目录

提示词 （Prompt）

提示词工程（Prompt Engineering）

上下文工程(ContextEngineering)

---

ai提示词

1.1 提示词 （Prompt）

提示词是你发送给⼤语⾔模型的输⼊内容，用来引导模型生成回答。它可以是⼀句话、⼀个问题、⼀段描述，也可以是包含角色设定、背景信息、示例和输出格式要求的复杂文本。在多轮对话中，系统提示和用户消息等共同构成模型的输入上下文。

1.2 提示词工程（Prompt Engineering）

提示词工程是通过系统化地设计、测试和迭代输入指令，来提升大模型输出质量的方法论。它关注如何让模型更准确、稳定地输出符合需求的结果。
关键词是“系统化”和“迭代”。高质量的 Prompt 往往不是一次写成的，而是经过“初始版本→测试→调优→再测试”的循环打磨出来的。

我让大语言模型重新定义了一下：

提示词工程，就是像写后端接口和单元测试一样写发给大模型的指令：先把需求定义成明确的输入/输出契约和验收标准，再用一组测试用例反复跑；发现输出不准、不稳、格式不对，就改指令、加约束、补示例，循环到模型能稳定产出业务需要的结果。

1. 系统化 = 不靠灵光一现，靠“接口契约”

   • 写清楚：角色、任务、输入、输出格式、字段类型、约束、示例、禁止项。

   • 像 C++ 后端写 API 一样：Prompt 不是“随便说一句”，而是给模型的请求协议。

   • Prompt 要版本化，像代码一样管理。

2. 迭代 = 不是一次写成，而是“测试驱动打磨”

   • 初始 Prompt → 准备测试用例 → 跑一批输入 → 记录失败案例 → 调 Prompt/加约束/加示例 → 回归测试。

   • 这就像后端的单元测试和 CI：不是“我觉得行”，而是“跑过测试集且稳定才行”。

3. 后端视角 = 大模型是不可靠的第三方服务

   • Prompt 是第一道契约，但不能只靠 Prompt。

   • 后端还要做：JSON Schema 校验、超时重试、降级兜底、日志监控、安全过滤。

   • 新手要记住：Prompt 负责“让模型更可能对”，后端工程负责“错了也能兜住”。

用 C++ 类比一句话：

Prompt 像函数声明 + 接口文档 + 测试用例；测试集像单元测试/回归测试；迭代调 Prompt 就像跑 CI 修 bug。

所以高质量 Prompt 不是“写”出来的，而是像后端接口一样：定义契约 → 测试 → 调优 → 再测试 → 版本化沉淀 打磨出来的。

1.3 上下文工程(ContextEngineering)

1.3.1 什么是上下文工程

上下⽂⼯程（ContextEngineering）是指围绕⼤语⾔模型（LLM）的任务⽬标，系统性地设计、组 织、筛选和管理模型在⽣成回答时能够获取的上下⽂信息，从⽽提⾼模型输出的准确性、可靠性和任务完成能⼒。 我们可以类⽐为操作系统。LLM就像CPU，⽽它的上下⽂窗⼝就像RAM，充当模型的⼯作内存。与 RAM类似，LLM上下⽂窗⼝处理各种上下⽂的容量有限。正如操作系统会筛选适合CPURAM的内容 ⼀样，我们可以认为“上下⽂⼯程”扮演着类似的⻆⾊。

简单来说，上下文工程是一门设计和构建动态系统的学科。这个系统的目标是，在模型生成回答之前，为它“有限的工作记忆”（即上下文窗口）精准地填充好所有必需的信息和工具，从而让模型能够可靠地完成任务。

1.3.2 基本特点

1 不仅仅是写提示词
除了告诉 AI 要做什么，还要准备完成任务所需的其他信息。提示词主要说明任务目标和约束，上下文工程则提供 AI 判断和生成所需的事实材料。

例子：让 AI 修复登录接口的 500 错误时，提示词可以只是“请定位并修复登录接口的 500 错误”；上下文工程还需要提供登录接口相关代码、最近的错误日志、接口文档和项目开发规范，必要时通过工具运行测试获取报错信息。这些信息不一定都写成提示词，而可以通过文件、检索结果、日志和工具结果等方式提供给 AI。

