Learn Prompting：从「会聊天」到「会提示」的系统化学习路径
当大模型从实验室走进办公室，Prompt Engineering 也从少数人的手艺变成多数人的通用技能。Learn Prompting 是目前最系统、最开放、最多语言的提示工程学习平台之一。本文按学习流程 walkthrough 的方式，带你走完从入门到进阶的完整路径。
Learn Prompting 是一个免费、开源、多语言的提示工程（Prompt Engineering）学习平台，由 Akshat Mathur 等人发起，提供从基础提示、少样本提示、链式思考、提示注入防御到多模态提示的系统化课程[1]。它被翻译成数十种语言（含简体中文），并被 OpenAI、Google、Microsoft 等厂商的官方文档与社区广泛引用，是当前提示工程领域最具公信力的开放教育资源之一[2]。
学习流程 walkthrough：从零到实战的六个阶段
Learn Prompting 的课程不是按「功能列表」组织的，而是按「能力进阶」组织的。下面把它的学习路径拆成六个阶段，每一阶段都对应一类真实工作场景。
- 阶段一：Introduction —— 先理解模型在做什么
不要急着写提示。先搞懂语言模型是怎么「预测下一个 token」的、温度与 top-p 在影响什么、为什么模型会幻觉。这一阶段是地基，跳过去后面会反复踩坑。
- 阶段二：Basics —— 提示的基本结构
学习提示的四个要素：角色（Role）、任务（Task）、格式（Format）、示例（Examples）。掌握「先给角色、再给任务、再定格式、最后补示例」的写法，能解决 60% 的日常需求。
- 阶段三：Intermediate —— 让模型「想一步再答」
链式思考（Chain-of-Thought）、少样本提示（Few-shot）、自洽性（Self-Consistency）这些技巧，把模型从「直觉回答」引导到「推理回答」。这是从「能用」到「好用」的关键跃迁。
- 阶段四：Applied —— 把提示嵌进真实工作流
提示链（Prompt Chaining）、提示调优（Prompt Tuning）、基于提示的自动化。这一阶段不再只是「单次对话」，而是把提示当成可组合、可迭代的工程模块。
- 阶段五：Advanced —— 多模态、Agent 与工具调用
多模态提示、ReAct 框架、工具调用（Function Calling）、提示与外部知识库的结合。这是当前工业界最活跃的方向，也是从「提示工程师」走向「AI 应用工程师」的分水岭。
- 阶段六：Reliability —— 让输出可信可控
提示注入（Prompt Injection）防御、幻觉检测、输出验证、红队测试。当提示从玩具变成生产系统，可靠性就是底线。
功能卡：平台提供的六类学习资源
除了课程本身，Learn Prompting 还围绕「学—练—测—用」提供了多种辅助资源。下面把最值得单独拿出来说的六类列出来。
从入门到进阶的完整章节，每章含概念讲解、示例提示、常见误区与练习，支持按主题或难度筛选。
简体中文、繁体中文、日语、韩语、西班牙语、法语、德语等，降低非英语用户的学习门槛。
全部内容在 GitHub 上开放源码，社区可提交翻译、纠错与补充，形成持续进化的活教材。
把常用技巧、参数、模式浓缩成可打印的速查表，适合贴在工位或嵌入团队 Wiki。
活跃的 Discord 社区供学习者交流提示、分享案例、参与红队测试与提示竞赛。
专门章节覆盖提示注入攻击、防御策略与红队测试方法，这是多数入门教程忽略但生产环境必须面对的内容。
技巧清单：七个值得立刻用上的提示技巧
下面七条技巧来自 Learn Prompting 课程的核心内容，每一条都对应一类高频场景。把它们组合起来，就能覆盖大多数日常工作需求。
「你是一位资深的 Python 工程师」比「帮我写一段代码」更能激活模型的相关知识。角色设定本质上是给模型一个「知识检索的入口」。
在提示末尾加上「请一步一步推理」或「Let's think step by step」，能显著提升数学、逻辑与多步推理任务的表现。这是成本最低、收益最高的单一技巧。
与其花两百字描述「我要什么风格」，不如给三个示例让模型自己归纳。少样本提示在格式控制、风格迁移、分类任务上特别有效。
明确要求 JSON、Markdown 表格、YAML 或特定字段名，并在示例中展示。格式越明确，后处理成本越低。
