30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度你是不是也遇到过这样的场景面对 ChatGPT、Claude 或文心一言你精心构思了一个问题但得到的回答要么是“正确的废话”要么干脆跑偏甚至直接拒绝执行你隐约觉得大模型能力很强但就是无法让它精准地理解你的意图更别提完成复杂的、多步骤的任务了。这背后的问题往往不是模型不够聪明而是我们与模型“沟通”的方式出了问题。这种沟通的艺术就是提示词工程。很多人以为它只是“把话说清楚点”但实际上它是一门融合了心理学、逻辑学和软件工程学的系统性技能。掌握它意味着你能用同样的模型发挥出数倍于他人的效能。本文不会重复那些“提示词很重要”的陈词滥调。我们将直接切入核心从工程化的视角为你拆解提示词设计的底层逻辑、高级技巧和实战模式。无论你是想提升日常工作效率的开发者还是计划将大模型集成到产品中的工程师这篇文章都将为你提供一套可立即上手、能避开99%常见坑点的完整方法论。我们不仅讲“是什么”更会深入剖析“为什么”以及“怎么用”让你真正理解其原理而非死记硬背几个模板。1. 提示词工程从“玄学”到“工程学”的本质转变在深入技术细节之前我们必须先纠正一个普遍的误解提示词工程不是“魔法咒语”的收集也不是靠运气去“调参”。它的本质是将模糊的人类意图转化为大语言模型LLM可精确执行的结构化指令。为什么说它是“工程学”因为它具备工程化的核心特征系统性它不是单点优化而是一套包含角色设定、任务分解、格式约束、示例引导、思维链设计的完整体系。可复用性优秀的提示模式Pattern可以像函数一样被封装、调用和组合应用于不同的场景。可迭代性提示词的效果可以通过明确的评估标准进行测试和优化形成一个“设计-测试-反馈-改进”的闭环。有边界它承认并利用模型的固有能力与局限而不是试图让模型做它做不到的事情。新手最大的弯路就是花费大量时间在各大平台收集零散的“万能提示词”却从不思考其背后的设计原理。结果就是换一个场景、换一个模型同样的提示词立刻失效。本文的目标就是帮你建立这套工程化思维让你具备“设计”而不仅仅是“使用”提示词的能力。2. 核心概念理解大模型如何“阅读”你的提示在开始设计之前我们需要理解模型眼中的提示词是什么。这涉及到几个关键概念2.1 大语言模型LLM的基本工作原理简单来说LLM是一个基于海量文本训练出的“下一个词预测器”。当你输入一段文本提示词时模型会根据其训练数据中学习到的统计规律计算下一个词或token出现的概率分布并选择概率最高的或按某种策略采样作为输出如此循环生成完整回复。这意味着模型并不“理解”语义它只是在模仿它见过的、最可能出现的文本模式。因此提示词工程的核心任务就是为模型构造一个它最熟悉、最可能输出我们期望答案的“上下文模式”。2.2 提示词的核心要素一个工程化的提示词通常包含以下要素我们可以将其类比为给一个实习生模型下达工作指令要素类比作用示例角色Role岗位职责限定模型的回答视角和知识范围使其输出更专业、更一致。“你是一位经验丰富的Python软件架构师。”指令Instruction具体任务清晰、无歧义地告诉模型要做什么。“请为以下函数编写单元测试要求覆盖边界条件。”上下文Context背景资料提供完成任务所必需的信息。“函数定义def divide(a: float, b: float) - float:”输入数据Input Data待处理材料需要模型处理的具体对象。“a10, b2” 和 “a10, b0”输出格式Output Format报告模板规定模型回答的结构便于后续程序化处理。“请以JSON格式输出{“input”: “”, “expected_output”: “”, “actual_output”: “”, “pass”: bool}”示例Few-shot示范案例提供1-N个输入输出对让模型通过类比学习任务格式和标准。给一个完整的测试用例示例。约束Constraints规章制度限制模型的行为如长度、风格、禁止事项。“回答不超过200字。不要提及任何政治人物。”2.3 两种核心提示模式根据是否提供示例提示分为两类零样本提示Zero-shot Prompting不提供任何示例直接下达指令。适用于简单、通用或模型已充分训练的任务。请将以下中文翻译成英文今天天气真好。少样本提示Few-shot Prompting提供少量通常1-5个输入输出示例让模型“照葫芦画瓢”。适用于格式复杂、定义模糊或需要特定风格的任务。请将情感分类为积极、消极或中性。 示例1 输入这个产品太棒了我非常喜欢 输出积极 示例2 输入服务很差等待时间太长。 输出消极 现在请分类 输入快递按时送达包装完好。 输出少样本提示是提示词工程中最强大、最常用的技术之一它能显著提升模型在复杂任务上的表现。3. 环境准备选择你的“实验场”理论需要实践来验证。我们不需要复杂的本地部署利用现有的云端API或开源工具即可快速开始实验。3.1 模型平台选择对于初学者和大多数应用开发者建议从以下两类开始商业API推荐入门提供稳定、强大的模型按使用量付费无需维护。OpenAI APIGPT-4o/GPT-4 Turbo生态最成熟文档最全。Anthropic Claude APIClaude 3系列在长上下文和指令遵循上表现出色。国内平台百度文心、阿里通义、智谱GLM等访问速度有优势。本地/开源模型适合深度定制、数据隐私要求高Ollama最简单的一键本地运行LLM的工具支持Llama、Mistral、Qwen等众多模型。LM Studio图形化界面方便本地管理和与模型聊天。vLLM/TGI高性能推理框架适合生产环境部署。3.2 基础工具准备我们将使用Python进行示例演示因为它拥有最丰富的LLM生态库。安装Python确保版本在3.8以上。安装必要库打开终端命令行执行以下命令。# 安装OpenAI官方库如果你使用OpenAI pip install openai # 安装LangChain一个强大的LLM应用开发框架后续高级技巧会用到 pip install langchain langchain-openai # 安装Jupyter Notebook或使用VS Code等IDE方便交互式实验 pip install notebook获取API密钥前往你选择的平台如 platform.openai.com 注册并创建API Key。重要永远不要将API Key直接硬编码在代码或提交到GitHub。应使用环境变量管理。# 在终端中设置环境变量Linux/macOS export OPENAI_API_KEYyour-api-key-here # Windows (PowerShell) $env:OPENAI_API_KEYyour-api-key-here# 在Python代码中安全读取 import os from openai import OpenAI client OpenAI(api_keyos.environ.get(OPENAI_API_KEY))4. 从零到一你的第一个工程化提示词让我们从一个具体任务开始体验提示词设计如何一步步优化。任务让模型为我们生成一份软件需求说明书PRD的模板。