4. Evaluating Prompt Effectiveness，评估提示词效果◆◆■★■★：探索评估 AI 语言模型中提示词效果的方法和技术。在其实现中★★★★，涵盖设置评估指标、实施手动和自动评估技术■◆◆★■，并使用 OpenAI 和 LangChain 提供了实践示例◆■■。
1. Multilingual and Cross-lingual Prompting★◆■★★，多语言和跨语言提示：探索设计在多种语言中有效工作的提示词和语言翻译任务的技术。在其实现中，涵盖创建多语言提示词、实现语言检测和适配、设计跨语言翻译提示词，以及处理各种书写系统和脚本◆★■◆■。
1. Negative Prompting and Avoiding Undesired Outputs■★★◆◆，负面提示和避免不期望的输出：探索负面提示和避免大型语言模型产生不期望输出的技术★◆■■■。在其实现中，涵盖基本负面示例◆■◆★★■、明确排除★★★★、使用 LangChain 实现约束■■■◆◆★，以及评估和改进负面提示词的方法■★■。
我们可以看到■◆，教程从最基础的环境设置入手，如 OpenAI API 和 LangChain 库★■◆★■■，逐步引导你从零样本提示开始，深入学习如何实现基础和高级的少样本学习，以及如何可重复使用，大大提升效率的结构化提示。
3◆■★◆. Chain of Thought (CoT) Prompting，思维链提示：介绍思维链提示技术■★◆，引导 AI 模型将复杂问题分解为逐步推理过程。其实现涵盖基础和高级思维链技术，解决各种问题的应用场景，并还比较了标准提示词技术。
1. Prompt Optimization Techniques，提示词优化技术◆■■◆：探索提示词优化的高级技术，重点是 A/B 测试和迭代改进◆◆◆★。在其实现中，演示了提示词的 A/B 测试、迭代改进过程，以及使用相关指标进行性能评估◆★■■★。
3. Prompts for Specific Tasks■★★■■，用于特定任务的提示词：探索为特定任务创建和使用提示词：文本摘要★■◆、问答、代码生成和创意写作◆◆★。在其实现中，涵盖了设计任务特定的提示词模板◆◆★★■◆，这些模板使用 LangChain 实现，可执行示例输入，并分析每种任务类型的输出。
3. Instruction Engineering◆◆◆★■■，指令工程◆◆★：专注于为语言模型制定清晰有效的指令，平衡专用性和通用性。其实现中涵盖创建和优化指令★■★◆◆■、实验不同结构，并基于模型响应实施迭代改进。
1■■. Task Decomposition in Prompts，提示词中的任务分解★■★★■◆：探索复杂任务分解技术和提示词中的链式子任务。涵盖问题分析■■◆■◆■、子任务定义■◆■◆■、定向提示词工程、按顺序执行和结果综合★◆■★◆。
2★★■■★. Handling Ambiguity and Improving Clarity，处理歧义和提高清晰度■■★★◆：专注于识别和解决模糊提示，以及编写更清晰提示的技术。在其实现中，涵盖分析模糊提示、实现消除歧义的策略，探索了编写更清晰提示的技术。
从教程的体量上，就已经能感受到它有多全面了。它总共分 7 大部分，22 个章节◆◆■，由易到难逐步进阶，条理分明★■★◆◆，从基础概念入门，到最近流行的思维链提示词■■■■◆，鼓励 AI 模型将复杂问题分解为逐步推理过程。每节课都附有详细的代码★■■★。
在具体课程中，Nir Diamant 设计了各种案例■★■，让你直观感受一下，提高自己的沟通技巧★◆■■，对提升 AI 模型对事实的准确性有什么效果，即使是提示结构和措辞的微小调整，也能帮助 AI 更好地吃透你的需求■◆★。
在整个学习的过程中，教程还会教你如何根据模型的响应进行迭代优化，不断提升提示效果。
2. Few-Shot Learning and In-Context Learning◆★◆，少样本学习和上下文学习：使用 OpenAI 的 GPT 模型和 LangChain 库介绍少样本学习和上下文学习技术。其实现包括基础和高级的少样本学习★◆■★★◆、上下文学习，还有示例选取方法和评估的最佳实践。
3. Prompt Length and Complexity Management■■◆■◆◆，提示词长度和复杂度管理：其中探索了使用大型语言模型时管理提示词长度和复杂度的技术。在其实现中◆★■◆，演示了平衡细节和简洁性的技术，以及处理长上下文的策略，包括分块■◆■★★、汇总和迭代处理★■★。
才上线几个小时，它就在 GitHub 上拿到了 200 多颗 star，并且还在以这个速度不断攀升■◆■■★★。
