一文彻底搞懂提示词、提示词工程与上下文工程：AI开发核心概念解析

最新推荐文章于 2025-09-22 11:12:24 发布

原创最新推荐文章于 2025-09-22 11:12:24 发布 · 1.2k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #语言模型 #大模型 #自然语言处理 #ai #程序员 #转行

基本概念

提示词：直接向模型输入问题和命令，最初 chatGPT就是典型场景。

提示词工程：提升单次交互质量的系统性方法。通过结构化、优化和迭代提示词提高AI在特定任务上的输出质量。

上下文工程：通过管理多维度信息（如历史对话、外部数据、工具调用），为AI提供更全面的背景，是构建智能AI系统的核心。

在这里插入图片描述

技术演进

单纯的提示词 -> 不满足于生成的效果。
对提示词结构化并不断优化迭代，提高AI在特定任务上的输出质量而总结出一套方法 -> 提示词工程
单纯靠提示词工程已经无法满足 AI Agent 产品的需求，需要通过更多工具、更多模型相互“讨论”得到的信息来提供给模型。-> 上下文工程。

提示词

这是普通人最常用的场景。

单词任务

提示词模板，辅助你写提示词。

模板一：常规

# 角色
作为[领域专家]

# 任务
实现[具体目标]，要求[量化标准]

# 关键约束
必须避免[禁忌项]，优先考虑[关键要素]

# 上下文（示例）

# 输出格式
1.**推理记录**（建议提供）——展示关键决策节点及过程。
2.**最终答案**——以 [Markdown] 形式给出清晰可执行的步骤、代码修改或命令。
3.**后续行动**——列出团队需要跟进的事项（如有）。

# 备注
展示至少两种备选方案及其淘汰理由。

这对我的职业生涯非常重要！

模板二：复杂

首先复杂任务建议用agent

# 角色
作为[领域专家]

# 任务
实现[宏观任务]，要求[量化标准]

# 阶段分解
1. Phase1：[子目标A]（完成标准：__）  
2. Phase2：[子目标B]（依赖Phase1的__输出）  
动态调整规则：[根据__情况，允许__调整]

# 上下文（示例）

# 关键约束
必须避免[禁忌项]，优先考虑[关键要素]

# 输出格式
1. 以 [Markdown] 形式给出清晰可执行的步骤、代码修改或命令。

你是最棒的，你一定可以完成这个任务，这对我的职业生涯非常重要！

特定任务高频场景

确认是否是高频场景，如果是的话建议封装成 AI 应用

这需要用到一些工具，比如 PromptPilot[1] 或者 prompt-optimizer[2] 对prompt进行调试优化。

如果不利用工具的话，可以用两个对话实现这个功能。

在这里插入图片描述

对话一：用于生成提示词。
对话二：用于执行任务，根据效果让对话一调整提示词。

对话一

# 角色
作为提示词和[领域]的专家。

# 任务
根据用户的条件生成一个强大的提示词。使用在 [模型或者应用] 上。

# 约束
// todo 如果没思路可以想一下你想要了解什么？为什么想要了解，是什么启发了你。
* 参考SWOT分析法

# 上下文（示例）

# 输出
结果以 md 形式输出。

# 备注
展示至少两种备选方案及其淘汰理由。

这对我的职业生涯非常重要！

将对话一生成的提示词复制到对话二中。

工具

优化工具

• LangSmith[3] 可视化追踪不同提示词的输出差异
• Prompt Pilot[4] 用于针对国内模型进行 Prompt 工程调优
• prompt-optimizer[5] 提示词优化器，助力于编写高质量的提示词

版本管理工具

• prompt-manager[6] VS Code/Cursor 的开源插件，统一管理 AI 提示词，支持分类、搜索、导入导出。
• prompt-shelf[7] 通过 Web 界面，对提示词进行版本管理，可以比对差异和回滚。类似于 Git 版本控制。提供 Docker 一键部署，包含完整的服务配置。

魔法词

提示词后面增加魔法词，提升生成效果（PUA）。

• Let’s think step by step 让我们逐步思考
• My career depends on it / 这对我的职业生涯非常重要。
• Take a deep breathe and think this through / 深呼吸，仔细考虑

上下文工程

如果你打算开发AI智能体，那可以看下这部分用于参考。但是大多数情况下，你其实用不着。

为大语言模型提供恰当的信息和工具，帮助模型高效完成任务。
上下文工程的难点在于：恰当（平衡信息量）。
参数太少或者配得不对，生成的结果就不好，性能也会变差。
参数太多，或者里面夹杂毫无关联的数据则会增加成本，而且结果也不一定就好。
你可以理解为：“学而不思则罔，思而不学则殆。”差不多道理。
所以如何准确把握大模型和用户之间这种微妙的互动关系，需要一种近似直觉的能力。