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

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 Lets 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。技巧适用场景成本主要风险零样本简单分类、总结、问答最低格式不稳容易答非所问少样本固定格式的分类、抽取、生成低样例占 token样例没覆盖目标分布时模型会模仿错误模式CoT多步数学、常识、符号推理中示例多、输出长中间步骤错则结论错且错因更难定位零样本 CoT拿不到样例但需要推理低效果依赖模型能力弱模型上不保证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现象原因解法输出格式乱、夹带解释输出约定没写清或没给样例指定精确格式或补一条少样本样例见 guides/prompts-basic-usage.md推理题结果错直接跳结论中间没有验证加分步求解指令纯计算换 PAL 让解释器算见 notebooks/pe-pal.ipynb同样提示每次结果不同temperature 偏高事实类任务把 temperature 调低一次只动一个参数见 guides/prompts-intro.md总在做你不让它做的事指令在强调不要做什么改成告诉它该做什么并给出兜底回复重复调用慢、费 token长上下文每次都重发试上下文缓存示例见 notebooks/gemini-context-caching.ipynb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 / APEguides/prompts-advanced-usage.md应用篇数据生成、PALguides/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。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。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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考