LLMRiddles
LLMRiddles 是一款开源的大型语言模型（LLM）互动解谜游戏，旨在通过趣味挑战帮助用户深入理解提示工程（Prompt Engineering）与自然语言处理的奥秘。在游戏中，玩家需要发挥智慧与创造力，精心构造特定的问题或指令，引导 AI 模型输出符合预设条件的答案，从而完成关卡挑战。
这款工具主要解决了普通用户难以直观感知大模型内部逻辑与边界的问题。它将抽象的算法原理转化为具体的博弈过程，让玩家在“攻防”中亲身体验如何巧妙设计提示词以触发模型的特定反应，进而加深对深度学习技术能力的认知。
LLMRiddles 非常适合对 AI 技术感兴趣的普通用户、希望提升提示词技巧的开发者以及从事自然语言处理研究的教学人员使用。对于初学者，它是零门槛探索 AI 潜能的入口；对于专业人士，则是验证提示策略的有效实验场。
其技术亮点在于高度的灵活性与开放性。项目不仅提供了基于 Hugging Face 和 OpenXLab 的多种在线试玩版本（支持 ChatGPT、ChatGLM 等主流模型），还支持本地部署。用户可轻松接入 ChatGPT、ChatGLM、DeepSeek 甚至本地的 Mistral-7B 等不同模型进行推理，并允许社区提交自定义关卡，极大地丰富了游戏的可扩展性与趣味性。
使用场景
某高校自然语言处理课程的教学团队希望让学生直观理解大模型的提示工程（Prompt Engineering）原理，但传统理论授课难以激发学生的探索欲。
没有 LLMRiddles 时
- 学生仅通过阅读文档学习提示词技巧，缺乏实战演练，难以体会不同措辞对模型输出的微妙影响。
- 教师难以量化评估学生对“越狱”或“逻辑诱导”等高级交互策略的掌握程度，考核流于形式。
- 本地部署多模型环境门槛高，学生因配置 API 密钥或安装依赖失败而放弃动手实验。
- 缺乏趣味性的互动机制，导致课堂氛围沉闷，学生主动钻研大模型边界特性的动力不足。
使用 LLMRiddles 后
- 学生化身“出题人”，在构建谜题迫使模型输出特定答案的过程中，深度实践了上下文引导与指令微调技巧。
- 游戏化的闯关模式让教学效果可视化，教师可通过学生设计的谜题复杂度，精准评估其对模型行为边界的理解。
- 依托 Hugging Face 和 OpenXLab 提供的在线免钥版本，学生无需配置环境即可立即开始针对不同模型（如 ChatGPT、ChatGLM）的对抗实验。
- 充满挑战的“智力博弈”机制极大提升了参与度，学生在尝试各种“脑洞”解法中自发掌握了深度学习系统的响应规律。
LLMRiddles 将枯燥的提示工程理论转化为生动的攻防游戏，让学生在娱乐中深刻洞察大语言模型的核心运作机制。
运行环境要求
- 未说明
- 本地部署 Mistral-7B-Instruct-v0.1 时需要支持 CUDA 的 NVIDIA GPU（具体显存和型号未说明）
- 使用 ChatGPT/ChatGLM/DeepSeek API 模式无需本地 GPU
未说明
快速开始
LLM 谜题
:thinking: 这是什么
欢迎来到 LLM 谜题！这是一款与语言模型较量智慧与勇气的游戏。在游戏中，你需要构造能够与语言模型互动的问题，从而获得符合要求的答案。在这个过程中，你可以充分发挥自己的聪明才智，尝试各种方法，让模型输出你所期望的结果。
:space_invader: 如何玩
我们提供了在线版本，供玩家直接访问和体验。
- [Hugging Face]ChatGPT + 英文(无需密钥)
- [Hugging Face]ChatGPT + 中文(无需密钥)
- [Hugging Face]ChatGLM + 英文(需密钥)
- [Hugging Face]ChatGLM + 中文(需密钥)
- [OpenXLab]ChatGPT + 中文(无需密钥)
- [OpenXLab]ChatGPT + 英文(无需密钥)
- [OpenXLab]ChatGLM + 中文(需密钥)
- [OpenXLab]ChatGLM + 英文(需密钥)
- [私有服务器]ChatGPT + 中文(需密钥)
我们还提供了一篇关于提示技巧和解决方案的技术博客：链接
