dair-ai/Prompt-Engineering-Guide · 上手攻略
- 仓库：dair-ai/Prompt-Engineering-Guide
- 链接：https://github.com/dair-ai/Prompt-Engineering-Guide
- 分类：ai · prompt-engineering
- 作者：Tom
- 更新：2026-08-17
这是什么
DAIR.AI 出品的 Prompt Engineering Guide，是一个聚合了提示工程领域最新论文、学习路径、实战技巧和工具资源的开源知识库。2022年2月登顶 Hacker News 热榜，2024年1月突破 300 万学习者，目前在 GitHub 拥有约 77.5k Stars、8.5k Forks（MIT 许可证），支持 13 种语言翻译。
它的定位既不是教材，也不是论文合集——而是一个持续更新的prompt工程百科，覆盖从零样本提示到多模态思维链、从 RAG 到 AI Agent 的完整知识图谱。
解决什么问题
LLM 很强，但问法决定答案质量。同一模型，prompt 不同，输出可以从废话变成专业报告。这个仓库解决两个核心痛点：
- 信息分散：prompt 工程论文分散在 arXiv、博客、视频里，没有统一入口
- 实战门槛：即便知道 CoT、Few-shot 等概念，也缺少可直接复制的提示模板和场景化案例
快速安装
这是纯文档型仓库，无需安装，直接阅读即可：
# 方式一：克隆到本地
git clone https://github.com/dair-ai/Prompt-Engineering-Guide.git
cd Prompt-Engineering-Guide
# 方式二：直接访问 Web 版（推荐）
# https://www.promptingguide.ai/
# 含完整导航、搜索和在线阅读体验
如需本地运行笔记工具（如 Obsidian），可以直接导入 notes/ 目录下的 Markdown 文件。
核心用法
常用提示技术速查
| 技术 | 适用场景 | 关键点 |
|---|---|---|
| Zero-Shot | 简单任务，直接问 | 无示例，直接描述任务 |
| Few-Shot | 任务格式不明确 | 1-8 个示例，引导输出格式 |
| Chain-of-Thought (CoT) | 推理/数学/代码 | 在答案前加"Let's think step by step" |
| Self-Consistency | 复杂推理 | 多次采样，取最一致答案 |
| Tree of Thoughts | 探索性任务 | 多路径并行推理 |
| ReAct | 需要工具调用 | 结合推理与外部工具执行 |
| RAG | 知识密集任务 | 检索增强生成 |
| PAL (Program-Aided LLM) | 数学解题 | 让模型生成代码辅助推理 |
实用提示模板（可直接复制）
Few-shot 示例格式：
请判断以下评论的情感是正面、负面还是中性：
示例1：这部电影太棒了，我完全沉浸其中。→ 正面
示例2：等了2小时才入座，服务态度也差。→ 负面
示例3：票价有点贵，但整体还行。→ 中性
请判断：游戏优化很一般，但剧情还不错。
Chain-of-Thought 引导：
问题：小明有12个苹果，送给朋友5个，又买了8个，现在有多少个？
让我们逐步推理：
1. 小明原有12个苹果
2. 送给朋友5个，12-5=7个
3. 又买了8个，7+8=15个
最终答案：15个
ReAct 提示结构：
你是一个助手。对于每个问题，你将：
1. Thought：思考需要做什么
2. Action：执行某个动作（如 search, calculate, lookup）
3. Observation：观察动作结果
4. 重复直到得到答案
进阶技巧：利用 DAIR.AI 学院
# 访问官方课程（使用 PROMPTING20 可享 8 折）
# https://academy.dair.ai/
# 包含：Introduction to Prompt Engineering / Context Engineering / AI Agents
典型适用场景
- 学习提示工程：系统阅读指南，按目录顺序从基础到高级
- 快速查找技术：用 Ctrl+F 搜索特定技术名称（如"CoT""few-shot"）
- 教学备课：引用指南中的标准化示例做教学材料
- 模型对比研究：模型章节含 ChatGPT、GPT-4、Code Llama、Gemini、LLaMA 的特定提示技巧
- AI 应用开发：RAG、Function Calling、Prompt Chaining 等章节可直接作为应用设计参考
坑与注意
- 仓库 ≠ 课程：文档是知识参考，不是结构化课程；需要自律学习路线，官网的 Academy 课程可补充
- 论文引用未标注版本日期：同一论文有新版时，文档中的描述可能过时，需自行核验原文
- 中文翻译版本可能滞后：社区翻译版（13种语言）与英文主版不同步，重要内容以英文为准
- 技术快速迭代：LLM 的 prompt 敏感性随模型版本变化，指南中的最优参数（如 temperature、top_p）在新模型上需重新调优
- API 成本注意：ReAct、CoT 等多步技术会显著增加 token 消耗，生产环境注意预算控制
与同类对比
| 仓库/工具 | 特点 | 对比 PE-Guide |
|---|---|---|
| PromptBase | 付费提示词交易平台 | PE-Guide 免费开源，侧重知识而非交易 |
| Learn Prompting | 类似的中文友好教程平台 | PE-Guide 论文引用更深，覆盖更广 |
| OpenAI Cookbook | 官方示例集 | PE-Guide 不限于 OpenAI，模型无关 |
| Anthropic's Prompt Engineering Interactive | 官方教程 | 更偏向旗下模型，PE-Guide 模型无关性更强 |
PE-Guide 的核心优势是论文驱动 + 开源免费 + 持续更新，三者叠加在同类中无明显竞品。
一句话推荐结论
如果你只用一本书来系统入门提示工程，选 Prompt Engineering Guide——它免费、持续更新、论文有据可查，是目前最完整的提示工程知识地图。
原始资源
- GitHub: https://github.com/dair-ai/Prompt-Engineering-Guide
- Web: https://www.promptingguide.ai/
- 论文引用：Rombach et al., High-Resolution Image Synthesis with Latent Diffusion Models, CVPR 2022（Latent Diffusion 基础论文）
- 许可证：MIT License
- GitHub Stars: ~77.5k · Forks: ~8.5k（数据来源：2026-08-16）