Generative AI for Beginners 第 4 课提示词工程基础Prompt Engineering Fundamentals完全指南【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners本指南以《Generative AI for Beginners》课程的 第 4 课提示词工程基础含立陶宛语翻译版 translations/lt/04-prompt-engineering-fundamentals/README.md为核心系统讲解提示词prompt与提示词工程的核心概念、为什么 LLM 需要提示词工程、提示词的四种构造形态简单、复杂、指令、主内容以及示例zero-shot / one-shot / few-shot、信号cues、模板templates三大进阶技术。读完本文你将理解 tokenization、基础 LLM 与指令微调 LLM 的底层差异掌握一套可直接用于 OpenAI、Azure OpenAI 与 Microsoft Foundry Models 的可操作提示词设计方法与最佳实践并能通过仓库提供的 Jupyter Notebook 沙箱环境动手验证每一种技术。引言提示词已成为生成式 AI 的编程接口生成式 AIGenerative AI能够根据用户的请求创造新内容文本、图像、音频、代码等其背后依赖的是大型语言模型LLM例如 OpenAI 的 GPTGenerative Pre-trained Transformer系列——这类模型专门针对自然语言与代码进行训练。如今用户可以用聊天这类熟悉的方式与模型交互无需任何技术背景。模型是**提示词驱动prompt-based**的用户发送一段文本输入即提示词 prompt获得 AI 的回应即补全 completion然后可以多轮迭代地与 AI 对话不断优化提示词直到回答符合预期。正是在这一背景下提示词已成为生成式 AI 应用的主要编程接口——它告诉模型做什么并直接决定返回结果的质量。而**提示词工程Prompt Engineering**正是研究如何设计、优化提示词从而在规模化场景下获得一致且高质量回答的快速成长的研究领域。学习目标完成本课学习后你将能够解释什么是提示词工程以及它为什么重要描述提示词的组成部分及其使用方法掌握提示词工程的最佳实践与技术使用 OpenAI 端点将所学技术应用到真实示例中。关键术语术语含义提示词工程Prompt Engineering设计并优化输入以引导 AI 模型产出期望输出的实践分词 / 令牌化Tokenization将文本转换为更小单元称为 token的过程模型以这些单元来理解与处理文本指令微调 LLMInstruction-Tuned LLMs通过特定指令微调的大型语言模型用于提升回答的准确性与相关性什么是提示词工程提示词工程是**设计并优化文本输入提示词为特定应用目标与模型交付一致、高质量回答补全**的过程。它可以看作两步流程设计为特定模型和目标设计初始提示词优化迭代式地优化提示词以提升回答质量。这本质上是一个试错trial-and-error过程需要用户的直觉与投入才能获得最优结果。要理解它为什么重要需要先理解三个概念分词Tokenization 模型如何看待提示词基础 LLMBase LLMs 基础模型如何处理提示词指令微调 LLMInstruction-Tuned LLMs 模型如何理解任务。分词TokenizationLLM 将提示词视为token 序列不同模型或同一模型的不同版本可能以不同方式对同一提示词进行分词。由于 LLM 是基于 token而非原始文本训练的提示词的分词方式直接影响生成回答的质量。想直观理解分词机制可以使用 OpenAI Tokenizer 这类工具把提示词粘贴进去观察它如何被拆成 token特别留意空格字符与标点符号的处理方式。需要注意的是这类演示工具显示的通常是较旧模型如 GPT-3的结果用新模型测试可能得到不同的分词结果。在仓库的作业 Notebook 中这一步被实现为可运行的 Python 练习oai-assignment.ipynb 的 Exercise 1 使用 OpenAI 开源的快速分词器tiktoken完成同样的演示import tiktoken # 定义需要被分词的提示词 text f Jupiter is the fifth planet from the Sun and the largest in the Solar System... # 指定要使用的编码模型 encoding tiktoken.encoding_for_model(gpt-4o) # 编码文本 —— 得到整数形式的 token tokens encoding.encode(text) print(tokens) # 将整数解码回文本形式查看 [encoding.decode_single_token_bytes(token) for token in tokens]tiktoken已被列入仓库根目录 requirements.txt与openai、python-dotenv、azure-ai-inference等一并作为课程标准依赖。