4.1 糟糕的提示新手常见给我写个PRD模板。问题指令过于模糊。模型不知道是哪个领域ToB SaaS移动App、给谁看、详细程度如何结果往往是一个泛泛而谈、无用的通用模板。4.2 基础优化版加入角色和上下文你是一位资深的产品经理。我需要为一个面向中小企业的在线CRM客户关系管理系统编写一份产品需求文档。请为我生成一个结构完整、内容详实的PRD模板。改进明确了角色资深产品经理和上下文中小企业在线CRM。输出会更有针对性但细节和格式可能仍不理想。4.3 工程化提示版完整要素# 角色 你是一位拥有10年经验、擅长SaaS产品设计的首席产品官CPO。 # 任务 为我即将开发的“智客CRM”系统设计一份产品需求说明书PRD模板。“智客CRM”是一个面向中小企业的、轻量级、高性价比的在线客户关系管理工具核心功能包括客户信息管理、销售漏斗跟踪、邮件营销和基础报表。 # 指令 1. 模板需要结构清晰涵盖从项目概述到非功能性需求的完整内容。 2. 在每个主要章节下提供详细的子项说明和【填写示例】。 3. 语言风格专业、简洁面向技术研发团队和项目干系人。 4. 请使用Markdown格式输出以便我们直接用于Confluence等协作平台。 # 输出格式 请严格按照以下Markdown结构组织内容包含必要的标题层级#, ##, ###[产品名称] 产品需求说明书PRD1. 文档概述1.1 产品愿景1.2 目标用户与画像1.3 成功指标 (OKR/KPI)【请在此章节下提供填写说明和示例】2. 功能需求2.1 核心功能模块1功能描述用户故事格式作为[角色]我希望[需求]以便[价值]验收标准具体、可测试的条件 【请在此章节下提供填写说明和示例】...(其他章节)分析这个提示词包含了强角色设定10年经验CPO确保视角的专业性。具体上下文明确了产品名称、类型、目标用户和核心功能。结构化指令分点列出了对模板的具体要求结构、示例、风格、格式。严格的输出格式直接给出了Markdown的骨架模型只需填充血肉。这极大降低了模型“自由发挥”导致格式混乱的风险。使用Python调用OpenAI API来执行这个提示词import os from openai import OpenAI client OpenAI(api_keyos.environ.get(OPENAI_API_KEY)) prompt # 角色 你是一位拥有10年经验、擅长SaaS产品设计的首席产品官CPO。 # 任务 为我即将开发的“智客CRM”系统设计一份产品需求说明书PRD模板。“智客CRM”是一个面向中小企业的、轻量级、高性价比的在线客户关系管理工具核心功能包括客户信息管理、销售漏斗跟踪、邮件营销和基础报表。 # 指令 1. 模板需要结构清晰涵盖从项目概述到非功能性需求的完整内容。 2. 在每个主要章节下提供详细的子项说明和【填写示例】。 3. 语言风格专业、简洁面向技术研发团队和项目干系人。 4. 请使用Markdown格式输出以便我们直接用于Confluence等协作平台。 # 输出格式 请严格按照以下Markdown结构组织内容包含必要的标题层级#, ##, ###[产品名称] 产品需求说明书PRD1. 文档概述1.1 产品愿景1.2 目标用户与画像1.3 成功指标 (OKR/KPI)【请在此章节下提供填写说明和示例】2. 功能需求2.1 核心功能模块1功能描述用户故事格式作为[角色]我希望[需求]以便[价值]验收标准具体、可测试的条件 【请在此章节下提供填写说明和示例】 ...(其他章节) response client.chat.completions.create( modelgpt-4o, # 或 gpt-4-turbo-preview messages[ {role: user, content: prompt} ], temperature0.7, # 控制创造性0.0最确定1.0最随机。对于模板生成0.5-0.7比较合适。 max_tokens2000 ) print(response.choices[0].message.content)运行这段代码你将得到一个高度结构化、可直接使用的PRD模板远超第一个模糊提示的效果。5. 高级技巧实战思维链、函数调用与RAG掌握了基础设计后我们来攻克更复杂的场景。这些是构建真正智能应用的关键。5.1 思维链提示让模型“展示思考过程”对于数学、逻辑推理或分步决策任务直接问答案容易出错。思维链提示要求模型先输出推理步骤再给出最终答案。问题一个房间里有三盏灯屋外有三个开关分别控制这三盏灯。你只能进房间一次。如何确定哪个开关控制哪盏灯 请一步步推理。模型输出示例1. 首先打开第一个开关保持5分钟然后关闭它。 2. 接着打开第二个开关然后立即进入房间。 3. 进入房间后 - 亮着的灯是由第二个开关控制的。 - 摸一下另外两盏不亮的灯 - 发热的那盏灯是由第一个开关控制的因为它被打开过一段时间。 - 既不亮也不热的那盏灯是由第三个开关控制的。 4. 因此通过一次进入房间结合观察亮和触觉热就能区分三个开关。通过强制模型展示推理过程我们不仅能得到更可靠的答案还能在它出错时精准定位逻辑漏洞。5.2 函数调用让模型学会使用工具大模型并非全能它无法获取实时数据、进行精确计算或操作外部系统。函数调用允许模型根据用户请求决定调用哪个预定义的工具函数并将结果整合到回答中。以下是一个使用LangChain和OpenAI实现简单函数调用的示例from langchain_openai import ChatOpenAI from langchain.tools import tool from langchain.agents import initialize_agent, AgentType from langchain.agents.agent import AgentExecutor import os # 1. 定义工具函数 tool def get_weather(city: str) - str: 根据城市名获取当前天气。这是一个模拟函数。 # 这里模拟一个API调用 weather_data { 北京: 晴15°C微风, 上海: 多云18°C东南风3级, 深圳: 阵雨22°C南风2级 } return weather_data.get(city, f未找到{city}的天气信息) tool def calculator(expression: str) - str: 计算一个数学表达式的结果。 try: # 警告实际生产中应对表达式做严格安全检查防止代码注入 result eval(expression) return f{expression} {result} except Exception as e: return f计算错误{e} # 2. 初始化模型和工具列表 llm ChatOpenAI(modelgpt-4o, temperature0, api_keyos.environ.get(OPENAI_API_KEY)) tools [get_weather, calculator] # 3. 