Prompt Engineering ，该书系统性介绍了 Prompt Engineering 相关技术，包括 LLMs 基础知识、提示技巧和诸多最佳实践。
它是一份关于 Prompt Engineering（提示工程） 的白皮书，作者是 Lee Boonstra，时间是 2025年2月。核心内容是系统地讲解如何为大语言模型（LLM，比如 Google Gemini、GPT、Claude、LLaMA 等）设计高质量提示，以便得到更准确、稳定或有创造性的输出。
主要内容包括：
1. 基础概念
- Prompt（提示）：输入给大语言模型的文字或多模态信息。
- Prompt Engineering：设计、优化提示的过程，让模型按照预期产生结果。
- LLM 配置：比如输出长度、temperature、top-K、top-P 等参数对结果的影响。
2. 各类提示技巧
- 零样本（Zero-shot）、单样本（One-shot）、少样本（Few-shot） 提示。
- 系统提示（System prompting）：为模型设定大方向和输出格式（比如强制输出 JSON）。
- 角色提示（Role prompting）：给模型一个角色（如老师、旅游向导），让其风格和知识更贴合场景。
- 上下文提示（Contextual prompting）：提供背景信息，使模型生成更符合语境的内容。
- Step-back 提示：先从更高层次提问，再逐步细化。
- Chain of Thought (CoT)：引导模型逐步推理。
- Self-consistency：多次生成推理路径，再投票选最一致的答案。
- Tree of Thoughts (ToT)：让模型探索多条推理路径。
- ReAct（Reason + Act）：让模型一边推理，一边调用外部工具（如搜索 API）。
- Automatic Prompt Engineering (APE)：用模型来自动生成和优化提示。
3. 针对代码的提示
- 写代码、解释代码、翻译代码（如 Bash → Python）、调试和审查代码。
- 提供了实际的示例（比如批量重命名文件的 Bash 脚本）。
4. 多模态提示
- 说明不仅限于文本，还可以结合图片、音频等进行提示。
5. 最佳实践
- 提供例子（One-shot / Few-shot）。
- 简洁清晰，不要用复杂冗余的语言。
- 明确指定输出格式（如 JSON、Markdown）。
- 尽量用 指令（该做什么），而不是过多的 限制（不该做什么）。
- 使用变量，让提示可复用。
- 不断实验、记录提示版本，并根据模型更新做调整。
6. 高阶技巧
- JSON 修复与 Schema 约束。
- 团队协作下的提示实验。
- 如何避免模型进入重复循环（repetition loop bug）。
📌 总结：这份文档是 Google Gemini & Vertex AI 官方团队编写的面向开发者的提示工程指南，内容非常系统、实践性强，适合开发者、数据科学家以及要把大语言模型应用到实际产品的人。
谷歌网盘地址：https://drive.google.com/file/d/1AbaBYbEa_EbPelsT40-vj64L-2IwUJHy/view
