GitHub - dair-ai/Prompt-Engineering-Guide：面向 Prompt Engineering、RAG 与 AI Agents 的开源指南

图 1 图 1

文章分类：大模型与架构
文章子分类：Prompt 工程

1. 项目概述与定位

Prompt Engineering 是一门相对新兴的学科，专注于开发并优化 prompts，从而更高效地利用语言模型（LMs）完成各类应用与研究任务。掌握 Prompt Engineering 不仅有助于技术人员深入理解大语言模型（LLMs）的能力边界与局限性，也能帮助研究人员提升 LLMs 在问答、算术推理等任务上的表现，并支持开发者设计稳健、高效的提示技术，与 LLMs 及其他工具协同交互。

围绕这一需求，dair-ai/Prompt-Engineering-Guide 构建了一个综合性开源资源库，整合了提示工程领域最新的论文、学习指南、课程、参考资料与工具。其覆盖范围已从最初的 Prompt Engineering 逐步扩展到 Context Engineering、RAG（Retrieval Augmented Generation）以及 AI Agents。项目同时提供 Web 版本，并与 DAIR.AI Academy 的课程体系打通，形成从理论到实践的完整学习路径。

该项目在 GitHub 上的主要数据如下：

指标	数值
Stars	76.4k
Forks	8.4k
Commits	1,589

注：页面部分模块在加载时可能出现 “Uh oh! There was an error while loading.” 提示，部分内容可能未完整渲染。

2. 提示工程基础与设计原则

该指南将 Prompt Engineering 的基础知识拆分为多个核心模块，帮助开发者建立系统化的提示设计能力。

2.1 LLM Settings

语言模型的生成行为受多个采样与解码参数直接影响，其中最关键的是：

temperature：控制输出分布的随机性。较低值（如 0.1–0.3）使输出更稳定、确定性更强；较高值（如 0.8–1.0）则增强创造性与多样性。
top-p（Nucleus Sampling）：通过累计概率截断候选 token 集合，平衡生成质量与多样性。
其他相关参数还包括 max_tokens、frequency_penalty、presence_penalty 等。

合理配置这些参数，是获得稳定且符合预期输出的前提。

2.2 Prompt Elements 与设计技巧

在理解模型参数的基础上，指南进一步指出，一个结构良好的提示通常由以下基础元素构成：

Instruction：明确告诉模型需要执行的任务；
Context：提供背景信息或外部知识；
Input Data：需要模型处理的实际输入；
Output Indicator：期望的输出格式或示例。

此外，指南还提供了大量通用设计技巧与示例，涵盖如何编写清晰指令、使用分隔符、避免歧义、要求模型逐步推理等实践范式。这些模板与经验可帮助开发者快速掌握高效的提示设计方法。

3. 进阶提示技术体系

在掌握基础提示元素之后，指南系统梳理了当前主流的进阶提示技术。按能力增强路径可归纳为以下几类：

技术类别	代表方法	核心思想
零样本 / 少样本提示	Zero-Shot Prompting、Few-Shot Prompting	通过任务描述或少量示例引导模型输出
推理增强提示	Chain-of-Thought (CoT)、Self-Consistency	显式引导模型逐步推理，并通过多路径投票提升一致性
结构化推理	Tree of Thoughts (ToT)	将推理过程组织为树状搜索，支持多路径探索与回溯
工具与知识增强	ReAct、RAG、ART、Program-Aided Language Models	结合外部工具检索、代码执行与多步推理
多模态与图结构	Multimodal CoT、Graph Prompting	将提示工程扩展至多模态输入与图结构数据

其中：

Chain-of-Thought Prompting 通过让模型“逐步思考”显著提升复杂推理任务表现；
Self-Consistency 对多条推理路径的结果进行投票，降低采样随机性带来的误差；
ReAct 将推理（Reasoning）与行动（Acting）结合，支持 LLM 调用外部工具；
RAG 将外部检索与生成结合，缓解知识时效性与幻觉问题；
Program-Aided Language Models (PAL) 引导模型生成代码或结构化程序，再由解释器执行；
Multimodal CoT 与 Graph Prompting 则代表了提示工程与多模态、图结构数据融合的前沿方向。