创建智能体Agent agent: AgentExecutor initialize_agent( toolstools, llmllm, agentAgentType.OPENAI_FUNCTIONS, # 使用OpenAI函数调用代理 verboseTrue # 打印详细执行过程便于调试 ) # 4. 提问 question 北京现在的天气怎么样另外请帮我计算一下(15 7) * 3 等于多少 result agent.invoke({input: question}) print(result[output])运行结果分析 当模型看到问题后它会自动规划识别出需要“北京天气” - 调用get_weather(北京)。识别出需要计算(157)*3- 调用calculator((157)*3)。将两个工具返回的结果整合成一段连贯的回答。这就是构建AI智能体AI Agent的基础。模型成为了一个“大脑”可以指挥各种“工具手”来完成复杂任务。5.3 检索增强生成为模型注入“最新知识”和“私有知识”RAG解决了大模型的两个核心痛点知识过时和缺乏私有数据。其核心思想是先检索后生成。RAG工作流程索引将你的私有文档PDF、Word、数据库等切分成片段转换为向量Embedding存入向量数据库。检索当用户提问时将问题也转换为向量在向量数据库中查找最相关的文本片段。增强将检索到的相关片段作为上下文与原始问题一起构成新的提示词送给大模型。生成大模型基于“通用知识检索到的私有知识”生成最终答案。下面是一个极度简化的RAG概念实现生产环境请使用LangChain、LlamaIndex等框架# 伪代码/概念演示展示RAG核心流程 import openai import numpy as np from sklearn.metrics.pairwise import cosine_similarity # 模拟一个微型的“知识库” knowledge_base [ 公司今年的年假政策规定员工入职满一年后享有10天年假。, 项目‘凤凰’的截止日期是2024年6月30日负责人是张三。, 技术部每周三下午3点举行站会地点在301会议室。 ] # 1. 为知识库创建向量索引这里用简单的文本匹配模拟 def simple_retrieve(query, knowledge_base, top_k2): 简单的关键词检索模拟向量检索 query_words set(query.lower().split()) scores [] for doc in knowledge_base: doc_words set(doc.lower().split()) # 计算Jaccard相似度作为模拟 score len(query_words doc_words) / len(query_words | doc_words) if (query_words | doc_words) else 0 scores.append((score, doc)) # 返回最相关的top_k个文档 scores.sort(reverseTrue, keylambda x: x[0]) return [doc for _, doc in scores[:top_k]] # 2. RAG提示词构建函数 def build_rag_prompt(query, retrieved_docs): context \n.join([f- {doc} for doc in retrieved_docs]) prompt f基于以下提供的公司内部信息请回答用户的问题。如果信息不足以回答问题请直接说明你不知道。 公司内部信息 {context} 用户问题{query} 请根据上述信息回答 return prompt # 3. 使用流程 user_query 我今年的年假有多少天 relevant_docs simple_retrieve(user_query, knowledge_base, top_k1) final_prompt build_rag_prompt(user_query, relevant_docs) print(检索到的上下文) print(relevant_docs[0]) print(\n构建的最终提示词) print(final_prompt) print(\n--- 将此提示词发送给LLM即可得到基于知识的回答 ---)在实际项目中你会使用OpenAI Embeddings或Sentence Transformers生成高质量的向量并使用Chroma、Pinecone、Milvus等专业的向量数据库进行高效检索。6. 提示词优化与评估从能用走向好用设计出提示词只是第一步持续优化才能使其在生产环境中稳定可靠。6.1 系统性优化策略清晰度优先使用明确的指令词“总结”、“列出”、“对比”、“用Python编写”避免模糊表述。分解复杂任务对于多步骤任务不要挤在一个提示里。将其拆分为多个子任务通过链式调用Prompt Chaining依次完成。提供高质量示例少样本提示中的示例必须准确、典型、覆盖边界情况。一个坏例子会带偏模型。使用分隔符用 、---、等清晰分隔指令、上下文和输入数据防止模型混淆。指定输出长度对于摘要、生成等任务明确要求“用50字总结”或“生成约300字的文章”。迭代与A/B测试像测试软件功能一样测试你的提示词。准备一批测试用例对比不同提示词版本的效果。6.2 常见问题与排查清单当你发现提示词效果不佳时请按此清单排查问题现象可能原因排查与解决方案回答完全跑偏指令模糊或模型误解了核心任务。1. 在提示词开头用“# 任务”重述核心目标。2. 检查是否有歧义词替换为更明确的说法。3. 尝试少样本提示提供1-2个精准示例。回答内容正确但格式错误未明确指定输出格式或格式描述不清。1. 在提示词中明确要求输出格式JSON、Markdown、XML。2. 直接提供一个格式范例Few-shot。3. 使用“必须严格遵守以下模板”等强约束词。回答包含不必要的信息或废话模型在“填充”内容或角色设定不明确。1. 增加约束“只回答核心结论不要解释过程。”2. 强化角色“你是一个简洁的助手回答不超过3句话。”3. 调整temperature参数降低随机性如设为0.2。模型拒绝回答或声称无法完成任务可能触及模型的安全策略或表述方式像在“考试”它。1. 重构问题使其更像一个合作任务“请帮我起草一份关于...的邮件草稿。”2. 提供更多上下文让任务背景更合理。3. 对于代码生成加上“请确保代码安全无漏洞。”等正面引导。复杂任务结果不一致任务过于复杂单次提示难以把握。1.任务分解将任务拆成顺序执行的子提示链。2.思维链要求模型“一步步思考”。3.自我一致性让模型生成多个答案然后投票或综合选择最佳的一个。回答基于过时/错误知识模型知识截止或你的私有数据未提供。1.使用RAG为模型提供最新的或私有的参考文档。2.引导模型核实“请基于[此处粘贴的文档]来回答...”6.3 参数调优不仅仅是提示词除了提示词本身调用API时的参数也显著影响输出temperature控制随机性。0.0输出最确定、重复性高1.0输出最随机、创造性高。建议事实性任务用0.1-0.3创造性任务用0.7-0.9。