当前位置：

社区首页

电脑数码

软件应用

服务软件

AIGC文章详情

提示工程与上下文工程：AI交互优化的双引擎

源自87位全网作者

05-31 10:58

精选参考来源

【同样用 AI，别人产出碾压你？差距全在提示词工程】2026年，AI领域有一个令人不安的真相：模型不再是瓶颈，提示词才是。两个人在同一个任务中使用相同的模型，产出质量却天差地别。平庸者得到的是需要推倒重写的废话，而专家得到的是直接进入生产环境的成果。提示词工程不是某种玄学，它是AI经济时代最有价值的技能，因为它决定了你与AI交互的质量天花板。以下是迈向专家级提示词工程的完整路径。---第一阶段：基础认知——具体性击败普遍性大多数提示词失败的原因在于：大语言模型本质上是在预测下一个概率最高的字符。当你给出的指令模糊时，模型会填充统计学上最平庸的内容。专家提示词必须包含的六个要素：1. 角色：给模型一个具体的身份，如“拥有15年经验的B2B SaaS产品策略专家”，这决定了它的词汇量、深度和视角。2. 背景：模型需要知道你的行业、受众、限制条件和目标。没有背景，模型只能靠猜测。3. 任务：明确具体的动作，例如“对比三个竞争对手的定价、功能和话术，撰写一份竞争分析报告”。4. 格式：规定输出的形态，如表格、两段式的建议或特定的代码结构。5. 约束：明确告诉模型“不要做什么”，比如“不要使用营销术语”、“不要超过500字”。6. 质量标准：定义什么是“好”，例如“分析必须具体到足以让产品团队在5分钟内做出决策”。---第二阶段：结构化技巧——让逻辑清晰可见1. 使用XML标签Claude等模型对结构化输入非常敏感。使用标签如 <context>、<task>、<constraints> 可以消除歧义，让模型明确每一部分指令的功能。2. 背景在前，问题在后当处理长文档或大量数据时，始终将参考资料放在问题之前。先让模型加载上下文，再提出要求，这比先问问题再给资料的效果要好得多。3. 少样本学习（Few-Shot）给模型三到五个例子，效果胜过十段文字描述。展示你想要的模式，包括正常情况和边缘情况，模型会迅速捕捉到你未言明的逻辑。---第三阶段：高阶策略——深度思考的逻辑链1. 链式思维（The Chain Method）永远不要让模型在一个提示词里完成五件事。将任务拆解：先做调研，再找差异，最后写文案。每一步的质量都会累积，最终形成深度远超单一指令的成品。2. 自我修正循环模型的初稿往往只是草稿。加入一段指令：“重新阅读你的回答，按准确性、具体性和可操作性打分（1-10分）。针对低于8分的维度进行修正，并给出最终版本。”3. 动机约束不仅要告诉模型“做什么”，还要告诉它“为什么”。当模型理解了“字数限制是为了适应Telegram的显示逻辑”时，它在精简内容时会表现得更智能。4. 多维视角分析对于复杂的决策，要求模型从不同角色（如CEO、CFO、客户）的角度分别进行分析，最后再综合成一个平衡各方利益的建议。5. 元提示词（The Meta-Prompt）当你不知道如何写好提示词时，让AI帮你写。描述你的目标和背景，要求AI为你生成一个最有效的提示词结构。---第四阶段：系统化精进——从战术到战略1. 持久化上下文文件为不同类型的工作建立Markdown文件，如写作准则、分析框架或项目背景。在对话开始时让模型先读取这些文件，确保它始终遵循你的个人标准。2. 模板库意识将每一个成功的提示词沉淀为可复用的模板。剥离具体内容，保留结构变量。随着时间的推移，这种复利效应将成为你最大的竞争优势。3. 每周反馈闭环每周复盘你的AI产出：哪些地方没达标？提示词哪里可以改进？将这些教训更新到你的上下文文件中。---总结与启示提示词工程不是在寻找某句“咒语”，而是系统性地增加交互的确定性。平庸者在依赖模型的随机性，而专家在消除模型的随机性。当你掌握了这些技术，你会发现你使用的仿佛是完全不同的另一种技术。在这个AI时代，你的提问能力，就是你的生产力上限。x.com/eng_khairallah1/status/2046881340977782970

【2026年AI工程师学习路线：从调用模型到构建系统的九个关键能力】AI工程和传统机器学习工程正在分道扬镳。机器学习工程师从零训练模型，AI工程师则在基础模型之上构建应用。这个转变意味着你需要学习的东西完全不同了。一、理解基础模型GPT、Claude、Gemini、Llama这些基础模型是现代AI应用的基石。你不需要从头训练，但必须深入理解它们的能力边界、分词机制、上下文窗口和定价策略。成本控制能力往往决定了一个AI应用能否活下去。入门项目：做一个模型对比笔记本，用同样的10个提示词测试不同模型，记录质量、速度和风格差异。二、提示词工程在AI工程领域，提示词就是你的代码。一个平庸的AI应用和一个优秀的AI应用，差距往往就在提示词设计上。少样本学习、思维链、结构化输出这些技术能大幅提升效果，而且不需要任何模型训练。入门项目：选一个任务，写五种不同风格的提示词，在电子表格里打分对比。三、检索增强生成大模型有知识截止日期，还会产生幻觉。RAG让它们扎根于你的数据。从客服机器人到内部知识助手，这是生产环境中最常见的AI应用模式。分块策略、嵌入模型、向量数据库、检索指标，这些都是必修课。入门项目：用你自己的笔记文件搭建一个简单的RAG应用，50行代码就能跑起来。四、评估与测试凭感觉评估无法规模化。你需要系统性的方法来衡量AI应用是否在进步：构建评估数据集、选择指标、跑AB测试、检测性能退化。没有好的评估体系，你就是在盲飞。入门项目：准备20个问答对，写个脚本自动评分，每次改提示词都跑一遍。五、智能体与工具调用智能体把大模型从文本生成器变成行动执行者。它们能浏览网页、执行代码、查询数据库、调用API。理解智能体架构、工具设计和失败模式，是构建自主AI系统的关键。入门项目：做一个计算器智能体，让它通过调用工具来回答数学问题。六、结构化输出与数据提取真实应用需要结构化数据，JSON、SQL、API调用，而非自由文本。JSON模式、函数调用、约束生成这些技术确保大模型输出能与下游系统对接。这是对话式AI和软件工程之间的桥梁。入门项目：做一个食谱提取器，把网页上的乱七八糟的文本变成干净的JSON结构。七、护栏与安全AI应用可能被越狱、产生有害内容、泄露敏感信息。输入输出护栏、隐私检测、内容过滤、对抗测试，这些在生产部署中不可或缺。入门项目：给你的聊天机器人加上简单的输入输出过滤，用关键词匹配检测提示词注入。八、可观测性与监控无法衡量就无法改进。生产级AI系统需要日志、追踪、成本跟踪、质量监控和告警。入门项目：给你的应用加上调用日志，记录时间戳、提示词、响应、延迟、token数量和估算成本。一周后分析数据，你会发现很多优化空间。九、AI系统架构真实的AI应用是多个组件的组合：检索器、模型、护栏、缓存、数据库。理解复合AI系统的设计模式，才能构建可维护、可测试、可扩展的架构。综合项目：做一个个人助手机器人，整合RAG、结构化输出、输入验证和日志记录，部署到免费平台上。这就是一个能展示真实能力的作品集项目。有评论提出了一个值得深思的观点：2026年AI工程师真正的核心能力，是知道哪些层该自己掌控，哪些层该交给框架处理。这个答案每个季度都在变。智能体正在以超出学习速度的节奏压缩技术栈，RAG、结构化输出、护栏越来越多地被内置到平台中。学会构建固然重要，学会判断何时不必亲自构建，可能更重要。x.com/manthanguptaa/status/2018297734995075200

