为了给你讲清楚提示词与上下文，我拿出了压箱底的AI沟通心法

为了给你讲清楚提示词与上下文，我拿出了压箱底的AI沟通心法 为了给你讲清楚提示词与上下文，我拿出了压箱底的AI沟通心法 Modified July 18, 2025 但为了能更好地与AI协作，在“下达”的那一刻，我们必须清晰地意识到两者在功能上的根本差异。 智能体（Agent）中的上下文 虽然我们提出了提示词 = 指令 + 上下文的实用公式， 但“上下文”本身是一个更宏大的独立概念，它并不仅仅局限于提示词之中。 在构建 AI 智能体（Agent）时，上下文更是其运作的核心。 我们来看两个例子： 一家公司的 CEO 需要做出重大决策。在决策前，他需要大量的数据作为上下文， 例如：公司的财务报表、市场的用户调研、竞争对手的最新动向等等。这些信息共同构成了他做出明智决策的基础。 再比如，你要做一场去北京的旅游规划，你会有如下动作： 思考以前是否去过北京的某些景点，如果去过，这次就不去了 查看银行卡余额，确定预算；搜索天气预报；查询火车班次；查询景点信息等等 你的记忆和使用的工具，都在为你提供决策所需的上下文，辅助你制定出最合理的旅行方案。 上述两个场景，正是智能体的典型工作模式，我们再来看那个经典的智能体公式 🎼 AI Agent（智能体） = LLM（大模型）+ Planning（规划）+ Memory（记忆）+ Tools（工具） 在这个框架中：“记忆”和“工具”的本质作用，就是为作为“大脑”的 LLM 提供做出最终判断所必需的上下文。 （当然，工具的作用不仅限于此，比如直接生成 Word 文档的工具，其核心是执行而非提供信息）。 这时候你再思考下你当前使用任何通用智能体的场景，是不是都是相似的流程： 1. 任务规划：拆解目标。 2. 信息搜集：通过搜索引擎、数据库、用户历史偏好（记忆）等方式，搜集相关信息。 3. 信息整合：将这些信息（上下文）全部交给大模型进行分析、推理。 4. 结果输出：大模型调用某个工具，生成你想要的最终成品（PPT、Word、代码等）。 至此，智能体中上下文的核心地位已经很明确了 提示词工程 VS 上下文工程 以上都是从应用和理解的层面进行的讲解。是为了方便大家理解底层逻辑 在技术层面，无论是编写提示词，还是为智能体设计上下文的注入机制，都包含着大量的技术细节。 因此，“提示词工程”与“上下文工程”并不是噱头，而是对不同技术焦点的精准定义。 提示词工程（Prompt Engineering） 在许多商业应用中，AI 的输出必须高度稳定和可靠。 提示词工程研究的就是如何设计出结构精巧、逻辑严谨的提示词模板，确保在各种情况下都能获得稳定、高质量的输出。 它包含了大量的最佳实践和方法论。 上下文工程（Context Engineering） 相比于提示词工程，更侧重于“信息环境的架构设计” 智能体的“记忆”和“工具”都会提供上下文。 但大模型的上下文窗口是有限且宝贵的，不能无脑地将所有信息都塞给它。 上下文工程研究的正是如何高效地管理和供给信息。 例如，如何检索到最相关的信息片段（RAG 技术）、如何对记忆进行压缩和存储、信息该以何种格式提供给大模型效率最高等等。 无论是提示词工程还是上下文工程，本质都在回答同一个问题： 如何用最少的资源、最快的速度，把事情沟通清楚，让 AI 做出最好的决策 所以两者是相辅相成的，不存在谁替代谁的问题。 我们甚至可以这样理解（非学术），在构建智能体的框架中，提示词工程已经成为了上下文工程中的一个分支。 我们精心设计的提示词，本身就是供给 AI 进行决策的上下文中最核心的部分。 写在最后 学习新知识时，我们会遇到各种新名词、新概念。 关键在于，我们要清晰地辨别它的适用范围，以及自己需要掌握的深度。 对于绝大多数 AI 应用者而言，我们无需深究“上下文工程”的所有技术细节， 但理解它背后的理念：从“下达指令”转向“共建情境”，将会彻底改变我们与 AI 协作的方式和高度。 原文地址【大圣AI超级个体】：https://mp.weixin.qq.com/s/LOm97WZuWg82gpQAkQTIPQ 但为了能更好地与AI协作，在“下达”的那一刻，我们必须清晰地意识到两者在功能上的根本差异。 