8 萬星 Prompt Engineering Guide 免費寶典:從上下文工程、RAG 到 Agent 提示詞設計全收錄
GitHub 破 8 萬星的 dair-ai/Prompt-Engineering-Guide 免費寶典!系統化整理提示詞工程、上下文工程(Context Engineering)、CoT 思維鏈、RAG 與 AI Agent 設計指南、論文解讀與實戰 Notebook。
同樣一款大型語言模型,為什麼有人問出來的回答像百科全書般精準,有人卻只得到空洞的官腔廢話?隨著模型推理能力不斷升級,決定 AI 產出品質上限的關鍵,早已從「猜一句魔法咒語」進化成系統化的「提示詞與上下文工程」。
由研究團隊 DAIR.AI 維護、在 GitHub 上狂掃超過 8 萬顆星的 dair-ai/Prompt-Engineering-Guide,是目前全球公認最權威、更新最快的免費提示詞與 AI 應用設計知識庫。
它不只是初學者的語法手冊,更收錄了大量學術論文拆解、Jupyter Notebook 實戰範例,以及從傳統 Prompt Engineering 延伸到現代 Context Engineering、RAG 與 AI Agent 的完整方法論。
延伸閱讀:Jane Street 開源 Agent Skills 實戰解析:如何用結構化技能設計提升 AI 準確率
延伸閱讀:CrewAI 多代理協作框架教學:打造分工明確的 AI Agent 團隊

從「寫一句話」到「上下文工程」:這份 8 萬星寶典教了什麼?
很多人對提示詞工程的印象還停留在「請扮演一位資深工程師」這類角色設定。然而在企業級應用與自主 Agent 場景中,單靠一句系統指令遠遠不夠。Prompt-Engineering-Guide 最大的價值,在於把零散的技巧整理成可複用的工程模組:
| 核心主題模組 | 收錄關鍵技術與方法 | 解決的實務痛點 | 適合閱讀對象 |
|---|---|---|---|
| 基礎與進階提示詞技術 | Zero-shot、Few-shot、Chain-of-Thought(CoT)、Tree of Thoughts(ToT)、ReAct | 提升複雜邏輯推理、數學計算與多步驟任務的準確率 | 所有 LLM 使用者、產品經理 |
| 上下文工程(Context Engineering) | 系統提示詞分層、動態記憶注入、Token 預算與長文本排序策略 | 避免模型在長對話或大量檢索文件中遺忘關鍵指令 | AI 應用工程師、Agent 開發者 |
| RAG 與知識整合 | 檢索增強生成架構、查詢改寫(Query Rewriting)、引用溯源控制 | 降低模型幻覺,讓回答嚴格綁定企業內部最新文件 | 企業數位轉型團隊、知識庫建置者 |
| AI Agents 與工具呼叫 | 規劃(Planning)、工具定義規範、自我反思(Self-Reflection)迴圈 | 讓模型穩定呼叫外部 API 並處理執行失敗的重試邏輯 | 自動化工作流與系統架構師 |
為什麼工程師與非技術人員都該收藏這份指南?
這份專案最特別的地方,在於它同時兼顧「學術深度」與「實作落地」。當你看到 ReAct 或 Self-Consistency 等名詞時,指南不只給你一段可複製的 Prompt 範本,還會附上原始論文連結、實驗數據對比,以及不同模型(如 GPT、Claude、Llama、Mistral)對同一套提示詞的行為差異分析。
對台灣職場的非工程師(如行銷、法務、人資或研究人員)而言,網站版的繁體/簡體中文與英文對照章節非常容易閱讀,能幫你立刻改善日常寫報告、整理會議紀錄與資料萃取的品質;而對軟體工程師來說,專案內的 notebooks/ 資料夾則提供了可以直接拿來跑評估測試的 Python 腳本。
如何快速瀏覽網頁版或在本機執行實作 Notebooks?
你不需要先安裝任何程式,就能直接透過網頁版閱讀所有指南;如果想深入測試裡面的程式碼與自動化評估範例,則可透過以下指令將儲存庫拉回本機:
# 1. 下載 Prompt-Engineering-Guide 完整儲存庫
git clone https://github.com/dair-ai/Prompt-Engineering-Guide.git
cd Prompt-Engineering-Guide
# 2. 查看收錄的實戰 Jupyter Notebooks
ls notebooks/
# 3. 若要執行特定 Notebook,先建立虛擬環境並安裝常用依賴
python -m venv .venv
source .venv/bin/activate
pip install openai jupyter
jupyter notebook
建議閱讀順序是先看網頁版(promptingguide.ai)的 Techniques(技術總覽) 與 Applications(應用場景),接著再進到 Agents 與 Context Engineering 章節,最後針對自己手邊正在開發的專案,挑選對應的 Notebook 進行測試與參數微調。
常見問題(FAQ)
Q1:現在新一代推理模型已經很聰明了,還需要學 Prompt Engineering 嗎?
需要,而且重點已經轉移。雖然簡單問答不再需要過度雕琢字句,但在軟體開發、自動化 Agent 與資料萃取等嚴格要求「輸出格式一致、邊界條件明確、降低幻覺率」的場景中,結構化提示詞與上下文工程(Context Engineering)反而是決定系統能否穩定上線的核心工程能力。
Q2:Prompt-Engineering-Guide 有提供中文版本嗎?
有的。DAIR.AI 的官方文件網站支援多國語言切換,包含中文翻譯版本。不過由於最新論文與 Context Engineering 等前沿章節通常會先以英文更新,建議遇到新主題時優先閱讀英文原版以獲得最即時的內容。
Q3:這份指南跟一般網路上的「1000 個 ChatGPT 咒語大全」有什麼不同?
網路上的咒語大全多半是單純的文字範本,換個模型版本就可能失效;Prompt-Engineering-Guide 則是由研究團隊持續維護,每一種技術都有背後的論文依據、適用限制與失敗案例拆解,能幫你真正理解「為什麼這樣寫有效」。
結語:把提示詞當成軟體工程的一環來管理
當 AI 逐漸成為軟體系統與日常工作的核心元件,隨手複製幾句網路上的萬用提示詞已經無法滿足實務需求。透過 dair-ai/Prompt-Engineering-Guide 建立系統化的提示詞與上下文設計思維,無論模型未來怎麼改朝換代,你都能更快駕馭它的能力邊界。
歡迎免費訂閱 AI 郵報,每週追蹤更多免費開源 AI 課程與萬星實戰專案懶人包。