想讓 AI 幫你自動搞定任務(wù)，離不開要在聊天框內(nèi)用提示詞對它發(fā)號施令。

但找到合適的提示詞并不容易，這需要設(shè)計、優(yōu)化和評估，不僅耗時，還需要自己學(xué)習(xí)技巧。

有時候，你可能感覺這和調(diào)參有著異曲同工之妙，怎么都是玄學(xué)？

嘗試了不同的措辭、語氣，甚至還和模型玩上了角色扮演。但實際上，就像一千個人眼中有一千個哈姆雷特一樣，對于完全相同的提示詞，模型也會給出不同的回答。因此，我們難以確定哪些方法真正奏效。

今天，開源社區(qū) DiamantAI 的主理人 Nir Diamant 發(fā)布了一套提示詞工程技術(shù)庫，系統(tǒng)性地教我們?nèi)绾翁岣吆?AI 的溝通技巧，更好發(fā)揮 AI 的潛能。

才上線幾個小時，它就在 GitHub 上拿到了 200 多顆 star，并且還在以這個速度不斷攀升。

無論是像谷歌、微軟這樣的科技巨頭，還是吳恩達(dá)等資深專家，以及眾多行業(yè)大咖都推出過專業(yè)的提示詞課程。更不用提，通過「魔法打敗魔法」，用 AI 自動生成提示詞的方法也是一抓一大把，比如這篇文章《還在人工煉丹？自動提示工程指南來了，還帶從頭實現(xiàn)》。

那么，為什么這個提示詞課程還能脫穎而出，收到如此多的關(guān)注呢？

答案可能就在作者 Nir Diamant 自己寫下的推薦語中：「所有與提示詞工程相關(guān)的內(nèi)容，你都能在這里找到！」

從教程的體量上，就已經(jīng)能感受到它有多全面了。它總共分 7 大部分，22 個章節(jié)，由易到難逐步進(jìn)階，條理分明，從基礎(chǔ)概念入門，到最近流行的思維鏈提示詞，鼓勵 AI 模型將復(fù)雜問題分解為逐步推理過程。每節(jié)課都附有詳細(xì)的代碼。

我們可以看到，教程從最基礎(chǔ)的環(huán)境設(shè)置入手，如 OpenAI API 和 LangChain 庫，逐步引導(dǎo)你從零樣本提示開始，深入學(xué)習(xí)如何實現(xiàn)基礎(chǔ)和高級的少樣本學(xué)習(xí)，以及如何可重復(fù)使用，大大提升效率的結(jié)構(gòu)化提示。

在整個學(xué)習(xí)的過程中，教程還會教你如何根據(jù)模型的響應(yīng)進(jìn)行迭代優(yōu)化，不斷提升提示效果。

在具體課程中，Nir Diamant 設(shè)計了各種案例，讓你直觀感受一下，提高自己的溝通技巧，對提升 AI 模型對事實的準(zhǔn)確性有什么效果，即使是提示結(jié)構(gòu)和措辭的微小調(diào)整，也能幫助 AI 更好地吃透你的需求。

有時，精心設(shè)計的提示詞可能包含過多條件，導(dǎo)致提示過長，反而增加了模型理解的難度。課程還講解了如何在提示詞的細(xì)節(jié)和簡潔性之間找到平衡。

和其他泛泛講述提示詞工程對等方面有什么應(yīng)用的課程不同，學(xué)到后期，你就可以上手設(shè)計跨多語言工作、防止提示詞注入并在提示詞中實施內(nèi)容過濾等等高級應(yīng)用了。

• GitHub 鏈接：https://github.com/NirDiamant/Prompt_Engineering

課程概覽

基礎(chǔ)概念

1. Introduction to Prompt Engineering，提示詞工程入門：在 AI 和語言模型語境中全面介紹提示詞工程的基礎(chǔ)概念，其中包含理論解釋和實際演示，覆蓋了基礎(chǔ)概念、結(jié)構(gòu)化提示詞、比較分析和解決問題的應(yīng)用。

