提示工程指南（Prompt Engineering）
提示工程（Prompt Engineering）是一门较新的学科，关注提示词开发和优化，帮助用户将大语言模型（Large Language Model, LLM）用于各场景和研究领域。 掌握了提示工程相关技能将有助于用户更好地了解大型语言模型的能力和局限性。
研究人员可利用提示工程来提升大语言模型处理复杂任务场景的能力，如问答和算术推理能力。开发人员可通过提示工程设计、研发强大的工程技术，实现和大语言模型或其他生态工具的高效接轨。
提示工程不仅仅是关于设计和研发提示词。它包含了与大语言模型交互和研发的各种技能和技术。提示工程在实现和大语言模型交互、对接，以及理解大语言模型能力方面都起着重要作用。用户可以通过提示工程来提高大语言模型的安全性，也可以赋能大语言模型，比如借助专业领域知识和外部工具来增强大语言模型能力。
基于对大语言模型的浓厚兴趣，我们编写了这份全新的提示工程指南，介绍了大语言模型相关的论文研究、学习指南、模型、讲座、参考资料、大语言模型能力以及与其他与提示工程相关的工具。
提示工程简介
提示工程是一个较新的学科，应用于开发和优化提示词（Prompt），帮助用户有效地将语言模型用于各种应用场景和研究领域。掌握了提示工程相关技能将有助于用户更好地了解大型语言模型的能力和局限性。研究人员可利用提示工程来提高大语言模型处理复杂任务场景的能力，如问答和算术推理能力。开发人员可通过提示工程设计和研发出强大的技术，实现和大语言模型或其他生态工具的高效接轨。
本指南介绍了提示词相关的基础知识，帮助用户了解如何通过提示词和大语言模型进行交互并提供指导建议。
提示技术
时至今日，改进提示显然有助于在不同任务上获得更好的结果。这就是提示工程背后的整个理念。
尽管基础示例很有趣，但在本节中，我们将介绍更高级的提示工程技术，使我们能够完成更复杂和有趣的任务。
提示应用
介绍一些高级和有趣的方法，利用提示工程来执行有用和更高级的任务。
模型
在本节中，我们将介绍一些最近的语言模型以及它们如何成功地应用最新和最先进的提示工程技术。此外，我们还将介绍这些模型在各种任务和提示设置（如少样本提示、零样本提示和思维链提示）中的能力。了解这些能力对于理解这些模型的局限性以及如何有效地使用它们非常重要。
风险和误用
我们已经看到了如何使用few-shot学习和链式思考提示等技术来完成各种任务，有效的精心制作的提示是多么的有效。当我们考虑在LLMs之上构建实际应用程序时，思考与语言模型相关的误用、风险和安全实践变得至关重要。
本节重点介绍了通过提示注入等技术来突出LLMs的一些风险和误用。它还强调了有害行为以及如何通过有效的提示技术来潜在地减轻它们。其他感兴趣的主题包括泛化能力、校准、偏见、社会偏见和事实性等等。
