智能体AI中的提示工程与上下文工程-优快云博客

本文链接：https://blog.youkuaiyun.com/Anspire/article/details/149720053

这不仅仅是常见的提示词与上下文之争，而是在构建AI智能体时，二者的作用有何不同。

如果你一直在深入研究多智能体AI系统——无论是使用CrewAI、LangGraph，还是AutoGen之类的工具——你可能已经意识到这一点：

→ 提示工程只是起点。

→ 而上下文工程才是真正让智能体具备智能的关键。

我们来详细分析一下。不搞虚的，只谈实用架构。

我们真正在设计的是什么？

在智能体AI中，你不只是向语言模型抛出提示词。

你正在设计由大语言模型（LLM）驱动的智能体，它们：

有目标
使用工具
存储记忆
与其他智能体通信
随着时间推移做出决策

它们不只是“响应”。它们会推理、适应和协作。

因此，很自然地，我们必须“越过”提示词。我们必须构建完整的上下文，供智能体在其中运行。

提示工程

我们从基础开始讲起。

提示工程 = 编写大语言模型（LLM）实际看到的消息，它设定了智能体的即时行为。

实际应用中：

prompt = f"""
You are a financial analyst agent.
Your job is to extract anomalies from transaction logs.
Use tools if needed. Always return only the top 3 suspicious activities.

Input Data:
{log_chunk}
"""
llm(prompt)

这会告诉模型要扮演什么角色、执行什么任务以及遵循什么输出格式。

在以下场景中使用提示工程：

精确的格式
单任务内的良好推理能力
清晰的工具使用说明
少样本学习（提示词中包含示例）

但问题在于：

提示词只能控制某个瞬间。它们无法为智能体提供记忆、连续性或协作能力。

上下文工程（在AI智能体中）

现在我们来谈谈系统级思维。

上下文工程 = 管理提示词周围的所有内容：记忆、任务历史、工具、智能体状态、检索到的知识以及智能体间的交互流程。

在实际的智能体中：

agent = Agent(
  name="TransactionInvestigator",
  role="Investigate suspicious transaction patterns",
  memory=True,
  tools=[search_tool, database_tool],
  verbose=True,
  backstory="You've worked with fraud teams for years...",
  goals=["Ensure accuracy", "Minimize false positives"]
)

这个配置会告诉智能体：

它们的身份
它们之前做过什么
它们可以使用哪些工具
它们的使命是什么

即便有完美的提示词，智能体长期的行为也取决于这个上下文。

并列对比分析

仅使用提示词：

prompt = "You are a sales coach. Improve this pitch:\n" + input_text
llm(prompt)

结合上下文：

context = {
  "persona": "Sales coach with SaaS experience",
  "history": previous_pitch_attempts,
  "tool_output": crm_tool.query(customer_id),
  "goal": "Personalize pitch based on behavior data",
}

llm(context + prompt_template)

看出区别了吗？

一个只是给出指令，另一个则构建了一整个“大脑”。