max_tokens限制生成的最大长度。设置过小会导致回答被截断。top_p核采样。与temperature类似控制词汇选择的随机性通常与temperature二选一即可。stop指定停止序列如[\n\n, ###]让模型在生成特定内容后停止。7. 工程化实践提示词的管理与协作当提示词数量增多、团队需要协同时就需要像管理代码一样管理提示词。7.1 提示词版本化将提示词存储在Git仓库中使用prompts/目录进行组织。为每个提示词创建独立的文件如.txt或.yaml并通过提交信息记录每次修改的意图。project/ ├── prompts/ │ ├── customer_service_classifier.txt │ ├── sql_generator.yaml │ └── weekly_report_summarizer.txt ├── scripts/ │ └── test_prompts.py # 用于测试提示词的脚本 └── README.md7.2 使用配置化模板对于需要动态变量的提示词使用模板语言如Python的f-string、Jinja2来分离逻辑和内容。# 定义一个提示词模板 PROMPT_TEMPLATE 你是一位{role}。 请根据以下上下文回答用户问题。 上下文{context} 问题{question} 要求{requirement} # 动态填充 filled_prompt PROMPT_TEMPLATE.format( role技术支持工程师, context用户报告无法登录错误代码500。, question我应该如何引导用户排查, requirement分步骤列出使用非技术语言。 )7.3 建立评估体系为关键提示词创建测试集Golden Dataset定期运行测试监控其性能变化如准确率、格式符合率。这在与模型升级如从GPT-4升级到GPT-4o时尤为重要。8. 总结与进阶方向通过本文我们系统性地拆解了提示词工程从概念到实战的完整路径。我们不再将其视为“咒语”而是作为一种可设计、可测试、可优化的工程化技能。关键在于思维的转变从“向模型提问”转变为“为模型设计清晰的执行指令”。你的下一步行动建议基础巩固重新审视你当前项目或日常工作中最常用的3个提示词尝试用本文的“角色-指令-上下文-格式”框架重构它们观察效果提升。技术深入选择一个方向深入AI智能体学习LangChain/LlamaIndex框架构建能自动使用搜索引擎、数据库、API的智能体。RAG系统尝试用Chroma LangChain搭建一个基于个人文档库的问答系统。提示词微调对于极其垂直、固定的任务研究如何用少量数据对开源模型如Qwen、Llama进行微调以获得更专精、更低成本的效果。关注前沿提示词工程领域日新月异关注如“思维树ToT”、“程序辅助语言模型PAL”、“ReAct框架”等高级模式它们正在解决更复杂的推理和规划问题。记住最好的学习方式是动手。打开你的代码编辑器从一个具体的、困扰你的小任务开始应用今天学到的方法一步步迭代你的提示词。当你能够稳定地让大模型产出符合预期的结果时你就已经掌握了这项未来十年最具价值的技能之一。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
提示词工程实战：从零构建高效AI指令的完整方法论
发布时间：2026/7/6 5:15:26
30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度你是不是也遇到过这样的场景面对 ChatGPT、Claude 或文心一言你精心构思了一个问题但得到的回答要么是“正确的废话”要么干脆跑偏甚至直接拒绝执行你隐约觉得大模型能力很强但就是无法让它精准地理解你的意图更别提完成复杂的、多步骤的任务了。这背后的问题往往不是模型不够聪明而是我们与模型“沟通”的方式出了问题。这种沟通的艺术就是提示词工程。很多人以为它只是“把话说清楚点”但实际上它是一门融合了心理学、逻辑学和软件工程学的系统性技能。掌握它意味着你能用同样的模型发挥出数倍于他人的效能。本文不会重复那些“提示词很重要”的陈词滥调。我们将直接切入核心从工程化的视角为你拆解提示词设计的底层逻辑、高级技巧和实战模式。无论你是想提升日常工作效率的开发者还是计划将大模型集成到产品中的工程师这篇文章都将为你提供一套可立即上手、能避开99%常见坑点的完整方法论。我们不仅讲“是什么”更会深入剖析“为什么”以及“怎么用”让你真正理解其原理而非死记硬背几个模板。1. 提示词工程从“玄学”到“工程学”的本质转变在深入技术细节之前我们必须先纠正一个普遍的误解提示词工程不是“魔法咒语”的收集也不是靠运气去“调参”。它的本质是将模糊的人类意图转化为大语言模型LLM可精确执行的结构化指令。为什么说它是“工程学”因为它具备工程化的核心特征系统性它不是单点优化而是一套包含角色设定、任务分解、格式约束、示例引导、思维链设计的完整体系。可复用性优秀的提示模式Pattern可以像函数一样被封装、调用和组合应用于不同的场景。可迭代性提示词的效果可以通过明确的评估标准进行测试和优化形成一个“设计-测试-反馈-改进”的闭环。有边界它承认并利用模型的固有能力与局限而不是试图让模型做它做不到的事情。新手最大的弯路就是花费大量时间在各大平台收集零散的“万能提示词”却从不思考其背后的设计原理。结果就是换一个场景、换一个模型同样的提示词立刻失效。本文的目标就是帮你建立这套工程化思维让你具备“设计”而不仅仅是“使用”提示词的能力。2. 核心概念理解大模型如何“阅读”你的提示在开始设计之前我们需要理解模型眼中的提示词是什么。这涉及到几个关键概念2.1 大语言模型LLM的基本工作原理简单来说LLM是一个基于海量文本训练出的“下一个词预测器”。当你输入一段文本提示词时模型会根据其训练数据中学习到的统计规律计算下一个词或token出现的概率分布并选择概率最高的或按某种策略采样作为输出如此循环生成完整回复。这意味着模型并不“理解”语义它只是在模仿它见过的、最可能出现的文本模式。因此提示词工程的核心任务就是为模型构造一个它最熟悉、最可能输出我们期望答案的“上下文模式”。2.2 提示词的核心要素一个工程化的提示词通常包含以下要素我们可以将其类比为给一个实习生模型下达工作指令要素类比作用示例角色Role岗位职责限定模型的回答视角和知识范围使其输出更专业、更一致。“你是一位经验丰富的Python软件架构师。”指令Instruction具体任务清晰、无歧义地告诉模型要做什么。“请为以下函数编写单元测试要求覆盖边界条件。”上下文Context背景资料提供完成任务所必需的信息。“函数定义def divide(a: float, b: float) - float:”输入数据Input Data待处理材料需要模型处理的具体对象。“a10, b2” 和 “a10, b0”输出格式Output Format报告模板规定模型回答的结构便于后续程序化处理。