仓库，把零样本、少样本、思维链这些核心技术整理成能看懂也能用的样子。读完你会拿到一套能直接套用的提示技巧。

先看懂全景：写好一条提示的 4 个成分

上手技巧之前，先建立一个心智模型：一条能用的提示，基本就是 4 个成分——

指令 + 上下文 + 输入数据 + 输出约定

指令告诉模型做什么（"分类""总结""翻译"这类动词开头）；上下文是帮它做对任务的材料；输入数据是你真正要处理的内容；输出约定说清答案以什么形式给出（标签列表、JSON、一句话）。四个成分不是每条都要，但你写得越明确，结果越稳。

下面这张图来自项目本身，是一个最直观的示例：提示里放了 3 条样例（少样本），最后一行模型就照着格式输出了 negative。

现在就能做：把你昨天写过的一条提示拿出来，对照这 4 个成分看看缺了哪个——大多数"跑偏"的提示，缺的就是输出约定。

按任务挑技巧：4 类常见场景和坑

下面不按难度，按"你想解决哪类任务"来组织。每个场景都是固定套路：踩坑点 → 该用哪个技巧 → 最小可用示例 → 怎么判断效果。

代码生成：把表结构给全，模型自己会写 SQL

会踩的坑：只说"写个查询"，不给表结构，模型会一本正经地编造表名和字段名。

该用的技巧：把表名、字段名、目标数据库方言写进上下文。

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

怎么判断效果：拿测试库把生成的 SQL 跑一遍，报"未知列"就是上下文还不够，而不是模型不会写 SQL。

项目里还给了更完整的玩法：用 system 提示固定语言和输出行为（只生成代码块、不解释），在 Playground 里直接生成：

数学推理：别信答案，看过程

会踩的坑：多步计算直接要结果，模型容易"自信地算错"。比如问"这组数的奇数之和是不是偶数：15, 32, 5, 13, 82, 7, 1"，直接问很容易得到错误结论。

该用的技巧：让模型先写步骤再下结论（思维链 CoT）；纯计算题更进一步，让它输出 Python 代码、交给解释器执行（PAL，程序辅助语言模型）。

The odd numbers in this group add up to an even number: 15, 32, 5, 13, 82, 7, 1. Solve by breaking the problem into steps. First, identify the odd numbers, add them, and indicate whether the result is odd or even.

怎么判断效果：中间步骤对（"奇数是 15、5、13、7、1，和为 41"），最终结论才可信；只甩结果不给过程的输出，默认存疑。

下图是同一道题两种做法的差别：左边思维链还会算错，右边 PAL 把计算交给解释器就对了。

数据与标注生成：格式一句话写死

会踩的坑：让它"生成点样例数据"，回来的是自由文本，没法直接进流程。

该用的技巧：指令里写清数量、类别分布、输出格式三件事。

Produce 10 exemplars for sentiment analysis. Examples are categorized as either positive or negative. Produce 2 negative examples and 8 positive examples. Use this format for the examples: Q: <sentence> A: <sentiment>

怎么判断效果：把输出丢给json.loads或 JSON 校验器跑一遍；解析失败就在提示里补一句"只输出合法 JSON"，别反复改措辞。

文本分类：样例比形容词管用

会踩的坑：你写了一堆"请输出 neutral"，模型回你一个 "Neutral"——大小写不一致，下游解析直接断掉。

该用的技巧：形容格式不如直接放一条少样本样例。

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

怎么判断效果：批量跑 10~20 句，输出能直接枚举出来就算过；标签复杂时，注意让每个标签都在样例里出现过。

现在就能做：挑上面 4 个场景里最近真实碰到过的一个，把示例换成你自己的数据跑一遍，十分钟的事。

4 个核心技巧一张表：适用边界、成本与风险

场景过完，把零样本、少样本、思维链、零样本 CoT 四个技巧收拢一下，每个一句话讲清边界：

• 零样本：不给样例只给指令，简单任务先试它。
• 少样本：附几条样例钉死格式和标签空间，分类、抽取的主力。
• 思维链（CoT）：样例展示"怎么想"而不只是"答案"，多步推理用它。
• 零样本 CoT：没有样例时，结尾加一句 "Let's think step by step" 的免费推理开关。

下图是标准提示与思维链在同一道题上的输出差异，左边直接给答案错了，右边先写过程再给答案就对。

一句话总结选择顺序：先零样本，格式不稳上少样本，推理不稳上 CoT，没有样例就先加触发句。

📌现在就能做：拿一条之前没调好的提示，按这张表从最便宜的一档开始试，看它在哪一档变好——那一档就是你之前缺的东西。

⚠️ 避坑与调优：现象 → 原因 → 解法排查清单

常见问题都整理成清单了，遇到问题对着查：

评估上建议养两个习惯：一是准备 10~20 道已知答案的测试题，每次改完提示直接数通过率，别靠感觉；二是记录 token 消耗和响应时间这两个数——提示不是越长越好，效果相同时短的那个更该留。

现在就能做：先搭那份 10 题测试集。它比改十次提示都便宜，而且让你之后每次改动都有据可查。

资源与上手：3 步跑起来 Prompt-Engineering-Guide

所有材料都在仓库里，按"读什么、跑什么"给你指好位置：

• 提示结构入门：guides/prompts-intro.md
• 基础用法示例（总结、分类、代码、推理）：guides/prompts-basic-usage.md
• 进阶技巧（零样本 / 少样本 / CoT / 自一致性 / APE）：guides/prompts-advanced-usage.md
• 应用篇（数据生成、PAL）：guides/prompts-applications.md
• 可运行的示例笔记本：notebooks/，推荐从 notebooks/pe-lecture.ipynb 和 notebooks/pe-pal.ipynb 开始

3 步上手：

1. git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide，先读 guides/prompts-intro.md 把"4 个成分"过一遍。
2. 挑一个你手头的任务，在 guides/prompts-basic-usage.md 找到对应示例，换成自己的数据跑一次。
3. 还不稳就打开 notebooks/pe-lecture.ipynb，配合你的 10 题测试集，逐档调整提示和参数。

写在最后

提示工程的价值不在背下技巧清单，而在养成"先看任务再选技巧"的习惯——这正是 Prompt-Engineering-Guide 想帮你建立的东西。上手之后，建议顺着 guides/prompts-advanced-usage.md 里的自一致性部分往下看，那是让思维链输出更稳的下一步。

【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