全部
来源

内容由AI生成

1. 【同样用 AI，别人产出碾压你？差距全在提示词工程】2026年，AI领域有一个令人不安的真相：模型不再是瓶颈，提示词才是。两个人在同一个任务中使用相同的模型，产出质量却天差地别。平庸者得到的是需要推倒重写的废话，而专家得到的是直接进入生产环境的成果。提示词工程不是某种玄学，它是AI经济时代最有价值的技能，因为它决定了你与AI交互的质量天花板。以下是迈向专家级提示词工程的完整路径。---第一阶段：基础认知——具体性击败普遍性大多数提示词失败的原因在于：大语言模型本质上是在预测下一个概率最高的字符。当你给出的指令模糊时，模型会填充统计学上最平庸的内容。专家提示词必须包含的六个要素：1. 角色：给模型一个具体的身份，如“拥有15年经验的B2B SaaS产品策略专家”，这决定了它的词汇量、深度和视角。2. 背景：模型需要知道你的行业、受众、限制条件和目标。没有背景，模型只能靠猜测。3. 任务：明确具体的动作，例如“对比三个竞争对手的定价、功能和话术，撰写一份竞争分析报告”。4. 格式：规定输出的形态，如表格、两段式的建议或特定的代码结构。5. 约束：明确告诉模型“不要做什么”，比如“不要使用营销术语”、“不要超过500字”。6. 质量标准：定义什么是“好”，例如“分析必须具体到足以让产品团队在5分钟内做出决策”。---第二阶段：结构化技巧——让逻辑清晰可见1. 使用XML标签Claude等模型对结构化输入非常敏感。使用标签如 <context>、<task>、<constraints> 可以消除歧义，让模型明确每一部分指令的功能。2. 背景在前，问题在后当处理长文档或大量数据时，始终将参考资料放在问题之前。先让模型加载上下文，再提出要求，这比先问问题再给资料的效果要好得多。3. 少样本学习（Few-Shot）给模型三到五个例子，效果胜过十段文字描述。展示你想要的模式，包括正常情况和边缘情况，模型会迅速捕捉到你未言明的逻辑。---第三阶段：高阶策略——深度思考的逻辑链1. 链式思维（The Chain Method）永远不要让模型在一个提示词里完成五件事。将任务拆解：先做调研，再找差异，最后写文案。每一步的质量都会累积，最终形成深度远超单一指令的成品。2. 自我修正循环模型的初稿往往只是草稿。加入一段指令：“重新阅读你的回答，按准确性、具体性和可操作性打分（1-10分）。针对低于8分的维度进行修正，并给出最终版本。”3. 动机约束不仅要告诉模型“做什么”，还要告诉它“为什么”。当模型理解了“字数限制是为了适应Telegram的显示逻辑”时，它在精简内容时会表现得更智能。4. 多维视角分析对于复杂的决策，要求模型从不同角色（如CEO、CFO、客户）的角度分别进行分析，最后再综合成一个平衡各方利益的建议。5. 元提示词（The Meta-Prompt）当你不知道如何写好提示词时，让AI帮你写。描述你的目标和背景，要求AI为你生成一个最有效的提示词结构。---第四阶段：系统化精进——从战术到战略1. 持久化上下文文件为不同类型的工作建立Markdown文件，如写作准则、分析框架或项目背景。在对话开始时让模型先读取这些文件，确保它始终遵循你的个人标准。2. 模板库意识将每一个成功的提示词沉淀为可复用的模板。剥离具体内容，保留结构变量。随着时间的推移，这种复利效应将成为你最大的竞争优势。3. 每周反馈闭环每周复盘你的AI产出：哪些地方没达标？提示词哪里可以改进？将这些教训更新到你的上下文文件中。---总结与启示提示词工程不是在寻找某句“咒语”，而是系统性地增加交互的确定性。平庸者在依赖模型的随机性，而专家在消除模型的随机性。当你掌握了这些技术，你会发现你使用的仿佛是完全不同的另一种技术。在这个AI时代，你的提问能力，就是你的生产力上限。x.com/eng_khairallah1/status/2046881340977782970

2. 【2026年AI工程师学习路线：从调用模型到构建系统的九个关键能力】AI工程和传统机器学习工程正在分道扬镳。机器学习工程师从零训练模型，AI工程师则在基础模型之上构建应用。这个转变意味着你需要学习的东西完全不同了。一、理解基础模型GPT、Claude、Gemini、Llama这些基础模型是现代AI应用的基石。你不需要从头训练，但必须深入理解它们的能力边界、分词机制、上下文窗口和定价策略。成本控制能力往往决定了一个AI应用能否活下去。入门项目：做一个模型对比笔记本，用同样的10个提示词测试不同模型，记录质量、速度和风格差异。二、提示词工程在AI工程领域，提示词就是你的代码。一个平庸的AI应用和一个优秀的AI应用，差距往往就在提示词设计上。少样本学习、思维链、结构化输出这些技术能大幅提升效果，而且不需要任何模型训练。入门项目：选一个任务，写五种不同风格的提示词，在电子表格里打分对比。三、检索增强生成大模型有知识截止日期，还会产生幻觉。RAG让它们扎根于你的数据。从客服机器人到内部知识助手，这是生产环境中最常见的AI应用模式。分块策略、嵌入模型、向量数据库、检索指标，这些都是必修课。入门项目：用你自己的笔记文件搭建一个简单的RAG应用，50行代码就能跑起来。四、评估与测试凭感觉评估无法规模化。你需要系统性的方法来衡量AI应用是否在进步：构建评估数据集、选择指标、跑AB测试、检测性能退化。没有好的评估体系，你就是在盲飞。入门项目：准备20个问答对，写个脚本自动评分，每次改提示词都跑一遍。五、智能体与工具调用智能体把大模型从文本生成器变成行动执行者。它们能浏览网页、执行代码、查询数据库、调用API。理解智能体架构、工具设计和失败模式，是构建自主AI系统的关键。入门项目：做一个计算器智能体，让它通过调用工具来回答数学问题。六、结构化输出与数据提取真实应用需要结构化数据，JSON、SQL、API调用，而非自由文本。JSON模式、函数调用、约束生成这些技术确保大模型输出能与下游系统对接。这是对话式AI和软件工程之间的桥梁。入门项目：做一个食谱提取器，把网页上的乱七八糟的文本变成干净的JSON结构。七、护栏与安全AI应用可能被越狱、产生有害内容、泄露敏感信息。输入输出护栏、隐私检测、内容过滤、对抗测试，这些在生产部署中不可或缺。入门项目：给你的聊天机器人加上简单的输入输出过滤，用关键词匹配检测提示词注入。八、可观测性与监控无法衡量就无法改进。生产级AI系统需要日志、追踪、成本跟踪、质量监控和告警。入门项目：给你的应用加上调用日志，记录时间戳、提示词、响应、延迟、token数量和估算成本。一周后分析数据，你会发现很多优化空间。九、AI系统架构真实的AI应用是多个组件的组合：检索器、模型、护栏、缓存、数据库。理解复合AI系统的设计模式，才能构建可维护、可测试、可扩展的架构。综合项目：做一个个人助手机器人，整合RAG、结构化输出、输入验证和日志记录，部署到免费平台上。这就是一个能展示真实能力的作品集项目。有评论提出了一个值得深思的观点：2026年AI工程师真正的核心能力，是知道哪些层该自己掌控，哪些层该交给框架处理。这个答案每个季度都在变。智能体正在以超出学习速度的节奏压缩技术栈，RAG、结构化输出、护栏越来越多地被内置到平台中。学会构建固然重要，学会判断何时不必亲自构建，可能更重要。x.com/manthanguptaa/status/2018297734995075200

3. 【你以为AI编程拼的是提示词，其实高手都在“驯化”项目结构】快速导读：别再卷提示词了。想让Claude像个真正的工程师一样干活，关键不是怎么“说”，而是怎么“放”。一个结构清晰的代码仓库，远比一段天花乱坠的提示词更重要。---多数人还在琢磨怎么把提示词写出花来，但真正拉开AI编程效率差距的，根本不是提示词。你以为让Claude写出好代码，靠的是把需求描述得滴水不漏。其实，如果你的代码仓库一团糟，它就只是个聊天机器人；如果结构清晰，它才表现得像个住在你项目里的高级工程师。这中间的差距，比人和狗的差距都大。秘诀在于给AI建立一套“项目解剖学”。这套结构，就是AI的“短期记忆”和“行为准则”。它只需要四个东西：1. CLAUDE.md：项目的北极星文件，简要说明系统目的、仓库地图和交互规则。短小精悍，废话太多AI会抓不住重点。2. .claude/skills/：可复用的专家模式。把代码审查、重构、调试等固定流程变成技能包，随时调用，而不是每次都在提示词里重复念叨。3. .claude/hooks/：自动化护栏。模型会忘事，但钩子不会。比如编辑后自动格式化、核心代码变更后触发测试，把AI工作流变成可靠的工程系统。4. docs/：渐进式上下文。别把几万字的需求文档塞进提示词，让AI自己去查阅架构图、决策记录和操作手册。它不需要记住一切，只需要知道“真理”在哪。有人在一个5万行代码的库上实践这套方法，Claude的错误率直接降低了大约60%。评论区里一片“原来如此”的声音，大家普遍认同：结构大于提示词，仓库本身就是终极提示。提示词是租来的，结构才是你自己的。所以，如果你还在每天花几小时跟AI“念经”，却发现它总是犯些低级错误，问题很可能不在你的提示词写得够不够“魔法”，而在你的项目结构是不是一坨屎。别再抱怨AI笨了，也许它只是在你的烂摊子里迷了路。---简评：这篇文章精准地指出了当前AI辅助编程领域的一个核心误区：过度迷信“提示词工程”，而忽略了更基础也更重要的“上下文工程”。它提出的“项目结构即提示”的观点，对于那些感觉AI“不好用”的开发者来说，无疑是一次认知矫正。从“教AI做事”转向“为AI搭建舞台”，这才是人与AI协作的正确姿势。---ref: x.com/vishisinghal_/status/2032368817981305196#AI创造营##人工智能#