与其一次让模型「分析数据 + 写报告 + 提建议」，不如拆成三步，每一步的输出作为下一步的输入。每一步的提示更短、更准、更可控。
对同一提示多次采样，取出现最频繁的答案。在分类、判断、代码生成等任务上，自洽性可以显著降低随机错误。
当提示里拼接用户输入时，用分隔符、转义、角色隔离与输出验证来防止「忽略前面的指令」类攻击。这是从玩具走向生产的必修课。
与同类学习资源的对比
提示工程学习资源并不少，但质量、开放度与系统性差异很大。下表把 Learn Prompting 与几类常见资源放在一起看。
| 维度 | Learn Prompting | OpenAI 官方文档 | DeepLearning.AI 短课 | Prompt Engineering Guide |
|---|---|---|---|---|
| 定位 | 系统化开源课程 | 厂商产品文档 | 短时视频课 | 开源指南 |
| 费用 | 免费 | 免费 | 免费（部分付费） | 免费 |
| 多语言 | 数十种（含中文） | 英文为主 | 英文为主 | 英文为主 |
| 深度覆盖 | 入门到红队 | 产品功能导向 | 入门到中级 | 入门到中级 |
| 社区 | Discord + GitHub | Forum | Community | GitHub |
| 适合谁 | 想系统学提示工程的人 | OpenAI 用户 | 偏好视频的学习者 | 偏好文档的学习者 |
谁适合用 Learn Prompting
不是所有人都需要「从零学提示工程」。下面三类人群最可能从中受益：一是刚接触大模型的产品、运营、内容岗位，需要快速建立「提示」的系统认知；二是开发者或 AI 应用工程师，想把提示从「随手写」升级为「工程化」；三是团队培训负责人，需要一套免费、开源、可翻译的内部培训教材。反过来，如果你已经是提示工程老手，更可能把它当作「查漏补缺的参考」而非「从头学起的教材」。
关于 Learn Prompting 的常见疑问
Learn Prompting 是免费的吗？
是的。全部课程、速查表与开源内容均可免费访问。社区与 GitHub 贡献也是开放的，部分进阶活动或合作培训可能涉及费用，以官网实时公示为准。
中文翻译质量如何？
简体中文翻译由社区志愿者维护，核心章节翻译质量较高；部分新章节可能仍以英文为主。如果你发现翻译问题，可以通过 GitHub 提交纠错。
学完能到什么水平？
按课程顺序学完，能覆盖从基础提示到提示注入防御的完整知识链；但要达到「实战熟练」，还需要结合真实项目反复练习与迭代。
和 DeepLearning.AI 的短课比哪个好？
两者定位互补：DeepLearning.AI 短课适合「快速入门 + 视频学习」；Learn Prompting 适合「系统深入 + 文档查阅 + 多语言」。建议先学一个，再用另一个补漏。
能用于企业内部培训吗？
可以。开源协议允许在遵守署名与协议的前提下用于企业内部培训，也支持团队基于源码定制自己的培训版本。
提示工程会不会很快被自动化取代？
部分「模板化提示」会被工具自动化，但「复杂任务拆解、提示链设计、可靠性保障」这类高阶能力在可预见的未来仍需要人类工程师。Learn Prompting 的课程也在持续更新以反映这一趋势。
参考资料
- 来源：Learn Prompting 官方网站（课程总览）— https://learnprompting.org
- 来源：Learn Prompting 官方文档 · Introduction — https://learnprompting.org/docs/introduction
- 来源：Learn Prompting GitHub 仓库 — https://github.com/trigaten/Learn_Prompting
- 来源：Learn Prompting 官方文档 · Prompt Hacking — https://learnprompting.org/docs/prompt_hacking/intro
- 来源：OpenAI 官方文档（提示工程指南引用）— https://platform.openai.com/docs/guides/prompt-engineering
- 来源：Anthropic 官方文档（提示工程）—
- 来源：Google DeepLearning.AI 提示工程课程 — https://www.deeplearning.ai/short-courses/