提示工程自学的「标准教材」：GitHub 七万七千星的 Prompt Engineering Guide 该怎么用
在提示词教学资源鱼龙混杂的今天，由研究团队 DAIR.AI 发起的 Prompt Engineering Guide（站点域名 promptingguide.ai）是极少数同时被研究者和工程师认可的免费教程：它以开源方式系统梳理了从零样本、少样本到思维链、ReAct、思维树等主流提示技术，并延伸覆盖 AI Agent 与上下文工程等新方向[1]。项目仓库 2022 年 12 月创建，目前累计获得约 7.7 万 GitHub Star 与八千余次 Fork，采用 MIT 许可证开放全部内容[2]。2023 年 2 月它曾登上 Hacker News 首位，2024 年 1 月官方宣布学习者突破三百万，内容已翻译成包括中文在内的十三种语言[2]。
一、这份指南的来头：一个人发起，长成行业基础设施
Prompt Engineering Guide 由 DAIR.AI 创始人 Elvis Saravia 于 2022 年 12 月创建并维护，官方给出的引用格式至今仍是「Saravia, Elvis, 2022」[2]。它的走红路径很有代表性：ChatGPT 发布后两个月内，公众对「怎么写好提示词」的需求爆发，而当时中文互联网与英文社区都缺乏一份严谨、标注论文出处的系统性资料；这份指南恰好补上了空档，发布六周后即冲上 Hacker News 榜首[2]。此后它没有停留在静态文档：先上线网页版，再陆续增加模型专区、论文追踪、数据集清单，2025 年前后又把 AI Agent、函数调用与上下文工程纳入正式章节，基本做到了与大模型技术演进同步更新[1]。
二、五步走完这条学习路线
第一步：用「Introduction」校准认知
开篇五章依次讲 LLM 设置（温度、top_p 等参数到底影响什么）、提示的基本要素（指令、上下文、输入数据、输出指示器）、设计原则和典型示例。特别值得细读的是官方反复强调的一条铁律——先明确任务目标再动笔，以及「提示工程不是玄学，是可实验验证的工程方法」。零基础读者在这里花一小时，能避开网上流传的绝大多数似是而非的口诀。
第三步：补上 Agent 与上下文工程两块新版图
2025 年后指南的重心明显向智能体倾斜：Agent 组件拆解、工作流与 Agent 的边界、面向 Agent 的上下文工程深度长文、函数调用规范，以及「Deep Agents」专题。做应用开发的读者可以把这一部分当作从「会写提示词」迈向「会设计系统」的桥梁。
第四步：把论文库、工具箱和数据集当字典查
指南维护着持续更新的论文列表、工具清单、Notebook 合集与数据集页面，另有 ChatGPT、Claude、Gemini、Llama、Mistral 等数十个模型的专项提示页。日常工作中遇到具体问题再回来检索，比从头到尾通读更高效。
第五步：需要体系化时再考虑付费课程
官方在 DAIR.AI Academy 提供入门与进阶的自学课程，并面向企业出售培训与咨询服务；免费文档本身已经完整覆盖知识主干，付费部分的增量主要是结构化辅导与项目实战，预算有限的个人学习者完全可以从纯免费路径起步[7]。
三、六大资源板块速览
技术详解
十八种提示技术逐篇拆解，每篇含原理、示例代码与适用边界，是全网引用最多的中文外双语版本之一[1]。
Prompt Hub
按分类、编码、数学、问答、摘要、对抗攻击等场景整理的可复用提示样例库，适合直接套改。
模型专区
GPT-4、Claude、Gemini、Llama、Mistral、Kimi 等模型的提示风格差异与最佳实践，跨模型迁移时必读。
风险与滥用
提示注入、提示泄露、越狱攻击与偏见事实性问题的专章，做产品安全评估时的重要参考[3]。
研究追踪
RAG 忠实度、幻觉缓解、合成数据、注意力机制等前沿发现的通俗转述，帮非科研岗读者跟上论文节奏。
配套资产
视频讲座、幻灯片、Jupyter Notebook 与数据集全部开源，教师与企业内训可直接取用[2]。
四、四类读者的用法差异
| 读者画像 | 推荐入口 | 预期收获 |
|---|---|---|