4. AI 编程时代，最稀缺的不是提示词，而是软件工程

5. Context 还不够，Harness 才是 Agent 工程优化的正解？

6. 【如何构建任何场景的提示词：一套可复用的系统架构】互联网上到处都是“ChatGPT最强提示词合集”，人们收藏、粘贴、得到平庸的结果，然后继续寻找下一个。这就像戴着别人的近视眼镜，技术上能用，实际上没用。问题的根源在于：为别人的场景、别人的上下文、别人的输出需求构建的提示词，永远不会像你自己构建的那样有效。你需要的不是一个很少打开的收藏夹，而是一套系统架构。大多数人用自然段落写提示词。简单问题还行，稍微复杂一点就崩溃。因为模型必须猜测：角色在哪里结束？任务从哪里开始？约束是什么？输出应该长什么样？每一次猜测都是潜在的幻觉。XML标签消除了猜测。它们创建带标签的容器，告诉模型每条信息是什么、如何使用。这不是理论，Anthropic在自己的系统提示词中就使用XML标签，这是模型被设计来解析结构化指令的方式。核心标签有六个，几乎每个提示词都会用到：【角色】定义模型成为谁。不是“你是一个有帮助的助手”这种废话，而是“你是一位拥有15年经验的品牌策略师，专注于定位、信息架构和竞争差异化”。角色越具体，模型猜测越少。【任务】定义模型做什么。不是描述，是指令。“帮用户改进写作”是描述，“分析用户草稿，针对结构、清晰度和说服力提供具体可执行的反馈，找出三个最弱的点并重写作为示例”是指令。没有清晰任务的提示词会随心所欲，而随心所欲通常意味着平庸。【准则】控制模型如何行动。“永远不要假设用户没提供的上下文”“如果信息缺失就提问”“不要给泛泛的建议”。规则是覆盖模型默认行为的方式。【约束】是硬性限制，定义输出本身的边界。“回复必须少于280字符”“不要提及竞争对手名称”“所有建议必须在30天内可执行”。规则管行为，约束管产出，区分很重要。【格式】是最被忽视的标签。大多数人描述想要什么，却从不描述它长什么样。同样的角色和任务，“一句话”给你标题，“三段式摘要”给你简报，“带章节的详细报告”给你文档，“JSON格式”给你结构化数据。模型没变，你对输出格式的控制变了。【示例】是最强大也最少被使用的标签。一个好例子教给模型的东西，比一段指令多得多。它同时展示格式、深度、语气、结构和推理。两个例子通常就够了，目标不是全面覆盖，是校准。进阶标签处理那20%需要更高精度的场景：【上下文】提供背景信息，【个性】定义个性，【语气】定义情感基调，【受众】决定输出面向谁，【知识】注入领域知识，【方法】规定执行步骤，【反模式】展示什么是坏输出，【退路】定义无法完成任务时怎么办，【验证】让模型自检，【发现引擎】让模型先提问再行动，【链】把多个提示词串联起来。不是每个提示词都需要每个标签。简单任务用【角色】加【任务】加【格式】就够了。专业输出加上【准则】、【约束】和【示例】。交互式场景加【发现引擎】和【退路】。复杂工作流才需要全套。六个标签各司其职，比十二个标签一半在划水强得多。调试提示词有规律可循：输出太泛，【角色】不够具体；格式不对，【格式】缺失或太松；指令被忽略，【准则】埋得太深或相互矛盾；输出太保守，加【反模式】展示你不想要的样子；输出跑偏，【任务】有歧义；输出编造事实，加fallback告诉模型不知道时该怎么办；输出不稳定，加【示例】。框架是通用的，无论你构建代码审查、内容写作、数据分析还是任何其他场景的提示词。标签不变，里面的内容变。现在你可以随意构建和混搭提示词了。x.com/kloss_xyz/status/2018951817892442260

7. 【智能体软件不是提示词堆叠：一场面向 Agent 的系统工程实践】构建智能体软件（Agentic Software）不应仅仅是“提示词工程”的堆叠，而是一场严谨的系统工程实践。Ashpreet Bedi 通过复盘贝尔实验室构建电话网络的历史教训，指出当前 AI 开发中“过度优化局部、忽视系统整体”的误区。+ 真正的智能体软件是“业务逻辑被 Agent 替换”的常规软件，它必须在五个核心层面上实现协同：1. 智能体工程（Agent Engineering）这是系统的“大脑”。除了模型选择，更关键的是定义确定性的执行流、工具配置和上下文管理。智能体的行为在可预测时应保持确定，在不可预测时应保持可观测。2. 数据工程（Data Engineering）上下文即数据。记忆、存储和知识库必须遵循成熟的数据工程原则：设计良好的 Schema、结构化查询以及高效的读写流水线。Agent 的能力上限取决于它获取数据的质量，而非模型参数。3. 安全工程（Security Engineering）安全必须由系统强制执行，而非靠提示词约束。“只读权限”应该是数据库连接层面的配置，而不是告诉 Agent “请不要修改数据”。必须通过 JWT 验证、RBAC（基于角色的访问控制）和请求隔离，防止数据越权。4. 接口工程（Interface Engineering）Agent 会出现在 REST API、Slack、终端等多个表面。挑战在于如何将不同的身份系统（如 Slack 用户 ID 与产品内部 ID）统一映射，确保权限控制在所有入口保持一致。5. 基础设施工程（Infrastructure Engineering）95% 的工作与传统服务无异（容器化、云部署、横向扩展）。剩下的 5% 在于应对 Agent 的特性：更长的请求耗时、流式响应（SSE/WebSockets）以及主动触发的任务。+ 系统工程的实践：Dash 项目为了证明这一理念，Agno 团队开源了 Dash —— 一个具备自我学习能力的 SQL 数据智能体。它展示了系统工程如何解决实际问题：- 六层上下文增强：Dash 不直接写 SQL，而是结合表元数据、业务规则、历史查询模式、机构知识、错误学习记录和运行时 Schema 检查。- 自我进化闭环：当 Agent 执行 SQL 报错时，它会诊断修复并记录“学习心得”。第 100 次查询比第 1 次更准，不是因为模型变强了，而是数据层进化了。- 架构级安全：分析师 Agent 连接的是只读引擎，工程师 Agent 只能写入特定的 dash Schema。这种物理隔离确保了即便模型“幻觉”产生恶意指令，系统也会在底层将其拦截。当我们从系统视角审视软件时，许多争论（如 MCP vs CLI）会变得显而易见。不要给 Agent 不受限的权限，要给它定义清晰、边界明确的工具；不要把记忆存在散乱的文件里，要存入数据库。系统工程不是为了增加复杂性，而是为了让各个组件在交互中产生超越个体的可靠性。x.com/ashpreetbedi/status/2041568919085854847github.com/agno-agi/dash

8. 大模型上下文工程指南

9. 别光问AI了，反向操作才是王炸，这是我10倍速阅读的三大心法和提示词～当会用AI不再稀缺，AI时代真正拉开差距的是什么？#ai #阅读 #读书 #学习 #世界读书日