“请以JSON格式输出{“input”: “”, “expected_output”: “”, “actual_output”: “”, “pass”: bool}”示例Few-shot示范案例提供1-N个输入输出对让模型通过类比学习任务格式和标准。给一个完整的测试用例示例。约束Constraints规章制度限制模型的行为如长度、风格、禁止事项。“回答不超过200字。不要提及任何政治人物。”2.3 两种核心提示模式根据是否提供示例提示分为两类零样本提示Zero-shot Prompting不提供任何示例直接下达指令。适用于简单、通用或模型已充分训练的任务。请将以下中文翻译成英文今天天气真好。少样本提示Few-shot Prompting提供少量通常1-5个输入输出示例让模型“照葫芦画瓢”。适用于格式复杂、定义模糊或需要特定风格的任务。请将情感分类为积极、消极或中性。 示例1 输入这个产品太棒了我非常喜欢 输出积极 示例2 输入服务很差等待时间太长。 输出消极 现在请分类 输入快递按时送达包装完好。 输出少样本提示是提示词工程中最强大、最常用的技术之一它能显著提升模型在复杂任务上的表现。3. 环境准备选择你的“实验场”理论需要实践来验证。我们不需要复杂的本地部署利用现有的云端API或开源工具即可快速开始实验。3.1 模型平台选择对于初学者和大多数应用开发者建议从以下两类开始商业API推荐入门提供稳定、强大的模型按使用量付费无需维护。OpenAI APIGPT-4o/GPT-4 Turbo生态最成熟文档最全。Anthropic Claude APIClaude 3系列在长上下文和指令遵循上表现出色。国内平台百度文心、阿里通义、智谱GLM等访问速度有优势。本地/开源模型适合深度定制、数据隐私要求高Ollama最简单的一键本地运行LLM的工具支持Llama、Mistral、Qwen等众多模型。LM Studio图形化界面方便本地管理和与模型聊天。vLLM/TGI高性能推理框架适合生产环境部署。3.2 基础工具准备我们将使用Python进行示例演示因为它拥有最丰富的LLM生态库。安装Python确保版本在3.8以上。安装必要库打开终端命令行执行以下命令。# 安装OpenAI官方库如果你使用OpenAI pip install openai # 安装LangChain一个强大的LLM应用开发框架后续高级技巧会用到 pip install langchain langchain-openai # 安装Jupyter Notebook或使用VS Code等IDE方便交互式实验 pip install notebook获取API密钥前往你选择的平台如 platform.openai.com 注册并创建API Key。重要永远不要将API Key直接硬编码在代码或提交到GitHub。应使用环境变量管理。# 在终端中设置环境变量Linux/macOS export OPENAI_API_KEYyour-api-key-here # Windows (PowerShell) $env:OPENAI_API_KEYyour-api-key-here# 在Python代码中安全读取 import os from openai import OpenAI client OpenAI(api_keyos.environ.get(OPENAI_API_KEY))4. 从零到一你的第一个工程化提示词让我们从一个具体任务开始体验提示词设计如何一步步优化。任务让模型为我们生成一份软件需求说明书PRD的模板。4.1 糟糕的提示新手常见给我写个PRD模板。问题指令过于模糊。模型不知道是哪个领域ToB SaaS移动App、给谁看、详细程度如何结果往往是一个泛泛而谈、无用的通用模板。4.2 基础优化版加入角色和上下文你是一位资深的产品经理。我需要为一个面向中小企业的在线CRM客户关系管理系统编写一份产品需求文档。请为我生成一个结构完整、内容详实的PRD模板。改进明确了角色资深产品经理和上下文中小企业在线CRM。输出会更有针对性但细节和格式可能仍不理想。4.3 工程化提示版完整要素# 角色 你是一位拥有10年经验、擅长SaaS产品设计的首席产品官CPO。 # 任务 为我即将开发的“智客CRM”系统设计一份产品需求说明书PRD模板。“智客CRM”是一个面向中小企业的、轻量级、高性价比的在线客户关系管理工具核心功能包括客户信息管理、销售漏斗跟踪、邮件营销和基础报表。 # 指令 1. 模板需要结构清晰涵盖从项目概述到非功能性需求的完整内容。 2. 在每个主要章节下提供详细的子项说明和【填写示例】。 3. 语言风格专业、简洁面向技术研发团队和项目干系人。 4. 请使用Markdown格式输出以便我们直接用于Confluence等协作平台。 # 输出格式 请严格按照以下Markdown结构组织内容包含必要的标题层级#, ##, ###[产品名称] 产品需求说明书PRD1. 文档概述1.1 产品愿景1.2 目标用户与画像1.3 成功指标 (OKR/KPI)【请在此章节下提供填写说明和示例】2. 功能需求2.1 核心功能模块1功能描述用户故事格式作为[角色]我希望[需求]以便[价值]验收标准具体、可测试的条件 【请在此章节下提供填写说明和示例】...(其他章节)分析这个提示词包含了强角色设定10年经验CPO确保视角的专业性。具体上下文明确了产品名称、类型、目标用户和核心功能。结构化指令分点列出了对模板的具体要求结构、示例、风格、格式。严格的输出格式直接给出了Markdown的骨架模型只需填充血肉。这极大降低了模型“自由发挥”导致格式混乱的风险。使用Python调用OpenAI API来执行这个提示词import os from openai import OpenAI client OpenAI(api_keyos.environ.get(OPENAI_API_KEY)) prompt # 角色 你是一位拥有10年经验、擅长SaaS产品设计的首席产品官CPO。 # 任务 为我即将开发的“智客CRM”系统设计一份产品需求说明书PRD模板。“智客CRM”是一个面向中小企业的、轻量级、高性价比的在线客户关系管理工具核心功能包括客户信息管理、销售漏斗跟踪、邮件营销和基础报表。 # 指令 1. 模板需要结构清晰涵盖从项目概述到非功能性需求的完整内容。 2. 在每个主要章节下提供详细的子项说明和【填写示例】。 3. 语言风格专业、简洁面向技术研发团队和项目干系人。 4. 请使用Markdown格式输出以便我们直接用于Confluence等协作平台。 # 输出格式 请严格按照以下Markdown结构组织内容包含必要的标题层级#, ##, ###[产品名称] 产品需求说明书PRD1. 文档概述1.1 产品愿景1.2 目标用户与画像1.3 成功指标 (OKR/KPI)【请在此章节下提供填写说明和示例】2. 功能需求2.1 核心功能模块1功能描述用户故事格式作为[角色]我希望[需求]以便[价值]验收标准具体、可测试的条件 【请在此章节下提供填写说明和示例】 ...(其他章节) response client.chat.completions.create( modelgpt-4o, # 或 gpt-4-turbo-preview messages[ {role: user, content: prompt} ], temperature0.7, # 控制创造性0.0最确定1.0最随机。