NirDiamant/Prompt_Engineering · 上手攻略

• 仓库：NirDiamant/Prompt_Engineering
• 链接：https://github.com/NirDiamant/Prompt_Engineering
• 分类：ai
• 作者：Jay
• 更新：2026-07-15

这是什么

NirDiamant/Prompt_Engineering 是由 AI 教育博主 Nir Diamant 维护的提示工程（Prompt Engineering）教程仓库，汇集了 22 种提示工程技术的 Jupyter Notebook 实战教程，从最基础的单轮/多轮提示模板到 Chain-of-Thought、Self-Consistency、Tree-of-Thought 等进阶策略，覆盖入门到高级完整学习路径。

作者同步出版了 Prompt Engineering from Zero to Hero（Kindle $9.99）电子书，仓库本身是该书所有技术的代码实现。GitHub Stars 数超过 7600，属于提示工程领域被最广泛参考的开源教程之一。

解决什么问题

提示工程长期缺乏系统化学习资源：网上资料碎片化、论文中的技术（如 CoT、Self-Consistency）缺少可运行代码、不同的提示技术（Few-Shot、Role Prompting、Constrained Generation 等）没有统一的学习入口。

本仓库将 22 种提示技术逐一封装成可直接运行的 .ipynb Notebook，每个 Notebook 包含：技术原理解释 + 背景论文引用 + 可运行代码示例 + 预期输出，让学习者"拿来就跑"。

快速安装

方式一：直接在线浏览（无需安装）

每个技术的 Jupyter Notebook 可直接在 GitHub 界面点击打开，利用 GitHub Codespaces 或 Google Colab 在线运行，无需本地配置任何环境。

点击任一技术链接，例如： - Chain-of-Thought Notebook

右上角选择 "Open in Colab" 即可在浏览器中运行。

方式二：本地 Clone

git clone https://github.com/NirDiamant/Prompt_Engineering.git
cd Prompt_Engineering

# 创建虚拟环境（推荐）
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# 安装依赖
pip install -r requirements.txt  # 若存在
# 或手动安装核心依赖
pip install jupyterlab openai anthropic google-generativeai

方式三：仅浏览 README 索引

整个仓库的 22 种技术目录结构在 README 中完整列出，无需安装任何东西，直接在 GitHub 页面上阅读技术说明和代码片段即可作为速查手册。

核心用法

技术全景地图

仓库将 22 种技术按难度分五大类：

Chain-of-Thought（CoT）示例

CoT 是目前最广泛使用的提示技术，让 LLM 输出推理步骤而非直接给答案：

# 基础 CoT
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{
        "role": "user",
        "content": (
            "A man bought a watch, a pen, and a guitar for a total of $310. "
            "The watch costs $50 more than the pen. The guitar costs $150 more than the watch. "
            "How much does each item cost? Let's think step by step."
        )
    }]
)
print(response["choices"][0]["message"]["content"])

Few-Shot Learning 示例

提供少量示例让模型理解任务模式：

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{
        "role": "user",
        "content": (
            "Translate English to French:\n"
            "Hello -> Bonjour\n"
            "Goodbye -> Au revoir\n"
            "Thank you -> "
        )
    }]
)

Self-Consistency（自洽性）

对同一问题用 CoT 生成多条推理路径，取最一致的答案：

import openai

answers = []
for _ in range(5):  # 生成 5 条推理路径
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[{"role": "user", "content": prompt + " Let's think step by step."}]
    )
    answers.append(response["choices"][0]["message"]["content"])

# 取多数票答案（简化示例）
final_answer = max(set(answers), key=answers.count)

Prompt Chaining（提示链）

将复杂任务拆解为多个提示串联执行：

# 第一步：提取关键信息
step1 = openai.ChatCompletion.create(
    messages=[{"role": "user", "content": f"从以下文本提取地点和时间：{text}"}]
)
# 第二步：基于提取结果生成摘要
step2 = openai.ChatCompletion.create(
    messages=[{"role": "user", "content": f"基于以下信息写摘要：{step1}"}]
)

典型适用场景

坑与注意

1. API Key 需要自行配置

仓库代码本身是纯示例，需要自己提供 OpenAI / Anthropic / Google API Key。建议使用 .env 文件管理，不把密钥写进 Notebook：

from dotenv import load_dotenv
import os
load_dotenv()
openai.api_key = os.getenv("OPENAI_API_KEY")

2. 部分 Notebook 依赖较新版本的 SDK

运行前建议检查 openai 版本（≥1.0），旧版 API 调用方式（如 openai.Completion.create）在新版已废弃：

pip install --upgrade openai anthropic

3. 模型选择影响效果

Few-Shot、CoT 等技术对小型模型（GPT-3.5-turbo）效果明显弱于 GPT-4o / Claude-3.5-Sonnet。使用旧模型时部分技术效果可能与文档截图不符，建议用较新的大模型验证。

4. Google Colab 运行时长限制

在 Colab 上运行含多次 API 调用的 Notebook（如 Self-Consistency 循环 20 次）可能导致超时，建议本地运行或减少循环次数。

5. 提示技术非万能

这些技术能提升效果，但不是对所有任务都有显著帮助。建议先用基准测试（Zero-Shot）建立对照，再用某技术看是否有提升，避免盲目叠加。

与同类对比

一句话推荐结论

NirDiamant/Prompt_Engineering 是目前学习提示工程最值得推荐的"代码优先"仓库——22 个可直接运行的 Notebook 从 Zero-Shot 到 Self-Consistency 完整覆盖，想学透提示工程技术的开发者从这个仓库入手不会错。