diff --git a/pages/techniques/meta-prompting.zh.mdx b/pages/techniques/meta-prompting.zh.mdx
new file mode 100644
index 000000000..bbbc807fa
--- /dev/null
+++ b/pages/techniques/meta-prompting.zh.mdx
@@ -0,0 +1,48 @@
+# 元提示 
+import { Callout } from 'nextra/components'
+
+## 引言
+
+元提示是一种高级提示词技巧，其专注于任务与问题的结构与句法方面，而非其中具体内容细节。元提示的目标是构建一种与大型语言模型（LLM）互动的更抽象、更结构化的方式。强调信息的形式和模式，而非传统以内容为中心的方法。
+## 关键特征
+
+根据 [Zhang 等人, (2024)](https://arxiv.org/abs/2311.11482), 元提示的关键特征可总结为以下几种:
+
+**1. 结构导向**: 优先考虑问题和解决方案的格式与模式，而非具体内容。
+
+**2. 语法聚焦**: 使用语法作为预期响应或解决方案的指导模板。
+
+**3. 抽象示例**: 使用抽象示例作为框架，阐明问题和解决方案的结构，而不关注具体细节
+
+**4. 通用性强**: 适用于各种领域，能够针对广泛的问题提供结构化响应。
+
+**5. 分类方法**: 借鉴类型理论，强调提示中各组成部分的分类和逻辑排列。
+
+## 相较于小样本提示的优势
+
+[Zhang 等人, 2024](https://arxiv.org/abs/2311.11482) 指出，元提示与小样本提示的不同之处在于，元提示侧重于一种更面向结构的方法，而小样本提示则强调内容驱动的方法。
+
+以下来源于 [Zhang 等人 (2024)](https://arxiv.org/abs/2311.11482) 的示例展示了在解决 MATH 基准测试中的问题时，结构化元提示与小样本提示之间的区别：
+
+!["元提示"](../../img/techniques/meta-prompting.png)
+
+元提示相较于小样本提示的优势包括:
+
+**1. 令牌(Token) 效率**: 通过关注结构而非详细内容，减少了所需令牌(Token)的数量。
+
+**2. 公平比较**: 通过最小化具体示例的影响，为比较不同问题解决模型提供了一种更公平的方法。
+
+**3. 零样本有效性**: 可被视为一种零样本提示形式，其中具体示例的影响被最小化。
+
+<Callout type= "info" emoji="🎓">
+想了解更多关于元提示和高级提示方法的信息，请查阅我们新推出的人工智能课程。[立即加入！](https://dair-ai.thinkific.com/)
+使用代码 PROMPTING20 可额外享受八折优惠。
+</Callout>
+
+## 应用
+
+通过关注解决问题的结构模式，元提示为驾驭复杂主题提供了一个清晰的路线图，从而增强了 LLM 在各个领域的推理能力。
+
+需要注意的是，元提示也假定 LLM 具备关于正在处理的特定任务或问题的固有知识。由于 LLM 可以泛化到未见过的任务，它们有可能通过元提示得到利用，但对于更独特和新颖的任务，其性能可能会像零样本提示的情况一样出现下降。
+
+元提示可以受益的应用包括但不限于复杂推理任务、数学问题解决、编程挑战、理论查询。