概念基础模型Foundation / Base LLM提示词完成分词后基础 LLM或基础模型的核心职能就是预测序列中的下一个 token。由于 LLM 在海量文本数据集上训练它们对 token 间的统计关系有良好把握能够相当自信地完成预测。请注意它们并不理解提示词或单词的含义只是看到一个可以通过下一个预测来补全的模式。这种预测会一直持续直到用户中断对话或满足某个预设条件。想体验基于提示词的补全行为可以把上述提示词输入 Microsoft Foundry playground 并使用默认参数——系统默认将提示词当作信息请求处理因此你会看到符合该上下文的补全。但假如用户想要的不是信息请求而是满足某些标准或任务目标的特定结果呢这时指令微调 LLM就登场了。概念指令微调 LLMInstruction-Tuned LLMs指令微调 LLM以基础模型为起点进一步用示例或输入/输出对例如多轮消息进行微调这些微调数据可以包含明确的指令——AI 的回答会尝试遵循这些指令。它使用了类似**基于人类反馈的强化学习RLHF**的技术训练模型遵循指令并从反馈中学习从而产出更适合实际应用、更贴近用户目标的回答。试一下回到上面的提示词但把**系统消息system message**改成如下指令作为上下文将你获得的内容总结给二年级学生。结果保持为一段话包含 3–5 个要点。可以看到结果现在被调校为反映目标与格式——教师可以直接把这个回答用在自己的课堂幻灯片里。在仓库的 githubmodels-assignment.ipynb 中Exercise 4 用 Microsoft Foundry 的azure.ai.inferenceSDK 完整复现了这一场景通过text变量设置主内容Jupiter 段落通过prompt变量提供指令最终模型输出了面向低龄学生的简化总结from azure.ai.inference import ChatCompletionsClient from azure.ai.inference.models import SystemMessage, UserMessage from azure.core.credentials import AzureKeyCredential token os.environ[AZURE_INFERENCE_CREDENTIAL] endpoint os.environ[AZURE_INFERENCE_ENDPOINT] client ChatCompletionsClient(endpointendpoint, credentialAzureKeyCredential(token)) def get_completion(prompt, client, model_name, temperature1.0, max_tokens1000, top_p1.0): response client.complete( messages[ {role: system, content: You are a helpful assistant.}, {role: user, content: prompt}, ], modelmodel_name, temperaturetemperature, max_tokensmax_tokens, top_ptop_p ) return response.choices[0].message.content ## 设置提示词指令 主内容 prompt f Summarize content you are provided with for a second-grade student. {text} response get_completion(prompt, client, model_name) print(response)这个get_completion辅助函数贯穿了整个 Notebook 的练习 2–5是理解后续所有提示词技术的最小可运行骨架。为什么需要提示词工程理解了 LLM 如何处理提示词之后再来回答为什么需要提示词工程。答案是当前 LLM 带来了一系列挑战若不投入精力构造与优化提示词就很难获得可靠且一致的补全。典型挑战包括模型回答具有随机性stochastic。同样的提示词在不同模型或模型版本下大概率产生不同回答即使同一模型在不同时刻也可能给出不同结果。提示词工程技术通过提供更好的护栏guardrails帮助我们减小这些波动。模型会捏造回答fabrication。模型用庞大但有限的数据集预训练对训练范围之外的概念缺乏知识因此可能产出不准确、凭空想象甚至与已知事实直接矛盾的补全。提示词工程技术帮助用户识别并缓解这类捏造例如要求 AI 给出引用或推理依据。模型能力存在差异。新一代模型能力更丰富但也带来独有的怪癖以及成本与复杂度的权衡。提示词工程帮助我们建立能够抽象掉这些差异、并以可扩展平滑方式适配模型特定要求的最佳实践与工作流。