2. Basic Prompt Structures，基礎(chǔ)提示詞結(jié)構(gòu)：其中探索了兩種基本類型的提示詞結(jié)構(gòu)，包括單輪提示詞和多輪提示詞（對話）。其實現(xiàn)使用了 OpenAI 的 GPT 模型和 LangChain，演示了單輪和多輪提示詞、提示詞模板和對話鏈。

3. Prompt Templates and Variables，提示詞模板和變量：介紹了如何使用變量來創(chuàng)建和使用提示詞模板，重點(diǎn)是 Python 和 Jinja2 模板引擎。實現(xiàn)上，其中涉及模板創(chuàng)建、變量插入、基于條件的內(nèi)容、列表處理、整合 OpenAI API。

核心技術(shù)

1. Zero-Shot Prompting，零樣本提示：探索了零樣本提示，讓語言模型可以在沒有具體示例或先驗訓(xùn)練時也能執(zhí)行任務(wù)。具體實現(xiàn)上，其中演示了直接任務(wù)規(guī)范設(shè)定、基于角色的提示詞、格式規(guī)范設(shè)定和多步驟推理，使用的工具是 OpenAI 的 GPT 模型和 LangChain。

2. Few-Shot Learning and In-Context Learning，少樣本學(xué)習(xí)和上下文學(xué)習(xí)：使用 OpenAI 的 GPT 模型和 LangChain 庫介紹少樣本學(xué)習(xí)和上下文學(xué)習(xí)技術(shù)。其實現(xiàn)包括基礎(chǔ)和高級的少樣本學(xué)習(xí)、上下文學(xué)習(xí)，還有示例選取方法和評估的最佳實踐。

3. Chain of Thought (CoT) Prompting，思維鏈提示：介紹思維鏈提示技術(shù)，引導(dǎo) AI 模型將復(fù)雜問題分解為逐步推理過程。其實現(xiàn)涵蓋基礎(chǔ)和高級思維鏈技術(shù)，解決各種問題的應(yīng)用場景，并還比較了標(biāo)準(zhǔn)提示詞技術(shù)。

進(jìn)階策略

1. Self-Consistency and Multiple Paths of Reasoning，自我一致性和多路徑推理：探索生成多樣化推理路徑并聚合結(jié)果以改進(jìn) AI 生成的答案的技術(shù)。其實現(xiàn)包括設(shè)計多樣化推理提示、生成多個響應(yīng)、實現(xiàn)聚合方法和應(yīng)用自我一致性檢查。

2. Constrained and Guided Generation，有約束和引導(dǎo)的生成：專注于設(shè)置模型輸出約束和實現(xiàn)基于規(guī)則的生成技術(shù)。使用 LangChain 的 PromptTemplate 進(jìn)行結(jié)構(gòu)化提示，實現(xiàn)約束條件，探索基于規(guī)則的生成技術(shù)。

3. Role Prompting，角色提示：探索為 AI 模型分配特定角色并制定有效的角色描述。展示如何創(chuàng)建基于角色的提示，為 AI 模型分配角色，并針對各種場景優(yōu)化角色描述。

高級實現(xiàn)

1. Task Decomposition in Prompts，提示詞中的任務(wù)分解：探索復(fù)雜任務(wù)分解技術(shù)和提示詞中的鏈?zhǔn)阶尤蝿?wù)。涵蓋問題分析、子任務(wù)定義、定向提示詞工程、按順序執(zhí)行和結(jié)果綜合。

2. Prompt Chaining and Sequencing，提示鏈和序列處理：演示如何連接多個提示詞并為復(fù)雜的 AI 驅(qū)動的任務(wù)構(gòu)建邏輯流程。其實現(xiàn)中探索了基本的提示鏈、序列提示、動態(tài)提示詞生成和提示鏈中的錯誤處理。

3. Instruction Engineering，指令工程：專注于為語言模型制定清晰有效的指令，平衡專用性和通用性。其實現(xiàn)中涵蓋創(chuàng)建和優(yōu)化指令、實驗不同結(jié)構(gòu)，并基于模型響應(yīng)實施迭代改進(jìn)。

優(yōu)化和改進(jìn)

