LearnLM 入门指南：使用 Gemini API 构建个性化学习助手
传统教育软件缺乏个性化，难以适应不同学习者的认知负荷和动机。LearnLM 是 Google 推出的实验性任务特定模型，经过训练以符合学习科学原则，旨在激发主动学习、管理认知负荷、适应学习者、激发好奇心并深化元认知。通过系统指令，开发者可以灵活定制 AI 导师的行为，无需微调模型。该技术适用于在线辅导、智…
阅读教程 →官方AI技术教程 · 中文精选
提示工程
提示设计、结构化输出、推理、缓存与上下文优化。
共 9 篇教程
Enum.ipynb：Python枚举类型详解与实战指南
在大语言模型（LLM）应用中，模型输出往往是非结构化的自由文本，这给下游程序解析和业务逻辑集成带来巨大挑战。例如，当需要模型从预定义类别中选择答案时，自由文本可能产生拼写变体、同义词或无关内容，导致程序崩溃或数据不一致。枚举（Enum）提供了一种强约束机制，将模型输出限制在预定义的值集合…
阅读教程 →使用提示链进行故事写作：Google Colab 教程
大型语言模型（LLM）在单次生成中受限于输出 token 数（如 gemini-3.7-flash 为 8192 tokens），难以直接生成完整的长篇故事。提示链（Prompt Chaining）通过将复杂任务分解为多个子任务，逐步引导模型，提高准确性和可调试性；迭代生成（Iterative Generation）则通过多次调用模型，将前一次输出作为下一次输入，突破长度限制，…
阅读教程 →GPT-5提示词指南：提升推理与任务执行效果
GPT-5 作为 OpenAI 最新旗舰模型，在智能体任务、编码、原始智能和可操控性方面实现巨大飞跃。然而，模型性能不仅取决于模型本身，还深受提示词设计的影响。随着 AI 工程实践的普及，开发者需要掌握如何通过提示词引导模型行为，以适应不同场景（如自主代理、代码生成、指令遵循）。本教程旨在填补从模型能力…
阅读教程 →ChatGPT Enterprise 提示工程指南：日常工作的实用提示编写技巧
随着大型语言模型（LLM）在企业中的应用日益广泛，如何有效利用这些模型成为关键挑战。LLM 通过预测下一个词生成响应，其输出质量高度依赖于输入提示的质量。许多用户因缺乏提示工程知识，导致输出模糊、不准确或不符合预期。本指南应运而生，旨在提供一套系统化的提示编写方法，帮助用户明确任务、提供…
阅读教程 →GPT-5.2 提示词指南：优化生产级AI工作流的最佳实践
GPT-5.2是OpenAI面向企业和代理型工作负载的最新旗舰模型，旨在提升复杂工作流的准确性、指令遵循能力和执行纪律。相比前代，它在token效率、结构化推理、工具调用和多模态理解方面有显著进步，特别适合可靠性、可评估性和一致性要求高的生产环境。然而，模型对提示敏感，显式提示是成功部署的关键。本指南旨…
阅读教程 →塑造你的AI代理个性：系统提示词指南
随着大语言模型（LLM）在各类应用中的普及，开发者面临一个核心挑战：如何让模型输出既符合任务要求，又满足特定场景的风格和语气需求。默认的模型行为往往过于通用，难以适应企业级、开发者工具或教育等不同场景。系统提示词（System Prompt）或开发者提示词（Developer Prompt）提供了一种轻量级、可插拔的机制…
阅读教程 →优化提示词：使用多智能体系统与评估的最佳实践
在使用大型语言模型时，提示词的质量直接影响输出效果。即使经验丰富的用户也可能无意中引入矛盾、歧义或不一致，导致模型产生不理想的结果。手动审查和优化提示词既耗时又容易出错，尤其当提示词包含复杂指令和少样本示例时。多智能体系统通过分工协作，能够系统性地识别和修复这些问题，提高提示词的…
阅读教程 →GPT-5.1 提示词指南：优化性能与迁移策略
GPT-5.1 是 OpenAI 最新的旗舰模型，旨在平衡智能与速度，适用于代理和编码任务。它引入了新的 `none` 推理模式，用于低延迟交互，并在提示校准、token 消耗和可操控性方面进行了优化。对于开发者而言，理解如何针对 GPT-5.1 调整提示词至关重要，因为微小的提示更改往往能带来可靠性和用户体验的巨大提升。本教程基…
阅读教程 →