10. 问：上下文（Context）和上下文窗口（Context Window）什么差别？这两个概念经常被混用，但其实指的是不同层面的东西：上下文是指 AI Agent 在执行任务时实际拥有的所有信息，包括系统提示词、用户的对话历史、检索到的文档、工具调用的结果、记忆模块注入的内容等等。你可以把它理解为“Agent 此刻脑子里装的所有东西”。上下文是一个动态的、可以被工程化管理的概念——哪些信息该放进来、什么时候放、怎么组织，这就是现在越来越多人说的 Context Engineering。上下文窗口则是模型层面的一个硬性限制，指的是模型单次推理能处理的最大 token 数量。比如 128K、200K、1M 这些数字，说的就是上下文窗口的大小。它本质上是一个“容器的容量”。打个比方：上下文窗口是你厨房操作台的面积，上下文是你实际摆在台面上的食材、调料、菜谱和工具。台面就那么大（上下文窗口有上限），但你放什么上去、怎么摆放（上下文的管理）决定了你能不能高效做菜。在 Agent 开发中，一个核心挑战就是：Agent 需要的上下文往往远超上下文窗口的容量。对话越来越长、工具调用结果越来越多、检索的文档越来越大——这些都在消耗上下文窗口的空间。所以才需要各种策略来管理：摘要压缩历史对话、选择性检索而不是全量灌入、及时清理不再需要的中间结果等等。简单总结就是：上下文（Context）是“内容”，上下文窗口（Context Window）是“装内容的容器”。做 Agent 工程的核心功夫之一，就是在有限的“上下文窗口”里塞进最有价值的“上下文”。

11. 深度解析 OpenClaw 在 Prompt / Context / Harness 三个维度中的设计哲学与实践 http://t.cn/AXMlF3bd "OpenClaw 在Prompt Engineering（提示词工程）、Context Engineering（上下文工程）以及新兴的Harness Engineering（驾驭工程/脚手架工程）等维度上也做了很多可值得学习和落地的工作。Prompt Engineering → Context Engineering → Harness Engineering也是现代AI系统的三大关键阶段，分别聚焦于“如何说”、“让AI看什么”以及“构建怎样的运行环境”，三者层层递进，共同致力于提升大模型在复杂任务中的可靠性与可控性‌. …… 我的核心思路是从Prompt、Context和Harness这三个维度展开，分析OpenClaw的设计思路，提炼出其中可复用的方法论，来思考如何将这些精华的设计哲学应用到我们自己的Agent系统设计和业务落地中去。" #How I AI#

12. 智能体上下文工程：为什么文件系统成了AI记忆的最佳载体？

13. OpenAI、Anthropic 和 Google 的工程师为什么从不为提示词发愁？秘诀在于“上下文栈”——真正的元技巧是“上下文工程”。过去，我们用提示词“黑客”式地与AI沟通，像用简单短语和关键词和陌生人对话。但现在的模型不只是理解指令，它们理解的是“环境”。你的工作不再是简单“提示”，而是设计它的上下文。什么是上下文？就是你在模型开始生成内容前搭建的数字环境，包括：- 它应该“扮演”的角色（身份）- 它的目标是什么- 它的沟通风格和语气- 它参考的例子、数据和过往作品这才是保证输出连贯、高质且符合品牌调性的关键。举个例子：旧式提示： “写一篇关于AI生产力工具的LinkedIn帖子。”上下文设计版： “你是一位技术创始人，写实用且能病毒传播的推文，语气自信且带点挑衅，基于真实案例。这里有你过去的三篇示例。现在，写一篇关于AI生产力工具的新推文。”区别就在于，你不是在“提示”，而是在“简报”。模型不再是工具，而是你团队的新成员。就像招新人一样，它需要了解你的品牌、目标和期待，而非随便发号施令。这就是“上下文工程”的力量。一个简单且实用的框架是4C：角色（Character）、命令（Command）、限制（Constraints）、上下文（Context）。一次设定，反复使用。有了正确的上下文，你的模型变成真正懂你声音、受众和意图的创意伙伴。没有它，你只是靠运气。停止“提示词黑客”，开始“上下文构建”。每次简报，都像培训新员工一样，问自己：“他们需要知道什么，才能像我一样思考？”这才是2025年AI合作的未来。掌握上下文工程，不只是问什么，更是给什么；不只是它写什么，更是它懂什么。创作者借此放大品味，创始人放大判断力，团队放大知识。你今天的上下文结构是什么样的？原文：x.com/hasantoxr/status/1995891151535259864

14. 如何看待淘天金码奖设立Prompt工程赛道，是否意味着「提示词工程师」将成为未来五年互联网行业新风口？

15. AI Agent 的“进化之路”：从研究原型到生产级记忆系统，技术趋势与产品对比

16. 我最近在整理一个问题：为什么同样一个 AI 模型，有人用起来得心应手，有人老觉得答非所问？扫到了 LangChain CEO Harrison Chase 过去大半年在各种场合讲的东西，发现他反复说的一句话把这件事讲透了——「AI 智能体搞砸，都是因为没拿到对的上下文；AI 智能体成功，都是因为拿到了对的上下文。」他管这叫上下文工程（Context Engineering）：在对的时间、用对的格式，把对的信息送到大模型面前。这个判断反常识在哪呢。过去三年大家花了大量功夫琢磨「提示词怎么写」：加角色扮演、加一步步想、加各种魔法关键词。但 Chase 说的是，提示词怎么写只是一小部分，真正决定 AI 输出质量的是你喂进去的那一整份背景材料。同一个问题，把相关资料整理好再问，跟只扔一句话让它猜，答案天差地别。Harrison Chase 是 LangChain 的联合创始人兼 CEO。LangChain 做 AI 智能体开发框架，2022年创立，目前估值超过十二亿美元，GitHub 上将近十万颗 star。他从去年年中开始在各种地方系统性地讲上下文工程，今年1月上了红杉资本的播客专门谈这件事。前特斯拉 AI 总监、OpenAI 创始团队成员 Karpathy 公开站过台，他的原话是「在所有真正跑在生产环境里的大模型应用中，上下文工程是一门精密的手艺」。到2026年5月，这个词已经变成行业通用说法，微软、谷歌、亚马逊的 AI 平台文档里都在用。讲到这，最值得拿走的是他那套诊断方法。如果你觉得 AI 答得不好，别急着改提示词，先问三个问题。第一个，时机对吗？你给 AI 的这条信息，是在它需要的时候给的，还是太早或太晚？太早给的会被后面的对话冲掉，太晚给的等于 AI 已经在错误方向上跑了一截。第二个，格式对吗？你给的背景材料是结构化的（表格、列表、分段标注），还是一堆散文糊在一起？同样的信息，整理成清晰结构后再喂进去，AI 的理解准确度高出不少。第三个，信息够吗，还是太多了？缺了关键背景，AI 只能猜；塞了一堆无关的历史对话，AI 被噪音淹没。两种都让输出变差。这三个问题改掉任何一个，输出往往立刻变样。多数人觉得 AI「不够聪明」的时候，问题不在模型能力，在于送到模型面前的上下文有毛病。Chase 还把上下文工程拆成了四个动作：写入，把重要信息存到记忆或笔记里让 AI 以后能读到；筛选，用检索把相关内容捞出来、不相关的丢掉；压缩，太长的历史做摘要、控制总量不超载；隔离，不同任务用不同的上下文空间，别互相污染。这四个动作不挑工具，用 GPT-5、Claude、Gemini，还是用 DeepSeek、Kimi、通义、豆包，思路一模一样。如果跟着前面几篇看过来，会发现最近讲的东西都在讲同一件事。soul.md 是提前写好人格上下文；Dreaming 是让 AI 自己整理经验上下文；今天这篇是系统性地管好每一次对话的输入上下文。角度不同，指向同一个方向。Chase 在那期红杉播客里有一句话我觉得说到位了，他说「所有东西都是上下文工程」。提示词是上下文的一部分，记忆是上下文的一部分，工具返回的结果也是上下文的一部分。把它们放在一起想，比单独优化某一个都管用。

17. 今天看到一个关于 Loop Engineering （循环工程）的说法，从工程师的角度，感觉比 Agentic Engineering 更具体。提示词（Prompting）是一个 Bug，而非特性。别再痴迷于琢磨动词和上下文窗口了。如果你的工作流还得靠你去做一个“提示词耳语者”（Prompt Whisperer），那你已经输了。在一个渴求“系统化”的世界里，你只不过是个手动挡的操作工。 “氛围编程”（Vibe Coding）拿来做演示固然有趣，但真正的进化是**“循环工程”（Loop Engineering）。你不再是写一段提示词，而是构建一个递归环境**：让智能体（Agent）自行评估失败、重构逻辑，并不断迭代，直到意图与输出之间的偏差（Delta）归零。人类不应是那个修修补补的编辑，而应是整个循环的架构师。停止与机器对话。去建造那台会“自我对话”的机器。

