Prompt-Engineering-Guide 上手教程3 个技巧让大模型输出更稳定【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-GuidePrompt-Engineering-Guide 是一套开源的提示工程Prompt Engineering学习资料库系统整理了提示技巧、RAG、AI Agent 的论文、指南和可运行代码笔记本适合想系统学习提示工程的开发者。先跑起来一条命令本地启动 这个项目本质是一个文档站加示例代码库解决的是提示工程知识点散落在各论文里、找不到系统入口的问题。内容按基础、技巧、应用、模型、风险分块组织支持 13 种语言版本全部可以本地跑起来。下面 3 条命令即可在本地启动文档站git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm i pnpm dev启动后在浏览器访问 http://localhost:3000 即可。不装环境也没关系直接读 guides/prompts-basic-usage.md 这类 Markdown 文件也能学完全部核心内容。核心机制拆解提示是怎么影响模型的四要素指令、上下文、输入、输出指示白话说一个能用的提示由四块拼成告诉模型做什么Instruction、补充背景Context、给出待处理数据Input Data、限定输出格式Output Indicator四者并非必需但越完整模型越不容易跑偏。下面这条情感分类提示就用上了指令加输入Classify the text into neutral, negative or positive. Text: I think the food was okay. Sentiment:之所以强调结构是因为模型本质在做续写。你省略输出指示它就自己发挥格式比如返回 Neutral 而不是下游代码需要的 neutral。少样本提示用 1 到 5 个示例对齐格式少样本提示Few-Shot Prompting是指在提示里放几个示例让模型照着示例的模式生成它利用的是模型的上下文学习能力In-Context Learning不需要修改任何参数。3 行示例就能说明问题This is awesome! // Positive This is bad! // Negative What a horrible show! //研究显示示例的标签空间和格式比标签本身对不对更影响结果。设计原因模型是从示例里学任务分布而不是死记某个答案。零样本思维链一句话激活推理思维链Chain-of-Thought, CoT是让模型先写出中间步骤、再给结论。最省事的版本是零样本 CoT只需在问题末尾加一句触发语Lets think step by step.官方指南里的苹果问题不加这句模型直接答 11 个加上后模型逐步算出 10 个。它有效的原因也在这里推理题的错误大多出在跳步强制展开步骤后错误会暴露在中间过程里而不是直接给你一个错误结论。一个真实用例走查用 PAL 让模型算日期场景用户问今天是 2023 年 2 月 27 日我 25 年前出生出生日期按 MM/DD/YYYY 写是什么。这类题直接问大模型经常算错因为算术是它的弱项。输入把问题写进提示并附上 5 个问题加 Python 解法的示例要求模型只生成代码不给答案。操作模型输出的不是结论而是一段 Python再把这段代码交给解释器执行。模型生成的代码大致长这样import datetime from dateutil.relativedelta import relativedelta print((datetime.datetime(2023, 2, 27) - relativedelta(years25)).strftime(%m/%d/%Y))输出02/27/1998一次算对。这就是 PALProgram-Aided Language Models的思路模型负责把自然语言翻译成程序计算交给解释器提示工程里最实用的可靠性手段之一就是这种外包计算。可运行版本在 notebooks/pe-pal.ipynb完整讲解见 guides/prompts-applications.md。新手最容易踩的 4 个坑 ⚠️输出大小写不对— 现象要 neutral模型返回 Neutral。原因只给了指令没给格式参照。解决加一条少样本示例用示例对齐格式。推理题答错— 现象奇数求和判断题给错结论。原因模型跳步直接猜答案。解决改用带步骤的 CoT 示例或加 Lets think step by step 触发语把中间过程显式化。模型一本正经地编造— 现象对不知道的问题也给出流畅、自信的答案。原因模型目标是生成连贯文本不是验证事实。解决把参考材料作为上下文塞进提示并明确指示不确定时回答 Unsure about answer。禁止式指令反效果— 现象写不要询问用户偏好模型反而去问偏好。原因否定词照样激活了那个概念。解决改成正向描述直接规定它该做什么包括推荐行为和兜底话术。一句话回顾四要素搭结构、示例对齐格式、思维链保推理、PAL 外包计算提示工程的基本盘就齐了。项目仓库为 Prompt-Engineering-Guideclone 地址见上文进阶方向建议读 guides/prompts-advanced-usage.md 里的自洽性Self-Consistency技巧用多次采样投票进一步压低推理错误率。【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 Prompt-Engineering-Guide 上手教程：3 个技巧让大模型输出更稳定