| 零基础爱好者 | Introduction 全部五节 | 建立参数、要素与设计原则的正确框架，避免被营销号口诀带偏。 |
| 应用开发者 | CoT、RAG、ReAct 加 Agent 章节 | 掌握生产环境里真正高频的三类技术，理解函数调用与上下文组织。 |
| 算法研究者 | Papers 页与研究发现板块 | 快速定位领域内关键论文脉络，跟踪评测与忠实度方向的新结论。 |
| 企业培训负责人 | 官方服务与课程页 | 直接采购成体系培训或邀请讲者，省去内部从零开发课件的成本[7]。 |
五、实用技巧清单：老手们最常强调的七条
- 指令要具体，宁可啰嗦也不要模糊；「写一段关于 X 的文字」远不如给出受众、格式与字数限制。
- 告诉模型「做什么」比只说「别做什么」更有效，正向描述的遵循率显著更高。
- 少样本示例的数量与质量都要控制：示例之间保持一致性，通常三到五个即可见效。
- 顺序敏感：把关键指令放在提示的开头或结尾，中间位置的信息最容易被忽略。
- 复杂推理任务先试思维链，让模型「一步步想」，再考虑自洽性多次采样投票。
- 迭代优于灵感：把提示当超参数调，每次只改一处并记录输出差异。
- 上线前务必测对抗输入：指南的提示注入章节提供了现成的攻击案例清单[3]。
六、常见问题
- 这份指南收费吗？内容能商用吗？
- 网站与 GitHub 仓库全部内容免费开放，采用 MIT 许可证，允许复制、修改与商业使用，只需保留版权声明[2]；只有官方学院课程与企业服务另行收费。
- 有中文版吗？翻译质量如何？
- 支持包括简体中文在内的十三种语言，中文版由社区志愿者协作翻译并持续修订，核心技术与概念部分表达准确，个别最新章节英文版会先行更新[2]。
- 零基础能直接看吗？需要会编程吗？
- 导论与技术章节不需要编程基础，任何会用聊天机器人的人都能读懂；涉及 Notebook 的实操部分懂一点 Python 更好，但跳过代码不影响理解主线。
- 内容过时了吗？还适用于 2026 年的推理模型？
- 项目保持活跃更新，近年新增了推理型 LLM、图像生成与上下文工程等专题；传统提示技巧在推理模型时代部分被内置化，但结构化表达、示例设计与防注入实践依然直接适用。
- 和市面上其他提示词课程相比优势在哪？
- 三点：所有论断都能溯源到学术论文而非个人经验；开源社区维护、更新透明可查证；多语言版本让中文读者可以直接引用原始出处。缺点是偏学术、缺少花哨的案例包装。
- 企业想批量培训员工，官方提供支持吗？
- 提供。DAIR.AI 开设了自学课程体系，并有企业定制培训、咨询与演讲服务，可以直接通过官网的服务页面联系洽谈[7]。
参考资料
- 来源：Prompt Engineering Guide 官方网站（章节结构与官方定义）https://www.promptingguide.ai/
- 来源：GitHub 开源仓库 dair-ai/Prompt-Engineering-Guide（Star 数、许可证、里程碑与引用格式）https://github.com/dair-ai/Prompt-Engineering-Guide
- 来源：官方风险专章之对抗性提示（提示注入、泄露与越狱）https://www.promptingguide.ai/risks/adversarial
- 来源：arXiv 论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》（思维链技术原始出处）https://arxiv.org/abs/2201.11903
- 来源：arXiv 论文《Tree of Thoughts: Deliberate Problem Solving with Large Language Models》https://arxiv.org/abs/2305.10601
- 来源：arXiv 论文《ReAct: Synergizing Reasoning and Acting in Language Models》https://arxiv.org/abs/2210.03629
- 来源：DAIR.AI Academy 官方课程平台（自学课程与企业服务体系）https://academy.dair.ai/