Week 1 导读：提示工程（Prompt Engineering）
March 15, 2026 · View on GitHub
Week 1 导读：提示工程（Prompt Engineering）
这周学什么：学习 6 种与 AI 对话的方法，每种方法解决不同类型的问题。
核心概念——用生活场景来理解
少样本提示（Few-shot Prompting）
就像教新员工做事——你不是讲一堆理论，而是直接给几个例子："这种邮件这样回，那种邮件那样回"。AI 也一样，给它几个输入-输出的例子，它就能推断出规律。
比如你想让 AI 把口语化的句子改写成正式表达，与其解释一堆"正式文体的特征"，不如直接给三个例子。AI 看了之后，自然就懂你要什么风格了。
思维链（Chain-of-Thought, CoT）
类似让人"把解题过程写出来"。不只要答案，还要推理步骤。数学老师说的"写过程"就是这个道理。
为什么有用？因为当 AI 被要求一步一步思考时，它犯的错误会明显减少——就像你做数学题，心算容易出错，但在草稿纸上一步步写出来就准确多了。
工具调用（Tool Calling）
AI 自己算数不靠谱，但它可以"打电话"叫计算器来帮忙。Tool Calling 就是让 AI 知道有哪些外部工具可以用，并在需要时自动调用。
这个概念非常重要。AI 不是无所不能的，但它可以很聪明地判断"这件事我自己做不好，应该调用某个工具来完成"。就像一个优秀的项目经理——他不需要自己写代码、做设计、搞运维，但他知道什么时候该找谁来做什么。
自一致性（Self-Consistency）
同一个问题问 AI 多次，取大多数一致的答案。就像问路时多问几个人，大部分人指的方向更可靠。
这个方法特别适合那些有明确正确答案但 AI 可能"算错"的场景。多跑几次，做个"投票"，准确率就上去了。代价是需要多花一些 API 调用的费用和时间。
RAG（检索增强生成, Retrieval-Augmented Generation）
AI 的知识有截止日期，RAG 就像给它配了一个实时更新的参考资料库。先检索相关信息，再基于这些信息回答。
举个例子：你问 AI "我们公司上周的销售数据是多少"，它当然不知道。但如果你先从数据库里把相关数据检索出来，塞进提示里，AI 就能基于这些数据给你一个有用的分析。这就是 RAG 的核心思路——先"取"后"答"。
反思（Reflexion）
让 AI 检查自己的答案并改进。类似写完文章后的自我校对——先写一遍，再回头看哪里有问题，修改后再提交。
这是一个很朴素但有效的技巧。AI 第一次给的答案未必是最好的，但如果你让它回头审视自己的回答，它往往能发现问题并给出更好的版本。在 Agentic Coding 中，这个机制会被大量使用。
术语速查
| 术语 | 简短定义 |
|---|---|
| Prompt（提示） | 你给 AI 的输入文本，包括指令、上下文和问题 |
| Few-shot | 在提示中提供少量示例来引导 AI 的输出格式和风格 |
| Zero-shot | 不给示例，直接提问 |
| Chain-of-Thought (CoT) | 引导 AI 逐步推理而非直接给出答案 |
| Tool Calling | AI 判断需要外部工具并自动调用的能力 |
| Self-Consistency | 多次采样同一问题，取一致性最高的答案 |
| RAG | 检索外部信息并注入提示中，让 AI 基于最新/专有信息回答 |
| Reflexion | AI 审视自己的输出并迭代改进 |
| Temperature（温度） | 控制 AI 回答随机性的参数，越高越随机 |
| Token（令牌） | AI 处理文本的基本单位，大约 3/4 个英文单词为一个 token |
与主题线的连接
为什么从提示工程开始？因为 Agentic Coding 的核心就是与 AI 有效沟通。不管你未来用什么工具——Cursor、Claude Code、Warp——底层都是在写"提示"。掌握了这些技术，你就掌握了与 AI 协作的基本语言。