18. 全球大模型第一股，为啥是家中国公司？ #智谱 #智谱上市 #智谱IPO #GLM大模型 #全球大模型第一股诞生

19. 提示词工程、上下文工程都过时了，现在是 Harness Engineering 的时代

20. Nav Toor 最近写了一篇很有分量的文章，标题直接点明了一个正在发生的行业转向：Context Engineering 正在取代 Prompt Engineering，成为区分 5 万美元年薪和 50 万美元年薪开发者的关键技能。这篇文章的信息密度很高，从行业数据到技术架构再到实操路径都讲得很透，值得仔细拆解。1、提示工程为什么死了先说一组数据。LinkedIn 上标注“Prompt Engineer”头衔的个人资料，从 2024 年中到 2025 年初下降了 40%。专门招聘提示工程师的岗位在所有 AI 相关职位中的占比，峰值时也只有 0.3%，之后就一路走平接近归零。Gartner 预测到今年年底，70% 的企业会使用 AI 驱动的提示自动化。一个号称是未来的职业，大概只活了十八个月。Nav Toor 分析了三个同时发生的致命打击。第一，模型自己变聪明了。GPT-5.4、Claude Opus 4.6、Gemini 3.1 这些模型对自然语言的理解能力已经强到你不需要再写“请扮演一个专家”或者“请一步一步思考”这类提示词了，模型自己就会这么做。精心措辞的技巧被模型本身的能力给自动化了。第二，任务变长了。2023 年大部分 AI 交互还是一问一答的模式，但到了 2026 年，AI Agent 跑的是跨越数小时的多步骤工作流，要读文件、调 API、写代码、自检、迭代。一个完成需要 47 次工具调用的流程，靠一条提示词根本管不住。提示词变成了一本千页书里的一句话，它已经不是决定结果的关键因素了。第三，岗位被吸收了。提示工程的工作没有消失，但它被折叠进了软件开发、产品管理、数据分析和运营这些已有的岗位里。LinkedIn 的数据显示，在提示工程头衔下降 40% 的同一时期，“AI 工作流设计”作为一项技能增长了 25%。提示工程从一个职业变成了简历上的一行字。这段分析其实揭示了一个更普遍的规律：当一项技能的门槛被技术本身拉低到几乎为零的时候，它就不再值钱了。三年前你会写提示词是稀缺能力，今天模型自己就能理解你随便说的话，这项技能的稀缺性就消失了。真正值钱的东西永远在往更高的抽象层迁移。2、上下文工程到底是什么Nav Toor 引用了 Anthropic 官方工程文档里的定义：上下文工程是“在 LLM 推理过程中，策划和维护最优 token 集合的策略”。翻译成大白话就是：决定 AI 在生成回答之前应该看到什么信息、什么时候看到、以什么格式看到，让输出的质量是可靠的，而不是靠运气的。如果说提示工程关注的是“你怎么问”，那上下文工程关注的是“AI 看到了什么”。一个是一句话的事，另一个是一整套架构。这个区别看起来微妙，但影响是根本性的。提示工程的天花板就是一条消息的长度，而上下文工程的天花板是你能构建多复杂的信息系统。3、上下文工程的五个组成部分Nav Toor 把上下文工程拆解成了五个核心模块，缺一个系统就会退化，五个都建好了，AI 产出的东西你才敢署自己的名字。**第一个是系统指令。** 这是每次交互之前就加载好的持久性规则，告诉 AI 它是谁、怎么行动、什么该避免、质量标准是什么。在 Claude Cowork 里，这就是你的 [about-me.md](网页链接)、[brand-voice.md](网页链接)、[working-rules.md](网页链接) 这些上下文文件。在 Claude Code 里，这就是你的 [CLAUDE.md](网页链接) 文件。关键在于：系统指令不会在会话之间变化，你写一次，永久生效。每次会话开始的时候，AI 已经知道你是谁、你怎么写作、什么算好的输出。很多人用 ChatGPT 的时候，每次新对话的前十分钟都在跟 AI 对齐：我是做什么的、我需要什么风格、请注意什么。上下文工程师花在这件事上的时间是零，因为文件已经永久性地替你做了这个工作。光是这一点，就能省掉大量的重复劳动。**第二个是记忆与状态。** 短期记忆是 AI 在一次对话里记住的东西，长期记忆是跨会话持久保存的信息，状态是 AI 在多步骤流程中走到了哪一步、做了什么、还需要做什么、已经做了哪些决策。Anthropic 的研究把这叫做“结构化笔记”。AI 给自己写笔记，比如待办清单、进度日志、[NOTES.md](网页链接) 文件，这些东西保存在上下文窗口之外，需要的时候再拉回来。没有记忆，每次会话都从零开始；有了记忆，每次会话都从上次结束的地方继续。这就是一个工具和一个系统之间的区别。**第三个是工具集成。** AI 模型本身只能读文字和写文字，上下文工程给它装上了手。工具就是 AI 可以调用的功能：搜索网页、读文件、查数据库、发邮件、查日历、跑代码。Anthropic 在 2024 年底发布的 MCP 协议已经成了这个领域的标准，现在有 Gmail、Google Drive、Slack、GitHub、Notion、Salesforce 等几百个 MCP 服务器，每一个都让 AI 能触达一个它以前碰不到的系统。这里有一个容易被忽略的技术细节：工具的定义本身就是上下文的一部分。一个写得好的工具定义就是上下文工程，一个写得差的会浪费 token 还会让模型犯糊涂。**第四个是检索增强。** 模型有训练数据的截止日期，它不知道你公司的内部政策、你的 Q1 销售数据、你客户昨天发的邮件。检索增强生成（RAG）就是在模型生成回答之前，先去你的知识库里搜索相关信息，拉进上下文窗口，让模型基于你的真实数据而不是训练数据来回答。在 Claude Cowork 里，这就是你把 AI 指向电脑上的一个文件夹，它会读里面所有的文件。Opus 4.6 有一百万 token 的上下文窗口，意味着整个项目目录、整个代码库、整个研究资料库都可以一次性加载进一个会话里。Nav Toor 说了一句很到位的话：一个会产生幻觉的 AI 和一个能引用你自己数据的 AI 之间的差别，不在于模型更好，而在于检索更好。这就是上下文工程。**第五个是动态上下文组装。** 这是上下文工程跟之前所有方法的根本区别。静态系统每次加载同样的信息，动态系统根据不同的任务组装不同的上下文。你问代码问题，它加载你的代码风格指南和最近的 Git 提交；你问写作问题，它加载你的品牌语调文件和最近的文章；你问会议准备的问题，它加载你的日历、收件箱和参会人资料。Anthropic 在他们的 Skills 系统里把这叫做“渐进式披露”。Claude 不会把你安装的所有 Skill 都加载进来，它先读描述，判断哪些跟当前任务相关，只加载需要的。上下文是动态组装的，针对具体任务优化的，每一次都是。这就是为什么它叫上下文“工程”。它不是写一条好指令的事，而是设计一个系统，让它能自动地、动态地、每次都组装出正确的信息。4、提示工程 vs 上下文工程：同一个任务，两种完全不同的体验Nav Toor 举了一个非常直观的对比例子。提示工程的做法：你打开 ChatGPT，输入“给我的客户 John 写一封专业邮件，关于 Q1 交付延迟两周的事，语气要道歉但自信。”你得到一封还行的邮件，然后花 15 分钟修改，因为语气不对，它不知道 John 对截止日期很敏感，而且用了两次“leverage”。上下文工程的做法：你打开 Claude Cowork，输入“给 John 发邮件说 Q1 延迟的事。”Claude 已经从你的品牌语调文件里知道你的写作风格，从项目上下文里知道 John 是优先客户，通过 Gmail 连接器查了你跟 John 最近三封邮件来匹配语气，从你的 Skills 里知道公司的沟通标准。它产出的邮件听起来就像你自己写的。修改时间：两分钟，可能是零。同样的任务，同样的 AI 能力，完全不同的架构，完全不同的结果。提示工程师写了一个更好的问题，上下文工程师建了一个更好的系统。一个每次会话都归零，另一个每周都在积累。这个例子其实说明了一件很重要的事：当你觉得 AI 输出质量不行的时候，问题大概率不在提示词上，而在上下文上。AI 不是不够聪明，是它不知道它应该知道的东西。5、职业影响：被裁的不是不会用 AI 的人Nav Toor 引用了一些很扎眼的数据。Shopify CEO Tobi Lutke 在 2025 年发了一份内部备忘录：在招任何新人之前，管理者必须先证明 AI 做不了这个工作。AI 使用情况已经被纳入了 Shopify 的员工绩效考核。2026 年 3 月，仅一个月就有 4.5 万名科技工作者被裁，来自亚马逊、谷歌、微软、Meta 这些大公司。Nav Toor 指出了一个残酷的规律：被裁的不是那些不会用 AI 的人，而是那些把 AI 当工具用的人。聊天、复制、粘贴、重复。活下来并且发展得好的，是那些围绕 AI 构建系统的人。ZipRecruiter 上已经有了“上下文工程师”这个岗位，截至文章发布时有 60 个在招职位，薪资区间在 8.4 万到 23.5 万美元之间。这个学科诞生还不到两年，就已经有了自己的薪资带。这个趋势对所有人都有参考价值。不管你是什么行业、什么岗位，“会用 AI”这件事的门槛正在快速降低，很快就不再是竞争优势了。真正的竞争优势在于你能不能围绕 AI 建立一套持续积累、持续优化的工作系统。用 AI 聊天是消费，建 AI 系统是投资，两者的回报曲线完全不同。所以，**在 AI 时代，消费型使用和投资型使用之间的差距，会像复利一样指数级拉大。**什么是消费型使用？每次打开 AI，问一个问题，拿到答案，关掉。下次再来，从零开始。你用了 AI，但 AI 没有因为你的使用而变得更懂你。什么是投资型使用？你每次使用 AI 的过程中，都在往系统里沉淀一点东西。一个写作风格的偏好，一个任务流程的封装，一条质量标准的补充。第一周和第五十周，你用的是同一个 AI，但第五十周的那个 AI 已经积累了你几十周的经验、偏好和判断标准，它产出的东西跟第一周完全不是一个水平。这两种人之间的差距，不是天赋，不是智力，不是时间，是**有没有建一个会长大的系统**。6、普通人怎么从零开始Nav Toor 在文章最后给出了一条非常清晰的实操路径，不需要你是开发者。**第一步，建三个文件。** 在一个文件夹里创建三个 markdown 文件。[about-me.md](网页链接) 写你是谁、你的角色、你的受众、你当前的优先事项，不是简历，是给一个聪明的协作者看的简报。[brand-voice.md](网页链接) 写你的写作风格、语气、常用词汇、绝对不用的词，附上两三个你自己写的真实样本。[working-rules.md](网页链接) 写你希望 AI 怎么行动，比如执行前先确认、默认文件格式、质量标准、不确定时怎么处理。把 Claude Cowork 指向这个文件夹，从此每次会话都带着完整的上下文启动。你一次性消灭了每次 AI 交互前十分钟的重复对齐工作。**第二步，把你最常做的事变成一个 Skill。** 想想你重复最多的任务，让 Claude 帮你把它封装成一个 Skill 文件，以后只要任务匹配就自动加载。一个 Skill，十五分钟，你就永久消灭了一条你再也不用写的提示词。**第三步，连接你的真实数据。** 在 Claude 设置里连接 Gmail 和 Google Calendar，然后试试说“总结一下我今天的会议，检查收件箱里有没有跟它们相关的邮件”。Claude 会拉取你真实的邮件和日历数据，交叉比对，给你一份原本需要你花十五分钟手动整理的简报。**第四步，建一个自动化的周一早间简报。** 让它自动汇总周末的邮件、列出本周的会议、根据变化识别出你的前三个优先事项。当你第一个周一早上走到办公桌前，发现一份用你的语气写好的、优先级已经排好的完整简报在等着你的时候，一切就不一样了。**第五步，持续迭代。** 每次 Claude 产出的东西你不满意，问自己一个问题：这是提示词的问题还是上下文的问题？几乎每次都是上下文的问题。往你的品牌语调文件里加一行，调整一下工作规则，更新一个 Skill。五分钟的文件编辑，永久性的改进。系统变得更聪明，不是因为 AI 进步了，而是因为你的上下文进步了。7、复利效应：两种人的差距会越来越大Nav Toor 在文章结尾描绘了一条时间线上的分化。一个提示工程师在第一周和第五十周用 AI 的方式是一样的。每次会话从零开始，每条提示词手工打造，技能天花板就是一条消息的长度。一个上下文工程师在第一周建的架构让第二周更好，第二周的优化让第三周更好。到第八周，系统产出的初稿已经不需要编辑了。到第十二周，定时任务在没有人参与的情况下跑完整个工作流。到第二十周，系统积累的机构知识是任何提示词都无法复制的。这两个人之间的差距不是天赋、不是智力、不是时间，而是架构。一个人建了一个会复利增长的系统，另一个人还在每天往同一个聊天窗口里打同样的指令。提示工程是一次对话，上下文工程是一套基础设施。一个每次归零，一个持续积累。这个选择摆在每个人面前，而做出选择的窗口期，比上一次关得更快。#科技先锋官# #How I AI#

