整个"大模型提示词工程"课件的总目录与学习契约，它先告诉你为什么必须学提示词（"内功"），再铺开五条能力主线：发展史与幻觉、编写规范、进阶技术、安全、文本处理实战。 图注：原图是一张横向展开的思维导图，根节点是「课程介绍」。左侧分枝交代课程定位：面向人群（了解大模型基础知识、熟悉 Python 核心语法）、课程的重要性（三点，其中高亮框是"由于大模…

本章是提示词课程的技术主干，它把"会写提示词"升级为"会用 API 做提示词工程"：先用 API 调通云端大模型（token 计费、openai 库与 dashscope SDK 两条入口），再用 system / user / assistant 三种角色搭出对话骨架，然后把 6 类进阶提示词技术（Zero-Shot、Few-Shot、CoT、P…

这是「提示词工程」这门课的综合落地章，用同一个金融行业场景把 Zero-Shot / Few-Shot / In-context Learning 串成三条完整流水线：金融文本分类、金融信息抽取、金融文本匹配。它的价值不在算法，而在一个可复制的项目模板：角色设定 → 类别/字段 Schema → Few-Shot 示例 → 输出格式约束 → 逐条推…

提示词工程的"语法书"，先用一段话讲清 prompt 是什么，再把 OpenAI 文档提炼成 5 大原则（清晰指令 / 文本参考 / 任务拆分 / 给模型思考时间 / 借助外部工具），每个原则配"反例 vs 正例"的对照案例，可直接背下来用在学习和项目里。 一、这份材料解决什么问题 前面几章（大模型发展史、幻觉问题）回答的是"模型为什么不可靠"，这…

模型已经训好了，应用侧怎么把它变成可靠的产品，以「幻觉」为问题起点，串起提示词工程、模型微调、RAG、AI Agent 四条技术主干，并给出它们的适用边界。 一、这份材料解决什么问题 01-大模型发展史 回答的是「模型是怎么一步一步变强的」：架构（Transformer）、范式（预训练+微调）、规模（参数/数据/算力）三条线共同把 GPT-3、Ch…

用三个阶段的骨架讲清"大模型不是突然出现的"，把 1950 年至今的技术演进串成一条从"人工写规则 / 统计计数"到"用规模换能力"的因果链，重点不是背年份，而是回答"为什么会有大模型"。 一、这份材料解决什么问题 被问到的最多的不是细节，而是判断：为什么 BERT 之后还要有 GPT？为什么大家都在堆参数？为什么现在又开始讲"推理模型"和"小模型…

链式提示（Prompt Chaining） 一、概念 把一个复杂任务拆成多个子任务，每个子任务一个提示词，上一步的输出作为下一步输入的一部分，串成一条链输出最终结果。 本质：串行拆解——不是用一个超详细的大提示硬扛，而是"分而治之"，每步只做一件明确的子操作。 二、类型 维度单个复杂提示链式提示任务复杂度LLM 可能撑不住靠拆分逐步完成透明度黑盒，…