Prompt-Engineering-Guide 上手教程3 个技巧让大模型输出更稳定【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-GuidePrompt-Engineering-Guide 是一套开源的提示工程Prompt Engineering学习资料库系统整理了提示技巧、RAG、AI Agent 的论文、指南和可运行代码笔记本适合想系统学习提示工程的开发者。先跑起来一条命令本地启动 这个项目本质是一个文档站加示例代码库解决的是提示工程知识点散落在各论文里、找不到系统入口的问题。内容按基础、技巧、应用、模型、风险分块组织支持 13 种语言版本全部可以本地跑起来。下面 3 条命令即可在本地启动文档站git clone https://gitcode.com/GitHub_Trending/pr/Prompt-Engineering-Guide cd Prompt-Engineering-Guide pnpm i pnpm dev启动后在浏览器访问 http://localhost:3000 即可。不装环境也没关系直接读 guides/prompts-basic-usage.md 这类 Markdown 文件也能学完全部核心内容。核心机制拆解提示是怎么影响模型的四要素指令、上下文、输入、输出指示白话说一个能用的提示由四块拼成告诉模型做什么Instruction、补充背景Context、给出待处理数据Input Data、限定输出格式Output Indicator四者并非必需但越完整模型越不容易跑偏。下面这条情感分类提示就用上了指令加输入Classify the text into neutral, negative or positive. Text: I think the food was okay. Sentiment:之所以强调结构是因为模型本质在做续写。你省略输出指示它就自己发挥格式比如返回 Neutral 而不是下游代码需要的 neutral。少样本提示用 1 到 5 个示例对齐格式少样本提示Few-Shot Prompting是指在提示里放几个示例让模型照着示例的模式生成它利用的是模型的上下文学习能力In-Context Learning不需要修改任何参数。3 行示例就能说明问题This is awesome! // Positive This is bad! // Negative What a horrible show! //研究显示示例的标签空间和格式比标签本身对不对更影响结果。设计原因模型是从示例里学任务分布而不是死记某个答案。零样本思维链一句话激活推理思维链Chain-of-Thought, CoT是让模型先写出中间步骤、再给结论。最省事的版本是零样本 CoT只需在问题末尾加一句触发语Lets think step by step.官方指南里的苹果问题不加这句模型直接答 11 个加上后模型逐步算出 10 个。它有效的原因也在这里推理题的错误大多出在跳步强制展开步骤后错误会暴露在中间过程里而不是直接给你一个错误结论。一个真实用例走查用 PAL 让模型算日期场景用户问今天是 2023 年 2 月 27 日我 25 年前出生出生日期按 MM/DD/YYYY 写是什么。这类题直接问大模型经常算错因为算术是它的弱项。输入把问题写进提示并附上 5 个问题加 Python 解法的示例要求模型只生成代码不给答案。操作模型输出的不是结论而是一段 Python再把这段代码交给解释器执行。模型生成的代码大致长这样import datetime from dateutil.relativedelta import relativedelta print((datetime.datetime(2023, 2, 27) - relativedelta(years25)).strftime(%m/%d/%Y))输出02/27/1998一次算对。这就是 PALProgram-Aided Language Models的思路模型负责把自然语言翻译成程序计算交给解释器提示工程里最实用的可靠性手段之一就是这种外包计算。可运行版本在 notebooks/pe-pal.ipynb完整讲解见 guides/prompts-applications.md。新手最容易踩的 4 个坑 ⚠️输出大小写不对— 现象要 neutral模型返回 Neutral。原因只给了指令没给格式参照。解决加一条少样本示例用示例对齐格式。推理题答错— 现象奇数求和判断题给错结论。原因模型跳步直接猜答案。解决改用带步骤的 CoT 示例或加 Lets think step by step 触发语把中间过程显式化。模型一本正经地编造— 现象对不知道的问题也给出流畅、自信的答案。原因模型目标是生成连贯文本不是验证事实。解决把参考材料作为上下文塞进提示并明确指示不确定时回答 Unsure about answer。禁止式指令反效果— 现象写不要询问用户偏好模型反而去问偏好。原因否定词照样激活了那个概念。解决改成正向描述直接规定它该做什么包括推荐行为和兜底话术。一句话回顾四要素搭结构、示例对齐格式、思维链保推理、PAL 外包计算提示工程的基本盘就齐了。项目仓库为 Prompt-Engineering-Guideclone 地址见上文进阶方向建议读 guides/prompts-advanced-usage.md 里的自洽性Self-Consistency技巧用多次采样投票进一步压低推理错误率。【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