21. 字节火山开源的上下文数据库OpenViking, 专为 AI Agent 设计。该项目通过文件系统范式，统一管理智能体所需的记忆、资源与技能，解决了传统 RAG 架构中信息碎片化和检索低效的问题。1. 文件系统管理范式 → 解决碎片化问题：基于文件系统范式，将记忆、资源、技能进行统一上下文管理；2. 分层上下文按需加载 → 降低 Token 消耗：L0/L1/L2 三层结构，按需加载，大幅节省成本；3. 目录递归检索 → 提升检索效果：支持原生文件系统检索方式，融合目录定位与语义搜索，实现递归式精准上下文获取；4. 可视化检索轨迹 → 上下文可观测：支持可视化目录检索轨迹，让用户能够清晰观测问题根源并指导检索逻辑优化；5. 会话自动管理 → 上下文自迭代：自动压缩对话中的内容、资源引用、工具调用等信息，提取长期记忆，让 Agent 越用越聪明。项目：github.com/volcengine/OpenViking#HOW I AI# #过个有ai年#

22. 大语言模型（LLM）提示词设计不只是“提问”，而是一门系统工程，是与模型高效交互的关键技能。掌握以下7大类提示技巧，才能真正释放AI潜能：1. 核心提示 - Zero-shot：无示例，直接给任务。 - One-shot：给一个示例。 - Few-shot：给多个示例，教模型识别模式。2. 推理增强 - Chain-of-Thought（思路链）：引导模型一步步推理。 - Self-Consistency（自洽采样）：多条推理路径，选最佳答案。 - Tree-of-Thought（思维树）：多条推理路径并行探索（进阶）。 - ReAct：结合推理和行动（如调用API）。3. 指令与角色设定 - 明确指令：“帮我总结这段内容”。 - 角色扮演：“你是法律助理”。 - 混合型：指令+示例，兼顾清晰和示范。4. 提示组合技巧 - 链式提示：用一个提示的输出作为下一个输入。 - 动态提示：实时注入变量和上下文。 - 元提示：让模型自我优化或验证回答。5. 多模态提示 - 图文结合，给出视觉+文本信息。 - 音视频+文本（依赖模型能力，如GPT-4o、Gemini 1.5）。6. 行业专用提示 - 编程提示：针对特定语言或工具。 - 医疗、法律提示：高精度、格式严格。7. 提示评估与调试（辅助工具） - 去除测试：删减元素看影响。 - 注入测试：验证提示在实际应用中的鲁棒性。需要明确的是，检索增强生成（RAG）和代理工具系统（如LangGraph、AutoGPT）不是提示技巧，它们是架构或框架，提示只是其中一环。提示设计已不仅是“技巧”，而是整体系统设计。理解输入输出工程，掌握推理链条和领域约束，才能让AI输出更可靠、更智能。真正的秘诀不在“神奇语句”，而在于结构化、系统化地设计提示。原文：x.com/techNmak/status/1995726428177137924

23. 人类很容易跟踪可疑目标，智驾却很难只有更长的上下文，才能让智驾系统持续、稳定、不丢失地跟踪动态危险目标（横穿行人、加塞车辆、逆行非机动车等），减少“突然消失、突然出现、ID 切换”的跟踪错误，显著提升极端路况下的安全性特斯拉模型架构迭代的方向，在不断增加上下文长度特斯拉terafab不但要造逻辑芯片，还要造存储因为延长上下文长度，主要依赖更大的存储来支撑 KV Cache#特斯拉fsd##人工智能 # 刘智驾的微博视频

24. 中国版Claude Code实测，别再只会用最强大模型！

25. 2025过去了！这一年你是不是也在为AI焦虑？老周用360一整年的实践，告诉你答案：不用怕，抓住Agent就赢了！从我自己敲代码做100多个智能体，到带领团队All in，这条AI布道之路，全是实战干货。 2026，你想和智能体一起搞定啥？评论区留言，老周帮你研究！#大咖观察#2026 #年度总结 #红衣聊AI #agent