1. Prompt Optimization Techniques，提示詞優(yōu)化技術(shù)：探索提示詞優(yōu)化的高級技術(shù)，重點(diǎn)是 A/B 測試和迭代改進(jìn)。在其實現(xiàn)中，演示了提示詞的 A/B 測試、迭代改進(jìn)過程，以及使用相關(guān)指標(biāo)進(jìn)行性能評估。

2. Handling Ambiguity and Improving Clarity，處理歧義和提高清晰度：專注于識別和解決模糊提示，以及編寫更清晰提示的技術(shù)。在其實現(xiàn)中，涵蓋分析模糊提示、實現(xiàn)消除歧義的策略，探索了編寫更清晰提示的技術(shù)。

3. Prompt Length and Complexity Management，提示詞長度和復(fù)雜度管理：其中探索了使用大型語言模型時管理提示詞長度和復(fù)雜度的技術(shù)。在其實現(xiàn)中，演示了平衡細(xì)節(jié)和簡潔性的技術(shù)，以及處理長上下文的策略，包括分塊、匯總和迭代處理。

專業(yè)化應(yīng)用

1. Negative Prompting and Avoiding Undesired Outputs，負(fù)面提示和避免不期望的輸出：探索負(fù)面提示和避免大型語言模型產(chǎn)生不期望輸出的技術(shù)。在其實現(xiàn)中，涵蓋基本負(fù)面示例、明確排除、使用 LangChain 實現(xiàn)約束，以及評估和改進(jìn)負(fù)面提示詞的方法。

2. Prompt Formatting and Structure，提示詞格式化和結(jié)構(gòu)：探索各種提示詞格式和結(jié)構(gòu)元素，展示它們對 AI 模型響應(yīng)的影響。在其實現(xiàn)中，演示了創(chuàng)建各種提示詞格式、整合結(jié)構(gòu)元素，并比較了不同提示詞結(jié)構(gòu)的響應(yīng)。

3. Prompts for Specific Tasks，用于特定任務(wù)的提示詞：探索為特定任務(wù)創(chuàng)建和使用提示詞：文本摘要、問答、代碼生成和創(chuàng)意寫作。在其實現(xiàn)中，涵蓋了設(shè)計任務(wù)特定的提示詞模板，這些模板使用 LangChain 實現(xiàn)，可執(zhí)行示例輸入，并分析每種任務(wù)類型的輸出。

高級應(yīng)用

1. Multilingual and Cross-lingual Prompting，多語言和跨語言提示：探索設(shè)計在多種語言中有效工作的提示詞和語言翻譯任務(wù)的技術(shù)。在其實現(xiàn)中，涵蓋創(chuàng)建多語言提示詞、實現(xiàn)語言檢測和適配、設(shè)計跨語言翻譯提示詞，以及處理各種書寫系統(tǒng)和腳本。

2. Ethical Considerations in Prompt Engineering，提示詞工程中的倫理考慮：探索提示詞工程的倫理維度，重點(diǎn)是避免偏見并創(chuàng)建包容和公平的提示詞。在其實現(xiàn)中，涵蓋識別提示詞中的偏見、實施創(chuàng)建包容性提示詞的策略，以及評估和改進(jìn) AI 輸出倫理質(zhì)量的方法。

3. Prompt Security and Safety，提示詞安全性：專注于防止提示詞注入和在提示詞中實現(xiàn)內(nèi)容過濾，以確保 AI 應(yīng)用程序的安全性。其實現(xiàn)中涵蓋了提示詞注入預(yù)防技術(shù)、內(nèi)容過濾實現(xiàn)，以及測試安全措施的有效性。

4. Evaluating Prompt Effectiveness，評估提示詞效果：探索評估 AI 語言模型中提示詞效果的方法和技術(shù)。在其實現(xiàn)中，涵蓋設(shè)置評估指標(biāo)、實施手動和自動評估技術(shù)，并使用 OpenAI 和 LangChain 提供了實踐示例。

如果你也正需要一個這樣的提示詞工程「百科全書」，那就趕緊：

1. 克隆這個庫：

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

2. 找到你感興趣的技術(shù)：

cd all_prompt_engineering_techniques

3. 跟隨每個技術(shù)筆記本中的詳細(xì)實現(xiàn)指南。

當(dāng)然，你也可以為這個項目添磚加瓦，做出自己的貢獻(xiàn)。