4. 应用场景与模型适配

4.1 主要应用场景

基于前述技术，指南在 Applications 章节中覆盖了提示工程的关键落地场景，包括：

Function Calling：让 LLM 输出结构化的函数调用参数；
Generating Data / Synthetic Dataset for RAG：利用模型生成训练或评估数据，并处理生成数据集的多样性问题；
Generating Code：辅助代码生成与理解；
Graduate Job Classification Case Study：通过案例展示提示工程在分类任务中的实际应用。

4.2 模型适配与 Prompt Hub

不同模型对提示的敏感度与最佳实践存在差异。指南针对以下主流模型提供了专门的提示策略说明：

模型	说明
ChatGPT / GPT-4	OpenAI 对话模型系列
Gemini	Google 多模态模型
LLaMA	Meta 开源基础模型
Mistral 7B / Mixtral	Mistral AI 高效开源模型与 MoE 模型
Code Llama	面向代码任务的 LLaMA 衍生模型
Phi-2	微软小型语言模型
Flan / OLMo	Google 指令微调系列与 Allen AI 开源模型

此外，Prompt Hub 按任务分类提供了可复用的提示模板，涵盖 Classification、Coding、Creativity、Evaluation、Information Extraction、Image Generation、Mathematics、Question Answering、Reasoning、Text Summarization、Truthfulness、Adversarial Prompting 等方向。

5. 风险、偏见与工具生态

5.1 核心风险

部署 LLM 时，提示工程必须关注以下三类核心风险：

Adversarial Prompting（对抗性提示）：通过构造特殊输入绕过安全限制或诱导模型产生有害输出；
Factuality（事实性）：模型可能生成看似合理但错误的信息，即幻觉问题；
Biases（偏见）：训练数据中的社会偏见可能通过提示被放大或触发。

5.2 研究基础设施

为支持上述风险的研究与规避，指南整理了 Papers、Tools、Notebooks、Datasets 四大类资源，构成提示工程研究与开发的基础设施：

Papers：分为 Overviews、Approaches、Applications、Collections；
Tools：收录提示工程相关工具与框架；
Notebooks：提供可运行的代码示例；
Datasets：汇总常用数据集。

项目仓库的主要语言构成如下：

语言	占比
MDX	94.5%
Jupyter Notebook	4.0%
Other	1.5%

6. 学习路径与社区参与

6.1 学习资源体系

项目提供约 1 小时的视频讲座（Video Lecture），系统介绍提示技术、应用场景与工具，并配套代码 Notebook 与幻灯片（Slides），形成完整的学习闭环。同时，DAIR.AI Academy 提供自学的 Prompt Engineering、RAG 与 AI Agents 课程，与指南互为补充。

6.2 本地部署

若需在本地运行该指南（例如验证新的翻译），环境要求如下：

安装 Node.js >= 18.0.0；
安装 pnpm（若系统未自带）；
安装依赖：pnpm i next react react-dom nextra nextra-theme-docs；
启动开发服务器：pnpm dev；
在浏览器中访问 http://localhost:3000/。

6.3 社区参与与许可

该项目采用 MIT License 开源。社区可通过 PR 提交改进、通过 Issue 反馈问题，并参与多语言翻译。目前指南已支持 13 种语言，持续欢迎更多贡献。

引用格式如下：

@article{Saravia_Prompt_Engineering_Guide_2022,
  author = {Saravia, Elvis},
  journal = {https://github.com/dair-ai/Prompt-Engineering-Guide},
  month = {12},
  title = {{Prompt Engineering Guide}},
  year = {2022}
}

原文来源

原文标题：GitHub - dair-ai/Prompt-Engineering-Guide: 🐙 Guides, papers, lessons, notebooks and resources for prompt engineering, context engineering, RAG, and AI Agents.
原文链接：https://github.com/dair-ai/Prompt-Engineering-Guide
作者：Elvis Saravia（DAIR.AI）
许可证：MIT License

原文链接

https://github.com/dair-ai/Prompt-Engineering-Guide

dair-ai 提示工程指南平台介绍