26. 这是个好问题：> 随着基础模型继续进化，Skills 是否会逐渐被更强的自主规划取代？作为创业者现在去布局 Skills，究竟是短期红利还是长期壁垒？我的看法是：Skills 是短期红利，也是长期壁垒——但壁垒不在 Skills 本身。让我用 AI 发展的三个阶段来解释这个判断。第一阶段：AI Chatbot + Prompt回归第一性原理：AI 也好，Agent 也好，能解决问题才有价值。最早的 AI Chatbot 加上好的 Prompt，已经能解决很多「生成类」问题——回答问题、情感陪伴、翻译、写作、摘要。那时候 Prompt 就是短期红利。你会写出好的 Prompt，就能得到好的结果。我那时候花了大量时间研究 Prompt 工程，确实吃到了红利——很多网友就是那时候认识我的。但要说长期壁垒？没有。现在让 AI 辅助写 Prompt 已经不是什么难事了。不过，AI Chatbot + Prompt 只能解决生成问题，不能使用工具，不能与外部世界交互。第二阶段：AI Agent + 上下文工程然后是 AI Agent 的出现。Agent 能规划、能调用工具，解决了「与环境交互」和「完成特定目标」的问题。这时候上下文工程（Context Engineering）就是短期红利。你知道怎么组织 Agent 需要的上下文，怎么在有限的上下文窗口里塞进足够的信息，那就是核心竞争力。但同样没有长期壁垒。很快模型越来越强，上下文窗口越来越大，上下文工程的最佳实践也逐渐系统化——比如借助文件系统压缩上下文、利用渐进式披露（Progressive Disclosure）解决工具描述占用太多 token 的问题。这些方法现在大家都知道了。第三阶段：Agent + Skills现在是 Agent + Skills 的阶段。Skills 解决的问题是：把特定工作流、特定领域的能力打包成可复用的「技能包」，让 Agent 之上可以长出丰富的应用生态。那些日常工作中琐碎但重复的任务，借助 Skill 的 Prompt 能力和工具能力，可以被高度自动化，带来巨大的效率提升。投资 Skills 是短期红利。 Skills 作为一种具体形式，可能会被更强的模型能力取代——也许未来模型足够强，不再需要人类预先打包好的「技能包」，它自己就能规划出最优路径。但问题来了：谁最能抓住这波短期红利？不是吹 Skills 的自媒体，而是真正懂 Prompt、懂上下文工程的人和团队。他们能借助之前积累的经验，快速做出真正解决问题的 Skills。投资的是能力，不是形式Skills 本身不会成为长期壁垒，但你在 Skills 上投入的学习和实践，会成为你的长期壁垒。这就像当年投资 Prompt 工程的人，后来更容易理解上下文工程；投资上下文工程的人，现在更容易做出好的 Skills。每一波技术浪潮的「短期红利」，都是下一波浪潮的入场券。所以我的建议是：不要纠结 Skills 会不会被取代，而是问自己：通过做 Skills，我能去解决什么问题？积累什么能力？这些能力在下一波浪潮里还有没有用？如果答案是肯定的，那就值得投入。

27. 电子书 The Context Engineering Guide网页链接weaviate出的电子书：光有一个强大的大型语言模型（LLM）是不够的。即使是最智能的模型也难免产生“幻觉”，缺乏现实世界的知识，甚至无法记住上一轮的对话。解决方案不在于编写更好的提示词，而在于构建一个更好的系统。本电子书将指引你掌握上下文工程（Context Engineering）：即在推理阶段，通过筛选、组织和管理输入给大模型的信息（即“上下文”Token），从而优化模型性能与行为的过程。你将学习到必要的架构模式，助你摆脱简单的演示（Demo）阶段，构建出可靠且可投入生产（Production-ready）的 AI 应用——使其能够基于现实世界的上下文进行思考，而不仅仅局限于原本的训练数据。《上下文工程指南》涵盖以下内容：如何架构智能体，使其充当系统的决策大脑。如何应用查询增强，将杂乱的用户请求转化为精准、可执行的意图。高效检索的原则，确保在正确的时机将模型连接到正确的外部信息。如何设计记忆架构，赋予系统历史感和学习能力。集成工具的策略，赋予应用“双手”，使其能够与实时数据和 API 进行交互。#科技先锋官#

28. 【看懂 Claude Code 提示词：验证智能体、反过度工程、记忆压缩才是核心】快速阅读： Claude Code的npm源码包因人为失误意外泄露，有人从中逆向整理出26个提示词，覆盖系统指令、工具调用、智能体协作、记忆管理等全部模块，随后以MIT协议重新授权开源。这份材料本质上是一份提示词工程的实战教材。---有个细节值得注意：Anthropic事后将这次泄露定性为“人为失误”。200美元一个月的工具，整个提示词架构就这样从npm包里被人拆了出来。这26个提示词按功能分得很清晰：1个系统提示词负责身份定义和工具路由，11个工具提示词处理文件读写、shell执行、搜索等操作，5个智能体提示词分别对应探索、架构、验证、文档等角色，4个记忆提示词管理上下文压缩，1个协调提示词处理多智能体编排，还有4个工具提示词生成标题、摘要、建议。读完这些提示词，有几个设计决策让人印象深刻。其一是专门设置了一个“验证专家智能体”，它的职责就是在代码上线前想办法把它搞坏。这不是可选项，是写进架构里的。其二是反过度工程规则被明确写入系统提示词，“不要做用户没有要求的功能”。听起来像废话，但显然Anthropic认为有必要把它钉进去。其三是记忆压缩分9个章节，且保证每一条用户消息都被保留。有观点认为，大家都盯着系统提示词，真正值得研究的反而是那4个记忆提示词。多数AI编程工具在请求之间会忘掉一切，而Claude Code能记住项目结构和之前的编辑操作，这才是它用起来像同事而不像聊天机器人的原因。有网友提到，这个开源仓库引起广泛讨论，也有人认为被过度渲染了，从npm包里逆向提示词并不算什么技术壁垒，真正的护城河是模型质量和训练数据。这个说法大概70%是对的，提示词工程本身不是秘密，但好的提示词架构要花多少时间踩坑才能收敛到这个形态，那是另一回事。每个提示词都从零重写以符合法律要求，意图相同，没有逐字引用。MIT协议，可以直接用。所有内容在这里：github.com/repowise-dev/claude-code-prompts如果你在自己搭智能体，有一个问题可能值得先想清楚：你的系统里有没有一个专门负责破坏自己输出的角色？