对于模板生成0.5-0.7比较合适。 max_tokens2000 ) print(response.choices[0].message.content)运行这段代码你将得到一个高度结构化、可直接使用的PRD模板远超第一个模糊提示的效果。5. 高级技巧实战思维链、函数调用与RAG掌握了基础设计后我们来攻克更复杂的场景。这些是构建真正智能应用的关键。5.1 思维链提示让模型“展示思考过程”对于数学、逻辑推理或分步决策任务直接问答案容易出错。思维链提示要求模型先输出推理步骤再给出最终答案。问题一个房间里有三盏灯屋外有三个开关分别控制这三盏灯。你只能进房间一次。如何确定哪个开关控制哪盏灯 请一步步推理。模型输出示例1. 首先打开第一个开关保持5分钟然后关闭它。 2. 接着打开第二个开关然后立即进入房间。 3. 进入房间后 - 亮着的灯是由第二个开关控制的。 - 摸一下另外两盏不亮的灯 - 发热的那盏灯是由第一个开关控制的因为它被打开过一段时间。 - 既不亮也不热的那盏灯是由第三个开关控制的。 4. 因此通过一次进入房间结合观察亮和触觉热就能区分三个开关。通过强制模型展示推理过程我们不仅能得到更可靠的答案还能在它出错时精准定位逻辑漏洞。5.2 函数调用让模型学会使用工具大模型并非全能它无法获取实时数据、进行精确计算或操作外部系统。函数调用允许模型根据用户请求决定调用哪个预定义的工具函数并将结果整合到回答中。以下是一个使用LangChain和OpenAI实现简单函数调用的示例from langchain_openai import ChatOpenAI from langchain.tools import tool from langchain.agents import initialize_agent, AgentType from langchain.agents.agent import AgentExecutor import os # 1. 定义工具函数 tool def get_weather(city: str) - str: 根据城市名获取当前天气。这是一个模拟函数。 # 这里模拟一个API调用 weather_data { 北京: 晴15°C微风, 上海: 多云18°C东南风3级, 深圳: 阵雨22°C南风2级 } return weather_data.get(city, f未找到{city}的天气信息) tool def calculator(expression: str) - str: 计算一个数学表达式的结果。 try: # 警告实际生产中应对表达式做严格安全检查防止代码注入 result eval(expression) return f{expression} {result} except Exception as e: return f计算错误{e} # 2. 初始化模型和工具列表 llm ChatOpenAI(modelgpt-4o, temperature0, api_keyos.environ.get(OPENAI_API_KEY)) tools [get_weather, calculator] # 3. 创建智能体Agent agent: AgentExecutor initialize_agent( toolstools, llmllm, agentAgentType.OPENAI_FUNCTIONS, # 使用OpenAI函数调用代理 verboseTrue # 打印详细执行过程便于调试 ) # 4. 提问 question 北京现在的天气怎么样另外请帮我计算一下(15 7) * 3 等于多少 result agent.invoke({input: question}) print(result[output])运行结果分析 当模型看到问题后它会自动规划识别出需要“北京天气” - 调用get_weather(北京)。识别出需要计算(157)*3- 调用calculator((157)*3)。将两个工具返回的结果整合成一段连贯的回答。这就是构建AI智能体AI Agent的基础。模型成为了一个“大脑”可以指挥各种“工具手”来完成复杂任务。5.3 检索增强生成为模型注入“最新知识”和“私有知识”RAG解决了大模型的两个核心痛点知识过时和缺乏私有数据。其核心思想是先检索后生成。RAG工作流程索引将你的私有文档PDF、Word、数据库等切分成片段转换为向量Embedding存入向量数据库。检索当用户提问时将问题也转换为向量在向量数据库中查找最相关的文本片段。增强将检索到的相关片段作为上下文与原始问题一起构成新的提示词送给大模型。生成大模型基于“通用知识检索到的私有知识”生成最终答案。下面是一个极度简化的RAG概念实现生产环境请使用LangChain、LlamaIndex等框架# 伪代码/概念演示展示RAG核心流程 import openai import numpy as np from sklearn.metrics.pairwise import cosine_similarity # 模拟一个微型的“知识库” knowledge_base [ 公司今年的年假政策规定员工入职满一年后享有10天年假。, 项目‘凤凰’的截止日期是2024年6月30日负责人是张三。, 技术部每周三下午3点举行站会地点在301会议室。 ] # 1. 为知识库创建向量索引这里用简单的文本匹配模拟 def simple_retrieve(query, knowledge_base, top_k2): 简单的关键词检索模拟向量检索 query_words set(query.lower().split()) scores [] for doc in knowledge_base: doc_words set(doc.lower().split()) # 计算Jaccard相似度作为模拟 score len(query_words doc_words) / len(query_words | doc_words) if (query_words | doc_words) else 0 scores.append((score, doc)) # 返回最相关的top_k个文档 scores.sort(reverseTrue, keylambda x: x[0]) return [doc for _, doc in scores[:top_k]] # 2. RAG提示词构建函数 def build_rag_prompt(query, retrieved_docs): context \n.join([f- {doc} for doc in retrieved_docs]) prompt f基于以下提供的公司内部信息请回答用户的问题。如果信息不足以回答问题请直接说明你不知道。 公司内部信息 {context} 用户问题{query} 请根据上述信息回答 return prompt # 3. 