2 需要什么，就提供什么
根据当前任务提供相关信息，而不是把所有资料一次性全部塞给 AI。

例子：让 AI 修改登录页面时，只提供登录页面相关代码即可，不必发送整个项目的所有文件；如有需要，再补充接口定义、样式或路由信息。

3 可以随任务进展不断调整
AI 在完成任务的过程中，可能会发现新的问题，需要进一步查找资料或补充信息。

例子：AI 修改代码时发现缺少某个依赖，就进一步查看项目配置，再决定如何修改代码。

4 可以从多个地方获取信息
AI 需要的信息不一定都由用户提供，也可以从历史对话、公司知识库、文件和外部工具中获取。

例子：用户询问公司的请假制度，AI 可以查询公司员工手册，再根据检索到的规定回答。

5 需要不断检查和改进
如果 AI 回答不准确，需要检查是否缺少必要信息、提供了错误资料，或不同信息之间存在冲突。

例子：AI 总是按照旧开发规范编写代码时，需要检查是否检索到了最新规范，并确认新旧规范是否存在冲突、应以哪个版本为准。

1.3.3 为什么需要上下⽂⼯程

1 补全缺失的上下文

LLM（大语言模型）本质上是“无状态”的——每次对话对它而言都是初见，它记不住你3分钟前发了什么，更别提你昨晚的错题记录或三天前的需求沟通。

如果你在 Prompt 里写“根据我们上次讨论的结果继续”，模型只能茫然反问“请问上次讨论了什么？”——它根本没有“上次”。

上下文工程怎么做：在后台动态检索历史对话、用户画像、知识库等分散信息，自动注入当前上下文，让模型从“初次见面的陌生人”变成“知根知底的贴身助教”。

2 对抗上下文退化/腐烂 (Context Rot)

什么是上下文腐烂？
上下文退化/腐烂(Context Rot)指上下文长度增加时，模型提取关键信息、遵循指令、逻辑推理的能力系统性下降。它不是窗口溢出（装不下），而是窗口内的信息“变质”——装得下，但吃不下。

诱因	现象	通俗理解
注意力稀释	关键Token被百万级上下文稀释至不足0.5%权重	人多耳杂，听不清重点
中部遗忘	中间60%-70%信息被系统性忽视	开会只记得开头和结尾
上下文干扰	工具日志、错误堆栈等噪音持续累积	垃圾堆里找珍珠

上下文工程怎么做：检索截断（只喂Top-K相关段落）、关键信息放首尾、分段处理+进度笔记传递、工具结果提纯后回填。

心法：上下文是草稿纸，不是书架。

上下文退化/腐烂(Context Rot)的解决思路：

1. 注意力稀释

• 通俗解法：别让 AI“通读全文”，教它“跳读划重点”。

• 操作方法：就像你查字典找某个字，不会把整本字典从头背一遍，而是直接看索引。不把几万字的聊天记录一次性硬塞给 AI，而是先用一个简单的程序（检索器）快速扫一遍，只把最相关的3-5段内容挑出来喂给 AI；或者强制 AI“只看最近500字”和“最开头的话”，中间的大段废话直接忽略。

2. 中间内容遗忘

• 通俗解法：把最重要的东西放在“开头”或“结尾”，别塞中间。

• 现象解释：这现象很像开会做汇报——领导通常只记得你第一句（开场重点）和最后一句（总结结论），中间你讲了20分钟数据，领导全走神了。（注：研究表明，模型对上下文中间部分的记忆准确率呈U型曲线，中间最低）。

• 操作方法：如果你有一条关键规则（比如“必须输出JSON格式”），要么放在 Prompt 的最开头（加粗强调），要么放在最结尾（再叮嘱一遍）。如果中间有一段证据特别重要，就在开头单独拎出来写一句：“注意！第X段内容最关键，请重点看！”

3. 上下文干扰

• 通俗解法：喂 AI 前先“洗菜摘菜”，别把烂菜叶也扔了。

• 举例说明：你问 AI：“现在谁能管住孙悟空？”

  • 上下文只塞三句：

    1. 花果山旧话：“我是美猴王，谁也不管。”（旧身份）

    2. 天庭传言：“齐天大圣归玉帝管。”（老传言）

    3. 当前事实：唐僧会念紧箍咒，孙悟空听唐僧的。（当前权威）

  • 结果：AI 容易被“美猴王”“齐天大圣”这些旧名号带偏，答成“没人管”或“玉帝管”。

  • 正确做法：喂之前只留一句——“当前：唐僧会念紧箍咒，能管住孙悟空。”

• 总结：一句话，上下文干扰不是塞了垃圾，而是塞了“旧名号、老传言”，看着都像答案，AI 容易抓错。你要做的是标记“旧数据/新数据”，确认接口；原始结果可存外部日志，上下文里只放摘要和引用。