29. 【上下文工程实战指南：如何让AI代理真正听懂你的话】“AI垃圾输出”的锅，现在该用户来背了。在Claude Code这类黑箱系统中，上下文是我们唯一能控制的输入变量。既然如此，如何优化它就成了关键问题。+ 什么是上下文？上下文指的是你发送消息时提供给大语言模型的一切——不仅是提示词本身，还包括系统提示、元数据、历史对话、模型的思考过程、工具调用和响应。大模型的上下文窗口有限，对话越长，追踪信息的准确度就越低。Claude Code的上下文窗口看似有20万token，但实际可用空间远没那么多。运行/context命令就能看清真相：22.5%被预留，10.2%被系统提示占用，加上MCP服务器、子代理和规则，真正留给我们的只有约12万token。更关键的是，无论是否接近窗口上限，上下文越多，模型质量就越差。+ 基础功夫最重要和大多数事情一样，820法则同样适用于vibe coding。做好以下基础，你就已经完成了80%：- /upgrade升级到Max计划- /model选择opus 4.5- /init创建项目说明文件然后是基本工作流：1. 从计划模式开始（Shift + Tab）2. 让Claude通过提问来澄清模糊点3. 执行经过打磨的计划创建子代理、自定义命令、钩子、多代理编排确实很酷，但说实话，没有我们想象的那么重要。掌握基础才是核心竞争力。+ 如何实际运用这套工作流把每次新对话当作一个目标，严格控制范围：-“我要修复这个bug”-“我要构建这个功能”对于新项目，目标可以更宽泛，但这意味着需要更多规划和打磨——因为模糊性越大，误解空间就越大。多花时间规划，再多花时间打磨规划。让Claude不断提问，直到它开始为问而问。请它多次审查计划，讨论架构、最佳实践、安全风险、生产就绪度、测试策略——目标是在每个模糊点提供细节。+ 何时重置，如何重置如果进展顺利且后续任务与当前上下文相关，继续就好。接近上下文上限时，运行/compact释放空间，或让Claude Code自动处理。但如果事情不顺利呢？模型没做对，你陷入了“这太糟糕了请修复”→垃圾输出→“这更糟糕了你在想什么”→垃圾输出的循环。这时不要试图在同一线程中挽救，而是：- /rewind回到进展顺利的节点- /new开启新线程，优化原始提示词，明确指出“不要做什么”——把上次的教训写进去+ 避开复杂性陷阱如果你常刷社交媒体，可能已经收藏了无数花哨设置——MCP服务器、子代理、技能包……我的建议是：不要过度复杂化。正如Anthropic所说，我们的目标是“找到最小的高信号token集合”。往上下文塞太多MCP数据，只会用低信号填满窗口，同时烧掉你的钱。+ 善用MCP服务器获取优质上下文MCP服务器本质上是让模型能调用的第三方工具——文档、GitHub代码、Linear工单、Figma设计等。这类工具刚推出时被热捧，但人们很快发现很多会疯狂消耗上下文，得不偿失。我目前只用三个经过验证的：- exa.ai：AI代理的网络搜索- context7：AI代理的最新文档- grep.app：AI代理的GitHub搜索我主要用它们研究如何正确实现代码——这些事我自己查文档也能做。Anthropic把这称为“即时上下文”策略——代理在需要时自己寻找信息。这对Claude Code这类代理式编码工具非常有效。+ 用子代理节省上下文——我最喜欢的隐藏技巧Claude Code可以创建子代理——作为主代理的子实例运行。关键在于：- 子代理拥有独立于主代理的上下文窗口- 可以使用不同模型（比如非opus）这意味着我们可以让子代理执行消耗大量token的操作（如研究），然后向主代理提供精炼摘要——信息密度高，token消耗低。我最常用的是一个自定义的“图书管理员”子代理，运行sonnet模型扫描开源仓库和文档，向主代理返回精炼摘要。我会说：“用librarian研究如何用Y库实现X，然后实现Z”——子代理触发，调用所有工具找到高质量答案。这既防止主上下文被污染，又用更便宜的模型完成简单任务。+ 用技能包引入相关上下文技能包与子代理相反——不是把任务委派给专门代理，而是把专业能力引入当前代理的上下文。比如Claude Code内置的“前端设计师”技能，会引入一段较长的提示词，告诉Claude前端设计的注意事项。这些工作流听起来花哨，但原理很简单——Claude只是在认为需要时，把一段文本拉入上下文。+ 核心要义好的vibe coding是为价值密集的上下文而优化。你添加或从模型接收的任何信息，都应简洁地服务于帮助模型回答下一个请求。如果做不到这点，就不应继续在同一上下文中工作——这是避免陷入令人沮丧的垃圾输出循环的关键。社交媒体上那些花哨命令可能让你觉得自己落伍了。但实际上，事情没那么复杂——尽力用简洁、高质量的信息帮助模型，给它工具让它自己找到相关信息。就像你对待一位同事那样。x.com/jarrodwatts/status/1926054877836624014

30. Agent 开发范式演进：从环境工程出发，“简化”多源实时上下文

31. 你的Ai视频为何总比别人差一点？你希望通过提示词来提高画面质量，但问题在于，无法控制生成过程，就无法控制结果，用RHTV可以直接解决这些问题 #runninghub、#rhtv#aigc#ai视频#ai视频剪辑

32. 全球每天600+程序员失业，这个锅该AI来背吗？

33. 2025年AI提示词深度指南：从基础知识到高级技巧

34. 2026年AI全景预测：迈向百亿智能体时代的20个发展趋势。 #大咖观察 #人工智能 #红衣聊AI #智能体 #AI时代

35. 推特热议、AI 万亿美元新赛道，「上下文图谱」到底是什么？创业机会在哪？

36. 「人类负责消除歧义，AI 负责在较少歧义的环境下执行」。看上去这是一个上下文问题，但有三种情况，上下文是人类提供不了的。第一种情况是，这个人是个外行，他根本不知道必要的上下文。第二种情况是，这个人是个内行，但他目前还没有掌握必要的上下文，得在随后的思考和实践过程中，一步步探索和理解关键约束。第三种情况是，上下文的信息量过于庞大，无法浓缩与输入，其中还有不少是 “体感” 一类的不容易翻译成语言的信息，或者上下文分散在不同的人那里（协作场景），无法约束所有人整齐划一地输入。缺乏必要的上下文，AI 就不可能输出可靠的概率计算结果。

37. 使用 Claude Code：会话管理与 100 万上下文

38. MiniMax M2.7+OpenClaw实战！AI到底能接管多少工作？

39. 不知道大家想过这个问题没有，大家都感觉现在大模型的记忆存储受限，200万的上下文记忆其实也不够用。但我想说，其实即使大模型能够记住海量的上下文，也未必有用，它依然需要上下文的管理。也就是说，在AI时代，一个人非常重要的能力就是如何去管理上下文，去领导Agent。为什么这么讲呢？大家可以想想，如果记忆不受限，大模型可以无限存储，你和它聊的内容越多，它大脑里塞的东西就越满。在执行任务的过程中，它不知道到底应该怎么去执行，因为塞的东西太多了，哪个是核心的？是不是太多了？如果记忆太多，就容易导致错乱和模糊，因为你塞得太满，它不知道怎么执行，很多东西在里面很乱。所以，上下文管理是必须的。第二，即使大模型的记忆非常多，人和人之间沟通，一句话的理解都可能不同，何况大模型和人之间的沟通呢？这里面肯定也会存在交流的摩擦。所以，人需要及时干预和介入到大模型的工作流程当中，去管理上下文、管理整个流程，这是非常必要的。所以大家不要期待说，大模型的上下文越来越长就越好，不一定，有利有弊。即使大模型不会丢掉记忆，记忆永存，它依然不会精准地按照人类的要求去执行。我之前看过一个调查或研究，就是说大模型里，你上下文塞得越多越满，它的执行就会越混乱、越模糊，就是因为东西太多了，它不知道怎么执行了。所以，管理上下文这个事情，依然需要有人去管理、去做。#科技先锋官##How I AI#

40. LLM通识指南 06｜你的 Prompt 为什么不管用？从提示词到上下文工程

41. 从prompt到context到harness engineering, 乃至protocol Engineering

42. AI Agent 的有效上下文工程

43. Context Engineering

44. 从「提示工程」到「上下文工程」

45. 别再优化 Prompt 了，去构建更好的 Context

46. 【AI 术语解码局】上下文工程

47. 普通人为什么也该理解context engineering

48. 每天一个AI小知识

49. 写给产品经理的"AI工程"指南

50. 优化 | 面向 AI Agent 的高效上下文工程

51. 从提示词到上下文

52. 提示词工程 vs 上下文工程 vs Harness 工程

53. “上下文工程”比“提示工程”更能用好大模型

54. 从提示词到系统设计

55. 从Prompt Engineering到Context Engineering

56. Youtube高赞教程,AI Agent的上下文工程

57. AI智能体赋能

58. 上下文窗口管理的挑战与突破——从RA Agent Alex的实践中学习

59. 【上下文工程】上下文工程与提示语工程

60. 详解 | AI系统工程范式的演化及最新进展

61. 6个有效的上下文工程技术

62. 为什么 2026 年 AI 编程拉开差距的，不只是模型，还有上下文工程

63. 提示词工程、上下文工程与 Harness工程，它们到底是什么？

64. Context Engineering｜上下文工程是什么｜第四讲

65. 什么是上下文工程？

66. 为什么你写的Prompt再好，Skills 再牛，AI还是不稳定？答案藏在第三次范式革命里

67. 从Prompt到Harness

68. 【AI产品经理】最近很火的Skills工程与Prompt工程、上下文工程的理解

69. 为什么上下文是 AI 的新货币

70. 每天一个知识点、面试题

71. HelloAgent(四):上下文工程（Context Engineering）让智能体稳定思考的底层方法论

72. 智能体上下文工程实战指南

73. 大模型应用开发-2 上下文工程

74. AI Agent 的进化:从提示工程到上下文工程

75. 如何构建高效的Agent 上下文工程是提示工程的自然发展，标志着AI代理构建方式的根本转变，其核心是优化大型语言模型（LLM）的上下文配置以实现期望行为。

76. 解码Claude技能架构从提示工程到上下文工程的范式演进

77. 第 2 讲

78. 别再盲目塞 Token 了！LLM 上下文工程全指南

79. 上下文工程

80. LLM上下文工程指南

81. 上下文工程与优秀架构示例

82. 上下文工程

83. 提示词工程已死？Anthropic力推的上下文工程才是Agent时代真解法

84. 深入浅出介绍一下AI上下文工程

85. 提示词工程转向上下文的LLM应用效果提升

86. 上下文工程

87. 模型沟通术

扫一下，分享更方便，购买更轻松

0评论

当前文章无评论，是时候发表评论了

提示信息

取消

确认

评论举报

垃圾广告！低俗色情！人身攻击！疑似水军评论！其他有害！