使用流程 user_query 我今年的年假有多少天 relevant_docs simple_retrieve(user_query, knowledge_base, top_k1) final_prompt build_rag_prompt(user_query, relevant_docs) print(检索到的上下文) print(relevant_docs[0]) print(\n构建的最终提示词) print(final_prompt) print(\n--- 将此提示词发送给LLM即可得到基于知识的回答 ---)在实际项目中你会使用OpenAI Embeddings或Sentence Transformers生成高质量的向量并使用Chroma、Pinecone、Milvus等专业的向量数据库进行高效检索。6. 提示词优化与评估从能用走向好用设计出提示词只是第一步持续优化才能使其在生产环境中稳定可靠。6.1 系统性优化策略清晰度优先使用明确的指令词“总结”、“列出”、“对比”、“用Python编写”避免模糊表述。分解复杂任务对于多步骤任务不要挤在一个提示里。将其拆分为多个子任务通过链式调用Prompt Chaining依次完成。提供高质量示例少样本提示中的示例必须准确、典型、覆盖边界情况。一个坏例子会带偏模型。使用分隔符用 、---、等清晰分隔指令、上下文和输入数据防止模型混淆。指定输出长度对于摘要、生成等任务明确要求“用50字总结”或“生成约300字的文章”。迭代与A/B测试像测试软件功能一样测试你的提示词。准备一批测试用例对比不同提示词版本的效果。6.2 常见问题与排查清单当你发现提示词效果不佳时请按此清单排查问题现象可能原因排查与解决方案回答完全跑偏指令模糊或模型误解了核心任务。1. 在提示词开头用“# 任务”重述核心目标。2. 检查是否有歧义词替换为更明确的说法。3. 尝试少样本提示提供1-2个精准示例。回答内容正确但格式错误未明确指定输出格式或格式描述不清。1. 在提示词中明确要求输出格式JSON、Markdown、XML。2. 直接提供一个格式范例Few-shot。3. 使用“必须严格遵守以下模板”等强约束词。回答包含不必要的信息或废话模型在“填充”内容或角色设定不明确。1. 增加约束“只回答核心结论不要解释过程。”2. 强化角色“你是一个简洁的助手回答不超过3句话。”3. 调整temperature参数降低随机性如设为0.2。模型拒绝回答或声称无法完成任务可能触及模型的安全策略或表述方式像在“考试”它。1. 重构问题使其更像一个合作任务“请帮我起草一份关于...的邮件草稿。”2. 提供更多上下文让任务背景更合理。3. 对于代码生成加上“请确保代码安全无漏洞。”等正面引导。复杂任务结果不一致任务过于复杂单次提示难以把握。1.任务分解将任务拆成顺序执行的子提示链。2.思维链要求模型“一步步思考”。3.自我一致性让模型生成多个答案然后投票或综合选择最佳的一个。回答基于过时/错误知识模型知识截止或你的私有数据未提供。1.使用RAG为模型提供最新的或私有的参考文档。2.引导模型核实“请基于[此处粘贴的文档]来回答...”6.3 参数调优不仅仅是提示词除了提示词本身调用API时的参数也显著影响输出temperature控制随机性。0.0输出最确定、重复性高1.0输出最随机、创造性高。建议事实性任务用0.1-0.3创造性任务用0.7-0.9。max_tokens限制生成的最大长度。设置过小会导致回答被截断。top_p核采样。与temperature类似控制词汇选择的随机性通常与temperature二选一即可。stop指定停止序列如[\n\n, ###]让模型在生成特定内容后停止。7. 工程化实践提示词的管理与协作当提示词数量增多、团队需要协同时就需要像管理代码一样管理提示词。7.1 提示词版本化将提示词存储在Git仓库中使用prompts/目录进行组织。为每个提示词创建独立的文件如.txt或.yaml并通过提交信息记录每次修改的意图。project/ ├── prompts/ │ ├── customer_service_classifier.txt │ ├── sql_generator.yaml │ └── weekly_report_summarizer.txt ├── scripts/ │ └── test_prompts.py # 用于测试提示词的脚本 └── README.md7.2 使用配置化模板对于需要动态变量的提示词使用模板语言如Python的f-string、Jinja2来分离逻辑和内容。# 定义一个提示词模板 PROMPT_TEMPLATE 你是一位{role}。 请根据以下上下文回答用户问题。 上下文{context} 问题{question} 要求{requirement} # 动态填充 filled_prompt PROMPT_TEMPLATE.format( role技术支持工程师, context用户报告无法登录错误代码500。, question我应该如何引导用户排查, requirement分步骤列出使用非技术语言。 )7.3 建立评估体系为关键提示词创建测试集Golden Dataset定期运行测试监控其性能变化如准确率、格式符合率。这在与模型升级如从GPT-4升级到GPT-4o时尤为重要。8. 总结与进阶方向通过本文我们系统性地拆解了提示词工程从概念到实战的完整路径。我们不再将其视为“咒语”而是作为一种可设计、可测试、可优化的工程化技能。关键在于思维的转变从“向模型提问”转变为“为模型设计清晰的执行指令”。你的下一步行动建议基础巩固重新审视你当前项目或日常工作中最常用的3个提示词尝试用本文的“角色-指令-上下文-格式”框架重构它们观察效果提升。技术深入选择一个方向深入AI智能体学习LangChain/LlamaIndex框架构建能自动使用搜索引擎、数据库、API的智能体。RAG系统尝试用Chroma LangChain搭建一个基于个人文档库的问答系统。提示词微调对于极其垂直、固定的任务研究如何用少量数据对开源模型如Qwen、Llama进行微调以获得更专精、更低成本的效果。关注前沿提示词工程领域日新月异关注如“思维树ToT”、“程序辅助语言模型PAL”、“ReAct框架”等高级模式它们正在解决更复杂的推理和规划问题。记住最好的学习方式是动手。打开你的代码编辑器从一个具体的、困扰你的小任务开始应用今天学到的方法一步步迭代你的提示词。当你能够稳定地让大模型产出符合预期的结果时你就已经掌握了这项未来十年最具价值的技能之一。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度
相关文章
REPENTOGON脚本扩展器：3分钟掌握《以撒的结合》终极MOD安装方法
REPENTOGON脚本扩展器：3分钟掌握《以撒的结合》终极MOD安装方法 【免费下载链接】REPENTOGON Script extender for The Binding of Isaac: Repentance 项目地址: https://gitcode.com/gh_mirrors/re/REPENTOGON 想要为《以撒的结合：忏悔》注入全新…