你会发现，后面每一周的内容都建立在这些基础之上：Week 2 用这些技术让 AI 帮你写代码，Week 3 的 MCP 本质上是 Tool Calling 的标准化扩展，Week 4 的 Agent 就是把 CoT + Tool Calling + Reflexion 组合在一起形成的自主循环。
任务导读
assignment.md 中包含 6 个实践任务，每个对应一种提示技术。下面是每个任务的简要说明和提示。
任务 1 — Few-shot Prompting: 你需要设计一个包含示例的提示，让 AI 完成特定的文本转换任务。提示：想想什么任务用"给例子"比"写说明"更高效。
任务 2 — Chain-of-Thought: 给 AI 一个需要多步推理的问题，对比"直接回答"和"逐步推理"的效果差异。提示：数学题、逻辑题是展示 CoT 威力的好场景。
任务 3 — Tool Calling: 让 AI 在需要时调用外部工具（如计算器、搜索引擎）。提示：关注的重点不是工具本身，而是 AI 如何"决定"什么时候该调用工具。
任务 4 — Self-Consistency: 对同一个问题多次采样，观察答案的一致性。提示：试试用不同的 temperature 值，看看对一致性有什么影响。
任务 5 — RAG: 实现一个简单的检索-生成流程。提示：核心步骤是"检索相关文档片段 → 注入提示 → 让 AI 基于这些信息回答"。
任务 6 — Reflexion: 让 AI 生成答案后自我评估并改进。提示：关键是设计好"评估标准"——AI 需要知道从哪些维度检查自己的回答。
环境准备
在开始练习之前，确保完成以下准备工作。
1. 安装项目依赖
按照仓库根目录的说明安装 Python 环境和依赖（详见根目录 README）。
2. 安装 Ollama
Ollama 是一个在本地运行大语言模型的工具。
- macOS (Homebrew):
brew install --cask ollama ollama serve - Linux:
curl -fsSL https://ollama.com/install.sh | sh - Windows: 从 ollama.com/download 下载安装。
验证安装：
ollama -v
3. 下载模型
首次使用需要下载模型（只需做一次）：
ollama run mistral-nemo:12b
ollama run llama3.1:8b
练习任务
本周有 6 个练习，每个对应一个 Python 文件。你需要在每个文件中找到 TODO 标记的位置，设计提示词（Prompt）让模型完成任务。
| 技术 | 文件 | 要做什么 |
|---|---|---|
| 少样本提示 (Few-shot) | k_shot_prompting.py | 给模型几个示例，让它学会执行特定任务 |
| 思维链 (Chain-of-Thought) | chain_of_thought.py | 让模型展示推理过程，一步步得出答案 |
| 工具调用 (Tool Calling) | tool_calling.py | 让模型知道有哪些工具可用，并在需要时调用 |
| 自一致性 (Self-Consistency) | self_consistency_prompting.py | 多次采样取最一致的答案 |
| RAG (检索增强生成) | rag.py | 先检索相关信息，再基于信息回答 |
| 反思 (Reflexion) | reflexion.py | 让模型检查并改进自己的输出 |
每个任务的步骤
- 打开对应的
.py文件 - 阅读文件顶部的任务说明
- 找到所有
TODO标记的位置 - 设计你的提示词（这是唯一需要修改的部分——不要修改模型设置）
- 运行脚本，观察结果
- 反复迭代提示词，直到测试通过
- 保存你最终使用的提示词和输出结果
重要提示：完成后请仔细检查，确保所有 TODO 都已处理。
自检清单
- 理解每种提示技术的原理和适用场景
- 能用自己的话解释 Few-shot 和 CoT 的区别
- 完成至少 4 种技术的实践练习
- 能说出什么时候该用 RAG vs. 直接提示
- 理解 Temperature 参数对 AI 输出的影响
- 能把"提示工程"的核心思想用一句话说清楚