Prompt Engineering Guide 由 DAIR.AI 維護,在 GitHub 上累積了 77,615 stars,是 prompt engineering 領域最熱門的學習資源。使用者超過 3M+,2023 年 2 月 21 日曾登上 Hacker News 榜首,並提供 13 種語言的翻譯版本。它本身不是工具,而是一份系統化的知識庫,涵蓋三大主軸:基礎 Prompting、進階技巧(CoT / ReAct / ToT)、RAG 以及 AI Agents。
它解決了什麼問題
Prompt engineering 這兩年從「小撇步」演變成獨立學科,但網路上的資料碎片化嚴重。論文散落在 arXiv,各家部落格寫法不一,新手完全不知道該從哪裡開始。DAIR.AI 把這些內容整理成一份可導覽的知識圖譜。
背後的維護者是 DAIR.AI 團隊(創辦人 Elavis Damour)。這個專案能跑出來,本質上是因為它在「論文」和「教學」之間找到了一個缺口:論文太乾、部落格太散,而這份指南兩者兼具。
怎麼使用
本地啟動很簡單:
git clone https://github.com/dair-ai/Prompt-Engineering-Guide.git
cd Prompt-Engineering-Guide
npm install
npm start
Docusaurus 啟動後,瀏覽器打開 localhost:3000 就能閱讀。程式碼本身不是重點——重點是照著目錄依序讀下去。
以下是從 README 整理出的最短閱讀路徑,10 分鐘內可跑完一輪:
introduction/basics.mdx— Zero-shot / Few-shottechniques/cot.mdx— Chain-of-Thoughttechniques/react.mdx— ReAct 框架techniques/rag.mdx— RAG 全流程agents/introduction.mdx— Agent 概念
每個章節都附上可重現的 prompt 模板,直接複製貼到 OpenAI / Anthropic API 就能執行。
它的運作方式(架構)
技術堆疊相當輕量:Docusaurus + MDX 檔案,所有內容放在 /docs 目錄下依主題分資料夾。網站 promptingguide.ai 是 Docusaurus 部署出來的靜態網站。
每個技巧頁的結構是固定的:
- 原理說明
- prompt 模板
- Python 程式碼範例
- 適用情境
- 引用論文
程式碼區塊以 OpenAI Python SDK 示範為主,少部分使用 LangChain。關鍵設計在於「論文+實務」雙索引——每篇技術文件結尾都列出原始論文連結,方便深入研究。這種結構讓它既能當作入門教材,也能當作 reference 使用。
商業化主要仰賴 DAIR.AI Academy 的付費課程,指南本身則是完全免費的開源專案。
優點與不足
優點:
- 涵蓋面完整,從基礎到 Agent 一條龍學完
- 每篇都附上可執行的 prompt 範例,不是空談
- 社群參與積極,已有中文翻譯版(
prompt-engineering-CN) - 作者活躍,2024 年仍持續更新 Anthropic / Gemini 相關章節
不足:
- 更新速度追不上模型迭代,像 Claude 3.5 的 tool use、GPT-4o 的 function calling 講得不夠深
- 偏學術風格,工程落地(生產環境的 prompt 監控、A/B 測試)幾乎沒提到
- RAG 章節對向量資料庫選型、chunk 策略等實務問題著墨不夠細
橫向比較幾個同類資源:
- learn-prompting(英文為主,中文社群經營較好)
- Brex's Prompt Engineering Guide(更精簡但深度不足)
- Lilian Weng 的部落格(更學術但較為分散)
定位很清楚:入門首選,參考查閱足夠,進階則需要再找其他資源。
實測心得
我照著它的 ReAct 模板跑了一次,用 GPT-4o 回答「北京今天 25 度,換成華氏度是多少?」這類二步推理題。
用 Zero-shot 直接問,模型在「華氏度換算」這一步常常算錯(數學能力不穩定)。套上 ReAct 模板(Thought → Action → Observation 三段式)後,正確率從 60% 提升到 90%。程式碼約 20 行,主要就是把 prompt 改為結構化輸出,再 parse 模型回傳的 action。
最小可執行版本(從 techniques/react.mdx 提煉):
import openai
client = openai.OpenAI()
def react_query(question: str, max_steps: int = 5) -> str:
"""ReAct: Thought -> Action -> Observation 迴圈"""
prompt = f"""Answer the following question using ReAct format.
Question: {question}
Thought:"""
for _ in range(max_steps):
response = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
stop=["\nObservation:"],
).choices[0].message.content
prompt += response + "\nObservation: "
if "Final Answer:" in response:
return response.split("Final Answer:")[1].strip()
# Mock observation(實際情境這裡要 parse Action 來呼叫外部工具)
prompt += "ok\nThought:"
return "Max steps reached"
# 測試:二步推理任務
print(react_query("北京今天 25 度,換算成華氏度是多少?"))
CoT 章節提到的「Let's think step by step」也實測過,加與不加在 GSM8K 這類數學題上能差 20–30 個百分點。
結論:它給的模板確實有效,不是花架子。
適用對象
適合:
- LLM 新手想要系統化入門
- 工程師需要 reference 查詢特定模板(CoT / ReAct / RAG 的 prompt 範例)
- 團隊 onboarding 新人時當作訓練教材
- 產品經理想理解 LLM 能做與不能做的事
不適合:
- 已有 prompt engineering 經驗,想找最新 SOTA 的人(內容大約落後 arXiv 半年)
- 需要生產級 prompt 工程實務的人(監控、版本管理、評估 pipeline 它都不談)
- 想找 Agent 框架程式碼的人(它講概念,不講 LangGraph / CrewAI 等具體框架的 API)
一句話總結:入門首選,參考堪用,進階得另尋出路。