AI编程助手实战指南：从工具使用到工程能力提升
🚀 30款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度 最近在技术圈和社交媒体上，一个颇具争议的话题被反复提及：“文科生用AI编程吊打程序员”。这个说法听起来很刺…
2026年辽宁沈阳摆摊的手工辣条摊位究竟哪家人气更高呢
最近后台好多沈阳的朋友问：2026年沈阳摆摊的手工辣条这么多，到底哪家人气最高？不管是自己想买来给家人吃，还是想做小本创业找摆摊货源，我专门跑了沈阳8个夜市、3个便民集市，还问了十几个常年做小吃生意的摊…
办公党必收藏的可离线OCR识别小工具：截图、文字提取，PDF识别统统都可以
软件介绍 这是一款基于本地OCR的文字识别小工具，主要用于截图后快速识别文字，也支持导入图片、PDF文件进行识别。当然不仅仅是识别功能，还可以当作截图工具使用，最主要的是无需登录无需联网即可使用。 软件获取 OCR识别软件合集…
操作系统IO管理与文件系统精讲，Linux一切皆文件、inode与block、阻塞非阻塞IO、磁盘调度、零拷贝底层原理
0. 前言：IO是系统吞吐的最终瓶颈我们彻底吃透了操作系统内存管理全套体系，掌握了虚拟内存映射、分页机制、缺页中断、内存碎片、内存泄漏与OOM核心原理，搞懂了程序如何在内存中承载运行。今天我们补齐操作系统最后一大核心模块：IO…
提示工程实战指南：从核心概念到RAG架构的AI应用开发
🚀 30款热门AI模型一站整合，DeepSeek/GLM/Qwen 随心用，限时 5 折。 👉 点击领海量免费额度 1. 先搞清楚提示工程到底在解决什么问题 如果你刚开始接触大语言模型，可能会觉得提示词就是“把问题问清楚点”。但实际用…
Spring AI 接入实践：先封装边界，再替换模型
Spring AI 接入实践：先封装边界，再替换模型 一、别把模型 SDK 写进业务层 企业 Java 后端接入大模型时，最容易做的是直接在业务 service 里调用某个供应商 SDK。短期能跑，长期会把业务和模型供应商绑死。模型切换、限流、审计、…
AI PR 摘要生成：别把变更说明写成流水账
AI PR 摘要生成：别把变更说明写成流水账 一、PR 摘要不是复制提交记录 前端项目里，一个 PR 可能同时改组件、样式、接口字段、构建配置和测试用例。AI 很适合帮忙生成摘要，但如果只是把 diff 按文件复述一遍，读者仍然不知道这次变…
当代码遇见生命：CRISPR 如何精准“粉碎”不可成药的癌细胞
当代码遇见生命：CRISPR 如何精准“粉碎”不可成药的癌细胞 在生物技术的浩瀚星空中，CRISPR 无疑是过去十年中最耀眼的超新星。如果你关注最近的技术前沿，可能会注意到一项令人振奋的突破：科学家们利用 CRISPR 技术，成功…
Windows任务栏终极清理指南：用RBTray一键隐藏窗口到系统托盘
Windows任务栏终极清理指南：用RBTray一键隐藏窗口到系统托盘 【免费下载链接】rbtray A fork of RBTray from http://sourceforge.net/p/rbtray/code/. 项目地址: https://gitcode.com/gh_mirrors/rb/rbtray 你是否厌倦了Windows任务栏上密密麻麻的图标&…
多协议远程连接管理工具mRemoteNG：告别混乱，统一你的远程桌面管理
多协议远程连接管理工具mRemoteNG：告别混乱，统一你的远程桌面管理 【免费下载链接】mRemoteNG mRemoteNG is the next generation of mRemote, open source, tabbed, multi-protocol, remote connections manager. 项目地址: https://gitcode.com/gh_m…
私有云管理平台登录绕过漏洞：从客户端信任模型到安全防御实践
1. 项目概述：一次典型的私有云管理平台登录绕过漏洞复现最近在整理内部安全测试案例库时，翻到了一个挺有意思的旧案例，是关于一个私有云管理平台的登录绕过漏洞。这个漏洞的利用方式非常“经典”，属于那种在特定开发框架或编码习惯…
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略
3步彻底解决Windows右键菜单混乱问题：ContextMenuManager使用全攻略 【免费下载链接】ContextMenuManager 🖱️ 纯粹的Windows右键菜单管理程序 项目地址: https://gitcode.com/gh_mirrors/co/ContextMenuManager 你是否曾为Windows右键菜单中那些…
从GitHub安全案例解析常见漏洞与防护实践
1. 项目概述：从GitHub Trending看安全实战 最近在GitHub Trending上看到一个项目，叫 skills4/skills ，它因为一些安全漏洞案例被大家讨论。这其实是一个挺典型的场景：一个旨在展示或教授某种技能的仓库，本身却成了安…
MLT 2026启示：因果推理与概率建模驱动下一代LLM应用
# MLT 2026启示：因果推理与概率建模驱动下一代LLM应用## 一、背景与挑战：从“黑箱预测”到“可信推理”2026年6月，第7届机器学习与趋势国际会议（MLT 2026）将在悉尼召开。会议议程中，“因果与可解释机器学习…
FAE放射组学分析工具：医学影像特征探索的完整解决方案
FAE放射组学分析工具：医学影像特征探索的完整解决方案 【免费下载链接】FAE FeAture Explorer 项目地址: https://gitcode.com/gh_mirrors/fae/FAE 你是否曾经面对海量医学影像数据感到无从下手？想要从CT、MRI等影像中提取有价值的定量特征&#…
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南
0.69B参数实现中文多模态AI：揭秘Qwen3-SmVL模型融合技术的完整实战指南 【免费下载链接】happy-llm 📚 从零开始构建大模型 项目地址: https://gitcode.com/GitHub_Trending/ha/happy-llm 还在为大型多模态模型动辄数十亿参数、显存占用高而烦恼&…
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南
解锁AMD Ryzen处理器性能潜力的SMU调试神器：从新手到专家的完整指南 【免费下载链接】SMUDebugTool A dedicated tool to help write/read various parameters of Ryzen-based systems, such as manual overclock, SMU, PCI, CPUID, MSR and Power Table. 项目地址…