你可以在 OpenAI 或 Azure OpenAI Playground 中亲自验证用同一个提示词调用不同 LLM 部署OpenAI、Azure OpenAI、Hugging Face——注意到差异了吗用同一个提示词反复调用同一个LLM 部署如 Azure OpenAI playground——回答又是如何变化的捏造回答示例Fabrications本课程用 **捏造fabrication**一词指代 LLM 因训练限制或其他约束而生成事实错误信息的现象——你在科普文章或论文中可能听过幻觉hallucination的叫法。但课程强烈建议使用捏造避免无意中将机器行为拟人化anthropomorphize把人类特征错误归因于机器驱动的结果这也从术语角度呼应了负责任 AI 指南剔除了在某些语境下可能被认为冒犯或不包容的表述。想体会捏造如何发生构造一个指示 AI 为不存在的话题生成内容的提示词确保它不在训练数据中。例如课程使用的提示词提示词为 2076 年火星战争生成一份教案。网络搜索显示确实存在关于火星战争的虚构作品电视剧、小说但没有 2076 年的常识也告诉我们 2076 年属于未来不可能与真实事件挂钩。那么当这个提示词在不同 LLM 提供商上运行时会发生什么正如预期每个模型或模型版本由于随机行为与能力差异给出了略有不同的回答——例如一个模型把受众设定为 8 年级学生另一个则假设是高中生。但三个模型都生成了足以让不知情用户信以为真的回答。本课的 Notebook 作业aoai-assignment.ipynb、oai-assignment.ipynb、githubmodels-assignment.ipynb 的 Exercise 3让你亲手复现这一现象把generate a lesson plan on the Martian War of 2076.作为主内容放入模板并运行补全观察输出。提示词工程技术如元提示词metaprompting与温度temperature配置可以在一定程度上减少模型捏造新的提示词工程架构还把新工具与技术无缝整合进提示词流程以缓解或降低这些效应。案例研究GitHub Copilot提示词工程在真实产品中的典型应用是GitHub Copilot——它把文本提示词转换为代码补全集成在开发环境如 Visual Studio Code中提供无缝体验。早期版本基于 OpenAI Codex 模型工程师们很快意识到需要微调模型并开发更好的提示词工程技术来提升代码质量2023 年 7 月团队发布了超越 Codex 的改进 AI 模型以获得更快的建议。从课程文档记录的工程博客系列可以看到完整的学习路径从GitHub Copilot 如何更好理解你的代码到GitHub Copilot 背后的 LLM 工作原理再到如何为 GitHub Copilot 编写更好的提示词、企业级 LLM 应用如何构建——来自 GitHub Copilot 的经验教训。这个案例的价值在于展示提示词工程并非学术概念而是真实工程实践中持续演进、被反复验证的落地方法。提示词的构造Prompt Construction理解了为什么需要现在理解提示词如何构造以便评估不同技术对高效提示词设计的作用。简单提示词Basic Prompt最简单的提示词是不带任何其他上下文、直接发送给模型的文本输入。例如把美国国歌的前几个词发给 Completion API模型会立即用接下来的几行补全回答完美展示基础的预测行为提示词输入补全输出Oh say can you see听起来你在演唱《星条旗》——美国的国歌。完整歌词是……复杂提示词Complex Prompt现在为简单提示词添加上下文与指令。Chat Completion API允许把复杂提示词构造成一组消息messages反映用户输入与助手回答的输入/输出对为助手行为或人格设定上下文的系统消息。请求形式如下——此时分词机制能有效捕捉上下文与对话中的关键信息而修改系统上下文对补全质量的影响可以与用户输入本身同等重要response client.responses.create( modelgpt-5-mini, input[ {role: system, content: You are a helpful assistant.}, {role: user, content: Who won the world series in 2020?}, {role: assistant, content: The Los Angeles Dodgers won the World Series in 2020.}, {role: user, content: Where was it played?} ] )注意上述代码是仓库三个 Notebook 共用的 Responses API 调用范式。在 githubmodels-assignment.ipynb 的 Exercise 5 中系统人格被设置为sarcastic讽刺response client.complete( modelmodel_name, messages[ {role: system, content: You are a sarcastic assistant.