智能体（Agent）中的上下文 虽然我们提出了提示词 = 指令 + 上下文的实用公式， 但“上下文”本身是一个更宏大的独立概念，它并不仅仅局限于提示词之中。 在构建 AI 智能体（Agent）时，上下文更是其运作的核心。 我们来看两个例子： 一家公司的 CEO 需要做出重大决策。在决策前，他需要大量的数据作为上下文， 例如：公司的财务报表、市场的用户调研、竞争对手的最新动向等等。这些信息共同构成了他做出明智决策的基础。 再比如，你要做一场去北京的旅游规划，你会有如下动作： 思考以前是否去过北京的某些景点，如果去过，这次就不去了 查看银行卡余额，确定预算；搜索天气预报；查询火车班次；查询景点信息等等 你的记忆和使用的工具，都在为你提供决策所需的上下文，辅助你制定出最合理的旅行方案。 上述两个场景，正是智能体的典型工作模式，我们再来看那个经典的智能体公式 🎼 AI Agent（智能体） = LLM（大模型）+ Planning（规划）+ Memory（记忆）+ Tools（工具） AI Agent（智能体） = LLM（大模型）+ Planning（规划）+ Memory（记忆）+ Tools（工具） 在这个框架中：“记忆”和“工具”的本质作用，就是为作为“大脑”的 LLM 提供做出最终判断所必需的上下文。 （当然，工具的作用不仅限于此，比如直接生成 Word 文档的工具，其核心是执行而非提供信息）。 这时候你再思考下你当前使用任何通用智能体的场景，是不是都是相似的流程： 1. 任务规划：拆解目标。 2. 信息搜集：通过搜索引擎、数据库、用户历史偏好（记忆）等方式，搜集相关信息。 3. 信息整合：将这些信息（上下文）全部交给大模型进行分析、推理。 4. 结果输出：大模型调用某个工具，生成你想要的最终成品（PPT、Word、代码等）。 至此，智能体中上下文的核心地位已经很明确了 提示词工程 VS 上下文工程 以上都是从应用和理解的层面进行的讲解。是为了方便大家理解底层逻辑 在技术层面，无论是编写提示词，还是为智能体设计上下文的注入机制，都包含着大量的技术细节。 因此，“提示词工程”与“上下文工程”并不是噱头，而是对不同技术焦点的精准定义。 提示词工程（Prompt Engineering） 在许多商业应用中，AI 的输出必须高度稳定和可靠。 提示词工程研究的就是如何设计出结构精巧、逻辑严谨的提示词模板，确保在各种情况下都能获得稳定、高质量的输出。 它包含了大量的最佳实践和方法论。 上下文工程（Context Engineering） 相比于提示词工程，更侧重于“信息环境的架构设计” 智能体的“记忆”和“工具”都会提供上下文。 但大模型的上下文窗口是有限且宝贵的，不能无脑地将所有信息都塞给它。 上下文工程研究的正是如何高效地管理和供给信息。 例如，如何检索到最相关的信息片段（RAG 技术）、如何对记忆进行压缩和存储、信息该以何种格式提供给大模型效率最高等等。 无论是提示词工程还是上下文工程，本质都在回答同一个问题： 如何用最少的资源、最快的速度，把事情沟通清楚，让 AI 做出最好的决策 所以两者是相辅相成的，不存在谁替代谁的问题。 我们甚至可以这样理解（非学术），在构建智能体的框架中，提示词工程已经成为了上下文工程中的一个分支。 我们精心设计的提示词，本身就是供给 AI 进行决策的上下文中最核心的部分。 写在最后 学习新知识时，我们会遇到各种新名词、新概念。 关键在于，我们要清晰地辨别它的适用范围，以及自己需要掌握的深度。 对于绝大多数 AI 应用者而言，我们无需深究“上下文工程”的所有技术细节， 但理解它背后的理念：从“下达指令”转向“共建情境”，将会彻底改变我们与 AI 协作的方式和高度。 原文地址【大圣AI超级个体】：https://mp.weixin.qq.com/s/LOm97WZuWg82gpQAkQTIPQ 写在前面 最近，“上下文工程”的概念很火，甚至有声音认为“提示词工程”已经过时。 