尝试了不同的措辞、语气◆■■，甚至还和模型玩上了角色扮演■◆★★◆◆。但实际上，就像一千个人眼中有一千个哈姆雷特一样，对于完全相同的提示词，模型也会给出不同的回答。因此■◆，我们难以确定哪些方法真正奏效★■■◆★■。
2. Basic Prompt Structures★◆★★，基础提示词结构：其中探索了两种基本类型的提示词结构，包括单轮提示词和多轮提示词（对话）。其实现使用了 OpenAI 的 GPT 模型和 LangChain，演示了单轮和多轮提示词★■■◆◆、提示词模板和对线. Prompt Templates and Variables■◆★◆★，提示词模板和变量：介绍了如何使用变量来创建和使用提示词模板，重点是 Python 和 Jinja2 模板引擎。实现上，其中涉及模板创建、变量插入、基于条件的内容、列表处理、整合 OpenAI API。
2. Prompt Formatting and Structure，提示词格式化和结构★★■：探索各种提示词格式和结构元素★◆■◆，展示它们对 AI 模型响应的影响★■★★。在其实现中，演示了创建各种提示词格式◆★■★、整合结构元素■■◆■◆，并比较了不同提示词结构的响应◆■■。
今天，开源社区 DiamantAI 的主理人 Nir Diamant 发布了一套提示词工程技术库，系统性地教我们如何提高和 AI 的沟通技巧，更好发挥 AI 的潜能。
3. Prompt Security and Safety★■◆■★■，提示词安全性：专注于防止提示词注入和在提示词中实现内容过滤，以确保 AI 应用程序的安全性。其实现中涵盖了提示词注入预防技术■■、内容过滤实现，以及测试安全措施的有效性。
2. Constrained and Guided Generation，有约束和引导的生成：专注于设置模型输出约束和实现基于规则的生成技术。使用 LangChain 的 PromptTemplate 进行结构化提示，实现约束条件★■■，探索基于规则的生成技术。
但找到合适的提示词并不容易◆■，这需要设计、优化和评估，不仅耗时★■★■◆■，还需要自己学习技巧。
2★■★★■. Ethical Considerations in Prompt Engineering，提示词工程中的伦理考虑：探索提示词工程的伦理维度，重点是避免偏见并创建包容和公平的提示词■◆。在其实现中■■，涵盖识别提示词中的偏见◆◆■★、实施创建包容性提示词的策略，以及评估和改进 AI 输出伦理质量的方法。
答案可能就在作者 Nir Diamant 自己写下的推荐语中■★：「所有与提示词工程相关的内容，你都能在这里找到！」
有时，精心设计的提示词可能包含过多条件，导致提示过长，反而增加了模型理解的难度。课程还讲解了如何在提示词的细节和简洁性之间找到平衡。
无论是像谷歌、微软这样的科技巨头，还是吴恩达等资深专家★◆◆，以及众多行业大咖都推出过专业的提示词课程■◆★◆。更不用提■★★◆★★，通过「魔法打败魔法」，用 AI 自动生成提示词的方法也是一抓一大把，比如这篇文章《》■★。
1. Introduction to Prompt Engineering，提示词工程入门：在 AI 和语言模型语境中全面介绍提示词工程的基础概念，其中包含理论解释和实际演示，覆盖了基础概念★◆、结构化提示词、比较分析和解决问题的应用◆■。
2. Prompt Chaining and Sequencing，提示链和序列处理■★：演示如何连接多个提示词并为复杂的 AI 驱动的任务构建逻辑流程。其实现中探索了基本的提示链、序列提示■◆◆★★、动态提示词生成和提示链中的错误处理。
1◆★. Self-Consistency and Multiple Paths of Reasoning，自我一致性和多路径推理■★★◆■◆：探索生成多样化推理路径并聚合结果以改进 AI 生成的答案的技术◆◆■★★★。其实现包括设计多样化推理提示◆■◆◆、生成多个响应、实现聚合方法和应用自我一致性检查◆■。
和其他泛泛讲述提示词工程对等方面有什么应用的课程不同，学到后期，你就可以上手设计跨多语言工作、防止提示词注入并在提示词中实施内容过滤等等高级应用了◆■★。
3. Role Prompting，角色提示：探索为 AI 模型分配特定角色并制定有效的角色描述◆■。展示如何创建基于角色的提示◆◆◆★■■，为 AI 模型分配角色◆■★★■，并针对各种场景优化角色描述。
1★◆★★. Zero-Shot Prompting，零样本提示：探索了零样本提示，让语言模型可以在没有具体示例或先验训练时也能执行任务。具体实现上◆★，其中演示了直接任务规范设定、基于角色的提示词、格式规范设定和多步骤推理，使用的工具是 OpenAI 的 GPT 模型和 LangChain★◆■■◆。