}, {role: user, content: Who won the world series in 2020?}, {role: assistant, content: Who do you think won? The Los Angeles Dodgers of course.}, {role: user, content: Where was it played?} ] ) print(response.choices[0].message.content)Notebook 明确提示可以尝试不同的人格上下文或换一组不同的输入/输出消息观察回答风格的差异——这正是多轮对话上下文multi-turn conversation context对补全的影响。指令提示词Instruction Prompt上面例子中用户提示词是简单的信息请求。用指令提示词我们可以把这段文本用于更精确地定义任务给 AI 更好的引导提示词输入补全输出指令类型写一段关于美国内战的描述返回一段简单文字简单写一段关于美国内战的描述。给出关键日期与事件并说明其意义返回一段文字加一份带描述的关键事件日期清单复杂用 1 段话写一段关于美国内战的描述。提供 3 个要点包含关键日期及其意义。再提供 3 个要点包含关键历史人物及其贡献。以 JSON 文件格式返回输出在文本框中返回更详尽的内容格式化为 JSON可复制到文件并按需校验复杂、格式化主内容Primary Content在上面这些例子中提示词仍然相当开放让 LLM 自己决定预训练数据集的哪部分相关。使用**主内容primary content**设计模式时输入文本被分成两部分指令instruction——要执行的动作相关内容relevant content——影响动作的内容。下面是一个指令为用 2 句话总结的示例提示词输入补全输出木星是距太阳第五近的行星也是太阳系中最大的行星。它是一颗气态巨行星质量约为太阳的千分之一却是太阳系其他所有行星质量总和的 2.5 倍。木星是夜空中肉眼可见的最亮天体之一在有记载的历史之前就为古代文明所知。它得名于罗马神朱庇特。……用 2 个短句总结上面内容木星是距太阳第五近的行星是太阳系中最大的行星并以夜空中最亮的天体之一而闻名。它得名于罗马神朱庇特是一颗质量是太阳系其他所有行星总和 2.5 倍的气态巨行星。主内容片段可以多种方式驱动更有效的指令示例Examples——不直接用显式指令告诉模型做什么而是给它做什么的示例让它自行推断模式信号Cues——在指令后追加一个信号来引导补全把模型推向更相关的回答模板Templates——带占位符变量的可复用提示词配方可用数据为特定场景定制。使用示例Using Examples这种方式用主内容喂给模型针对给定指令的期望输出示例让它推断期望输出的模式。根据示例数量可以有zero-shot零样本、one-shot单样本、few-shot少样本提示词等。此时提示词由三个组件构成任务描述若干期望输出示例一个新示例的开头它成为隐式的任务描述。学习类型提示词输入补全输出零样本Zero-shotThe Sun is Shining。翻译成西班牙语El Sol está brillando。单样本One-shotThe Sun is Shining El Sol está brillando。Its a Cold and Windy Day Es un día frío y ventoso。少样本Few-shot球员跑过垒 棒球球员打出一记 ace 网球球员打出六分 板球球员完成一记 slam-dunk 篮球注意zero-shot 提示词需要给出显式指令翻译成西班牙语而 one-shot 示例中该指令被隐式推断出来few-shot 示例则展示出——添加更多示例后模型即使没有额外指令也能做出更准确的推断。提示词信号Prompt Cues另一种使用主内容的技术是提供信号而非示例。此时我们通过给模型一个反映期望回答格式的开头片段把它轻推向正确方向模型会接过信号顺着这条路线继续。下面用 Jupiter 文本演示 0/1/2 个信号的效果差异信号数提示词输入补全输出0Jupiter 段落……总结这段内容木星是太阳系中最大的行星距太阳第五近。它是一颗质量约为太阳 1/1000、却比其他所有行星加起来还重的气态巨行星。古代文明很早就知道木星它在夜空中清晰可见。1Jupiter 段落……总结这段内容我们学到的关于木星的是它是距太阳第五近的行星也是太阳系中最大的行星。它是一颗气态巨行星质量约为太阳的千分之一却是其他所有行星质量总和的 2.5 倍。它肉眼清晰可见且自古以来就为人们所知。2Jupiter 段落……总结这段内容我们学到的 3 个最重要事实1. 木星是距太阳第五近的行星太阳系中最大的行星。2. 它是一颗质量约为太阳千分之一的气态巨行星……3. 木星自古以来就肉眼可见……可以看到信号数量越多补全越贴合你设定的格式与侧重点——这就是给模型一个起点的威力。