层出不穷的新概念，常常给初学 AI 的朋友带来困扰 其实，无论是提示词工程还是上下文工程，都属于技术应用的范畴。 技术圈乐于创造新概念，以此吸引公众的目光，本身没有太大问题。 但对于绝大多数普通人而言，我们使用 AI 时不必过分纠结于这些“名相”，关键在于理解其背后的核心逻辑。 这篇文章，我将从一个普通用户的视角，为你彻底讲清楚“上下文”到底是什么，以及它为何如此重要。 提示词，远不止是“指令” 关于提示词，我想传递两个核心的认知。 🎼 第一：你与AI说的每一句话都是提示词 第一：你与AI说的每一句话都是提示词 这是一个非常关键的概念。许多新手以为，只有第一次发给 AI 的那段长长的、复杂的文本才叫提示词。 事实并非如此，你输入的每一个字、每一句话，都会成为后续对话的一部分 🎼 第二：一个有效的提示词 = 指令 + 上下文 第二：一个有效的提示词 = 指令 + 上下文 这个公式是我写提示词的指导思想，我很不喜欢把“提示词”叫做“指令”，因为这会严重误导使用者 • 指令（Instruction） = 你想让 AI帮你做什么 • 上下文（Context） = 是你希望 AI 在何种背景、前提、或约束下完成这件事。 在一次有效的沟通中，两者缺一不可，并且在大多数情况下，上下文会比指令更重要 我们日常沟通中，常常习惯于直接下达指令，却忽略了同步背景信息 可以对比下我们与别人的沟通障碍，是不是常常因为这个原因？ 所以如果单纯把提示词叫做指令，会给人一种误解，我只要发号施令就可以了 但这恰恰就是很多人写不好提示词，无法发挥 AI能力的本质原因 上下文，AI回答的“参照系” 抛开 AI 的语境，上下文本身是一个非常容易理解的概念，他指的是 🎼 你为了完成一件事情所需要了解的全部信息 你为了完成一件事情所需要了解的全部信息 跟AI沟通也是同样的道理，这里，我们需要了解 AI 工作的一个基本逻辑： 🎼 在一个独立的对话窗口中，当 AI 回答你的最新问题时，此前所有的聊天记录都会被打包，作为“上下文”一同提交给它，AI 正是依据这些历史信息，来理解你当前问题的背景。 在一个独立的对话窗口中，当 AI 回答你的最新问题时，此前所有的聊天记录都会被打包，作为“上下文”一同提交给它，AI 正是依据这些历史信息，来理解你当前问题的背景。 （这也就再次印证了：你与 AI 的每一句话都应被谨慎对待，因为它会直接影响后续的输出结果） 这里就会引出另一个非常重要的概念：上下文窗口长度 🎼 你可以把它理解为 AI 的“短期记忆”容量。 它决定了你与 AI 能连续聊多久，而不用担心它“忘记”之前的信息 你可以把它理解为 AI 的“短期记忆”容量。 它决定了你与 AI 能连续聊多久，而不用担心它“忘记”之前的信息 上下文窗口的长度，是衡量大模型能力的核心指标之一，也是各大科技公司竞相突破的焦点。 因为更大的上下文窗口，意味着 AI 能一次性处理和参考更多的信息，从而解决更复杂、更宏大的问题。 你会发现，这些概念与人际沟通的原理完全一致 1. 我们对话时，每一句话都会参照之前聊过的内容，而不是凭空产生。 2. 两个人聊天的时间越久，就越容易忘记之前讲了什么，从而导致话题跑偏 至此，上下文的概念已经完全讲清楚了 我把我写提示词时的思维方法，完全分享给你，你应该不断的问自己： 🎼 • 我的指令足够明确么？ • 我给AI提供的上下文足够清晰么？ • 为了让 AI 更好地理解，我还需要补充哪些背景信息？ • 当前对话中，是否存在无关信息，可能会误导AI 的判断？ • 我们与 AI聊了这么多，是否快要超出它的上下文窗口了？ • 我是否需要精炼和总结已有信息，然后开启一个新窗口继续讨论？ • 我的指令足够明确么？ • 我给AI提供的上下文足够清晰么？ • 为了让 AI 更好地理解，我还需要补充哪些背景信息？ • 当前对话中，是否存在无关信息，可能会误导AI 的判断？ • 我们与 AI聊了这么多，是否快要超出它的上下文窗口了？ • 我是否需要精炼和总结已有信息，然后开启一个新窗口继续讨论？ 另外我想多说一句：指令最终也会沉淀为上下文。