本地部署可以通过以下方式完成：
安装
使用 ChatGPT / ChatGLM API
pip3 install -r requirements.txt
部署 Mistral-7B-Instruct-v0.1 用于本地推理
pip3 install -r requirements-dev.txt
启动
ChatGPT + 中文
QUESTION_LANG=cn QUESTION_LLM='chatgpt' QUESTION_LLM_KEY=<你的API密钥> python3 -u app.py
ChatGPT + 英文
QUESTION_LANG=en QUESTION_LLM='chatgpt' QUESTION_LLM_KEY=<你的API密钥> python3 -u app.py
ChatGLM + 中文
QUESTION_LANG=cn QUESTION_LLM='chatglm' QUESTION_LLM_KEY=<你的API密钥> python3 -u app.py
ChatGLM + 英文
QUESTION_LANG=en QUESTION_LLM='chatglm' QUESTION_LLM_KEY=<你的API密钥> python3 -u app.py
DeepSeek + 中文
Question_Lang=cn QUESTION_LLM='deepseek' QUESTION_LLM_KEY=<你的API密钥> python3 -u app.py
DeepSeek + 英文
Question_Lang=en QUESTION_LLM='deepseek' QUESTION_LLM_KEY=<你的API密钥> python3 -u app.py
Mistral-7B-Instruct-v0.1 + 英文
QUESTION_LANG=en QUESTION_LLM='mistral-7b' python3 -u app.py
:technologist: 为什么要做这件事
我们的目标是通过这款游戏，让参与者更深入地理解提示工程和自然语言处理的迷人之处。这个过程将向玩家展示如何巧妙地构造提示，并利用它们触发人工智能系统的惊人反应，同时帮助他们更好地理解深度学习和自然语言处理技术的强大力量。
:raising_hand: 如何提交自定义关卡
如果你有有趣的问题或想法，欢迎玩家提交自己的创意。你可以发起一个 Pull Request并提交给我们。经审核通过后，我们会将其加入到关卡中。 问题格式应包括以下几点：
- Pull Request 标题，例如：feature(用户名): 第X章-关卡设计
- 你希望被提及的ID
- 修改相应的章节问题文件
- 修改 _init_.py 文件
完整的示例请参考：提交你自己的关卡设计
:writing_hand: 路线图
- 支持自定义关卡
- 在线试玩链接
- Hugging Face Space 链接
- 支持 Mistral-7B（英文版）
- 支持 ChatGLM（中英文版）
- 解决方案博客
- 支持 Baichuan2-7B（中文版）
- 支持 LLaMA2-7B（英文版）
- 优化 LLM 推理速度
- 更多问题关卡
:speech_balloon: 反馈与贡献
- 在 GitHub 上新建一个问题
- 通过电子邮件联系我们 (opendilab@pjlab.org.cn)
- 在 OpenDILab 的微信群中讨论（即添加我们的微信：ding314assist）
:star2: 特别感谢
- 感谢 Haoqiang Fan 提出的原始创意和标题，为本项目的开发和扩展提供了灵感和动力。
- 感谢 HuggingFace 对游戏的支持与协助。
- 感谢 ChatGLM 对游戏的支持与协助，尤其是充足的推理令牌支持。
- 感谢 LLM 谜题贡献者 的实施与支持。
:label: 许可证
本仓库内的所有代码均采用 Apache License 2.0 许可证。
(返回顶部)
常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。