提示词模板Prompt Templates提示词模板是预先定义的可存储、按需复用的提示词配方用于在规模化场景下驱动更一致的用户体验。最简单的形式是一组提示词示例集合同时提供交互式提示词组件用户与系统消息和 API 驱动的请求格式以支持复用。更复杂的形式如 LangChain 中的模板包含占位符可从多种来源用户输入、系统上下文、外部数据源等替换数据以动态生成提示词——这使我们能建立可复用提示词库以编程方式在规模化场景下驱动一致的用户体验。模板的真正价值在于能为垂直应用领域创建并发布提示词库prompt libraries——模板被优化为反映特定应用领域的上下文或示例使回答对目标用户更相关、更准确。Prompts For Edu 就是这一思路的典范它策展了一个面向教育领域的提示词库强调教案规划、课程设计、学生辅导等关键目标。辅助内容Supporting Content如果把提示词构造理解为指令任务 目标主内容那么辅助内容secondary content就是我们额外提供的、用来以某种方式影响输出的上下文。它可以包括调优参数tuning parameters、格式化指令、主题分类法topic taxonomies等帮助模型裁剪回答以符合期望的用户目标。例如给定一份带有丰富元数据名称、描述、级别、元数据标签、讲师等的课程目录可以定义指令总结 2023 年秋季课程目录可以用主内容提供几个期望输出的示例可以用辅助内容标出 5 个最受关注的标签。于是模型会按示例展示的格式给出摘要——而当某个结果带有多个标签时它会优先处理辅助内容中指定的那 5 个标签。提示词最佳实践Prompting Best Practices知道提示词如何构造后再思考如何设计它们以反映最佳实践。可以从两方面入手具备正确的思维模式mindset并应用正确的技术techniques。提示词工程思维模式提示词工程是试错过程牢记三条宽泛的指导因素领域理解很重要Domain Understanding Matters。回答的准确性与相关性与应用/用户所处的领域强相关。运用你的直觉与领域专长进一步定制技术例如在系统提示词中定义_领域特定人格_在用户提示词中使用_领域特定模板_提供反映领域语境的辅助内容或用_领域特定的信号与示例_把模型引向熟悉的用法模式。模型理解很重要Model Understanding Matters。模型天生随机但不同模型实现还会在训练数据集预训练知识、提供的能力如通过 API 或 SDK以及优化的内容类型代码 vs 图像 vs 文本上各不相同。理解所用模型的强项与局限并用这些知识对任务排序或构建针对模型能力优化的定制模板。迭代与验证很重要Iteration Validation Matters。模型与提示词工程技术都在快速演进。作为领域专家你可能拥有对_自己_应用有效的额外语境或标准而这些未必适用于更广泛的社区。用提示词工程工具与技术快速启动提示词构造再用自己的直觉与领域知识迭代、验证结果记录洞察并建立知识库如提示词库成为他人更快迭代的新基线。最佳实践清单以下是 OpenAI 与 Azure OpenAI 实践者共同推荐的常见最佳实践做法为什么评估最新模型新一代模型通常具备改进的特性与质量但也可能带来更高成本。评估影响后再做迁移决策。区分指令与上下文检查你的模型/提供商是否定义了_分隔符_以更清晰地区分指令、主内容与辅助内容。这有助于模型更准确地为 token 分配权重。具体且清晰提供关于期望上下文、结果、长度、格式、风格等的更多细节这会同时提升回答的质量与一致性。把配方沉淀到可复用模板中。描述性表达使用示例模型对展示与讲述的方式响应更好。先用zero-shot方法给出指令不带示例再用few-shot作为优化提供几个期望输出示例。善用类比。用信号启动补全给一些引导词或短语作为回答的起点把模型推向期望结果。双重强调Double Down有时需要向模型重复自己在主内容前后都给出指令同时使用指令与信号等。迭代并验证哪种有效。顺序很重要Order Matters信息呈现顺序可能影响输出即使在示例学习中也是如此——这归因于近因偏差recency bias。尝试不同顺序找出最优方案。给模型一条退路给模型一个_备用_补全回应供其因任何原因无法完成任务时使用。这能降低生成错误或捏造回答的概率。与任何最佳实践一样请记住你的实际效果会因模型、任务与领域而异。把这些作为起点并迭代出最适合你的方案随着新模型与新工具出现持续重新评估提示词工程流程聚焦流程可扩展性与回答质量。动手实战沙箱环境与作业提示词工程目前更接近艺术而非科学提升直觉的最好方式是多练习并采用结合领域专长、推荐技术与模型特定优化的试错法。本课配套的 Jupyter Notebook 提供了一个**沙箱sandbox**环境可在学习过程中或最后代码挑战时试用所学内容。执行练习需要一个 Azure OpenAI API 密钥——已部署 LLM 的服务端点Python 运行环境——可执行 Notebook 的环境本地环境变量——按本地环境搭建指南完成 SETUP 步骤。