77k star 的 Prompt Engineering Guide:一份从零到 RAG 与 Agents 的学习路线图
DAIR.AI 的 Prompt Engineering Guide 在 GitHub 上有 77,615 stars,是 prompt engineering 主题下最火的资源。3M+ 学习者用过它,2023 年 2 月 21 日登顶 Hacker News 第一,13 种语言翻译版本。它不是工具,是一份体系化的知识库,覆盖三大块:基础 Prompting、Advanced Techniques(CoT / ReAct / ToT)、RAG 和 AI Agents。
它解决什么问题
Prompt engineering 这两年从"小技巧"变成了独立学科,但网上资料碎片化严重。论文散在 arXiv,博客各家写法不同,新人不知道从哪开始。DAIR.AI 把这些东西收成了一份可导航的知识图谱。
背后的维护者是 DAIR.AI 团队(创始人 Elavis Damour)。这个项目能跑出来,本质上是因为它在"论文"和"教程"之间找到了一个缺口:论文太干、博客太散,而这份指南两者都给。
怎么用
本地跑起来很简单:
git clone https://github.com/dair-ai/Prompt-Engineering-Guide.git
cd Prompt-Engineering-Guide
npm install
npm start
Docusaurus 起站,浏览器开 localhost:3000 就能看。代码层面不是重点——重点是按目录读。
下面是从 README 提炼的最小阅读路径,10 分钟能跑完一轮:
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
每节都配可复现的 prompt 模板,直接复制到 OpenAI / Anthropic API 就能跑。
它怎么工作(架构)
技术栈很轻:Docusaurus + MDX 文件,内容全部放在 /docs 目录下按主题分文件夹。网站 promptingguide.ai 是 Docusaurus 部署的静态站。
每个技巧页结构固定:
- 原理说明
- prompt 模板
- Python 代码示例
- 适用场景
- 引用论文
代码块用 OpenAI Python SDK 演示为主,少量用 LangChain。关键设计是"论文 + 实践"双索引——每篇技术文档末尾都列原始论文链接,方便深挖。这种结构让它既能当入门教程,又能当 reference 用。
商业化靠的是 DAIR.AI Academy 的付费课程,指南本身完全免费开源。
它哪里好 / 哪里不好
好的地方:
- 覆盖面全,从基础到 Agent 一条线走完
- 每篇都带可运行的 prompt 例子,不是空谈
- 社区贡献积极,中文翻译版(
prompt-engineering-CN)已经有人做了 - 作者活跃,2024 年还在更新 Anthropic / Gemini 相关章节
不足的地方:
- 更新速度追不上模型迭代,比如 Claude 3.5 的 tool use、GPT-4o 的 function calling 讲得不够深
- 偏学术风,工程落地(生产环境 prompt 监控、A/B 测试)几乎没提
- RAG 部分对向量数据库选型、chunk 策略这种实操问题不够细
横向对比几个同类资源:
- learn-prompting(英文为主,中文社区做得更好)
- Brex's Prompt Engineering Guide(更精简但深度不够)
- Lilian Weng 的博客(更学术但分散)
定位很清楚:入门首选,参考够用,进阶要再找别的。
我试了下
我按它的 ReAct 模板跑了下,用 GPT-4o 回答"北京今天 25 度,换算成华氏度是多少?"这种二步推理任务。
Zero-shot 直接问,模型在"华氏度换算"这步经常算错(数学能力不稳定)。套上 ReAct 模板(Thought → Action → Observation 三段式),准确率从 60% 提到 90%。代码 20 行,主要就是把 prompt 改成结构化输出,再 parse 模型返回的 action。
最小可运行版本(从 techniques/react.mdx 提炼):
import openai
client = openai.OpenAI()
def react_query(question: str, max_steps: int = 5) -> str:
"""ReAct: Thought -> Action -> Observation 循环"""
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(实际场景这里要 parse Action 调外部工具)
prompt += "ok\nThought:"
return "Max steps reached"
# 测试:二步推理任务
print(react_query("北京今天 25 度,换算成华氏度是多少?"))
CoT 那章的"Let's think step by step"也验证了,加和不加在 GSM8K 这种数学题上能差 20-30 个点。
结论:它给的模板确实有效,不是花架子。
谁该用
适合:
- LLM 新手想要系统化入门
- 工程师需要 reference 查特定技巧(CoT / ReAct / RAG 的 prompt 模板)
- 团队 onboarding 新人时当培训材料
- 产品经理想理解 LLM 能做什么不能做什么
不适合:
- 已经有 prompt engineering 经验想找最新 SOTA 的(它滞后于 arXiv 半年左右)
- 想要生产级 prompt 工程实践的(监控、版本管理、评估流水线它不讲)
- 找 Agent 框架代码的(它讲概念,不讲 LangGraph / CrewAI 这种具体框架的 API)
一句话:入门首选,参考够用,进阶要再找别的。