仓库为本课提供了三个不同提供商的作业 Notebookoai-assignment.ipynb——使用 OpenAI 端点与openaiSDKaoai-assignment.ipynb——使用 Azure OpenAI现隶属 Microsoft Foundry端点通过 OpenAI 客户端指向{AZURE_OPENAI_ENDPOINT}/openai/v1/的 v1 端点githubmodels-assignment.ipynb——使用 Microsoft Foundry Models 的azure.ai.inferenceSDKGitHub Models 将于 2026 年 7 月底退役故改用 Microsoft Foundry Models。Notebook 自带_入门练习_并鼓励你自行添加 Markdown描述与 Code提示词请求单元来试验更多示例或想法逐步建立提示词设计的直觉。以 oai 版本为例练习依次为Exercise 1 分词——用tiktoken把提示词编码为整数 token 再解码回文本Exercise 2 验证 API 密钥——运行一个简单提示词oh say can you see预期补全为by the dawns early light..一类的国歌歌词验证端点配置正确Exercise 3 捏造——请求 LLM 为训练数据之外的话题2076 年火星战争教案生成补全观察不同提示词或不同模型下回答的变化Exercise 4 指令式——用text变量设置主内容、prompt变量提供指令为二年级学生总结观察格式调校效果Exercise 5 复杂提示词——构造含 system / user / assistant 消息的多轮对话其中系统人格为sarcastic尝试更换人格或消息序列探索你的直觉——基于以上模式自由创建简单、复杂、指令等新提示词试验示例、信号等技术。注意 GitHub Models 版本的 Exercise 2 特意注释temperature/top_p需要非推理模型gpt-5会拒绝这些参数因此该 Notebook 默认使用Llama-3.3-70B-Instruct并通过环境变量AZURE_INFERENCE_CHAT_MODEL可覆盖——这是模型特定优化model-specific optimization的鲜活例证。环境变量配置步骤根据提供商配置指南与本地搭建文档标准流程如下查看仓库根目录的.env.copy文件其中包含 OpenAI、Azure OpenAI、Microsoft Foundry Models、Hugging Face 各提供商的变量模板将其复制为.env该文件已被.gitignore忽略保证密钥安全cp .env.copy .env填写对应提供商的值。Azure OpenAI 相关变量含义如下变量说明AZURE_OPENAI_API_VERSIONAPI 版本默认已设为稳定 GA 版本2024-10-21AZURE_OPENAI_API_KEY访问服务的授权密钥AZURE_OPENAI_ENDPOINTAzure OpenAI 资源部署的端点如https://resource-name.openai.azure.comAZURE_OPENAI_DEPLOYMENT_文本生成_模型部署名推荐gpt-5-miniAZURE_OPENAI_EMBEDDINGS_DEPLOYMENT_文本嵌入_模型部署名推荐text-embedding-3-small若用 GitHub Codespaces也可把环境变量保存为关联仓库的 Codespaces secrets免去本地.env——但该方式仅适用于 Codespaces使用 Docker Desktop 仍需本地.env文件。打开 Notebook 时选择运行内核使用 Codespaces 或 Dev Container 时直接选择开发容器提供的默认 Python 3.10.x 内核即可。练习没有_标准答案_——关键在于通过试错探索选项建立什么对特定模型与应用领域有效的直觉。也正因如此本课不提供代码参考答案段Notebook 中取而代之的是名为My Solution:的 Markdown 单元给出一个示例输出供参考。知识检查以下哪个提示词符合合理的最佳实践给我看一张红色汽车图片给我看一张红色沃尔沃 XC90 汽车停在悬崖边、夕阳西下的图片给我看一张红色沃尔沃 XC90 汽车的图片答案2 是最好的提示词——它既提供了是什么的细节又深入具体不是随便一辆车而是特定品牌与型号还描述了整体环境。3 次之因为它也包含大量描述。挑战试试用信号技术完成这个提示词补全句子给我看一张红色汽车、品牌沃尔沃和……。模型会回答什么你会如何改进它把它放进沙箱 Notebook 或 Playground 中实际跑一下比较不同信号长度下的输出差异——这正是本课从概念走向直觉的关键一步。完成本课全部概念与练习后可以进入课程的下一部分学习第 5 课高级提示词技术那里将涵盖图解指南中提到的高级技术章节内容把本课的构造方法与最佳实践进一步推向复杂的进阶提示词体系。【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考