Agent 开发实战指南：从提示词工程到上下文工程，一篇搞定！

1、什么是上下文工程？

上下文工程是提示词工程的升级版，本质上是优化你给 AI 模型提供的指令和背景信息，让它能更高效、准确地完成任务。几年前，有些 AI 专家觉得提示工程会过时，但事实恰恰相反，它不仅没消失，反而变得更重要，进化成了上下文工程。

很多人写过上下文工程的定义（比如Ankur Goyal、Walden Yan），但我想分享我的看法，并给一个具体指南，讲讲怎么在开发AI Agent时用上下文工程。

我不确定谁先提出"上下文工程"，但我们可以参考Dex Horthy的图，里面简要解释了这个概念。

图中，上下文工程涵盖了RAG、提示词工程、状态/历史、标准化输出、记忆等部分。

上下文工程不只是随便给 AI 扔一句问题（这叫“盲目提示”），而是像个建筑师一样，精心设计指令、用户输入、输出格式，甚至是外部工具和历史数据的使用，确保 AI 明白你的意图，产出你想要的结果。

从开发者角度看，上下文工程是个迭代过程，优化给AI模型的指令和上下文，达到预期结果。这包括用正式流程（比如评估管道）来衡量策略是否有效。

我给上下文工程下了个更广泛的定义：为LLM和高级AI模型设计和优化指令及相关上下文，让它们有效完成任务的过程。这不仅包括文本大模型，还包括优化多模态模型的上下文，这些模型越来越常见。这涵盖所有提示词工程工作和相关流程，它包括以下关键部分：

• 设计指令：调整指令/系统提示词，设计和管理提示链，告诉 AI 具体要做什么，比如“把复杂问题拆成小任务”。
• 用户输入：管理提示词的动态元素，提供清晰的问题或数据，比如“查询 OpenAI 的最新开发动态”，准备和优化少样本演示。
• 结构化输入输出：规定 AI 的输入和输出格式，比如用 JSON 格式返回结果。
• 工具调用：让 AI 用外部工具，比如获取当前时间或搜索网页。
• RAG 与记忆：通过 RAG 或记忆机制，从向量存储检索知识（长期记忆），提供相关背景或缓存历史查询。
• 管理状态与历史上下文：让 AI 记住之前的操作或状态（短期记忆），方便优化或修改。

上下文工程的目标是让 AI 的“上下文窗口”（Context Window）里的内容尽可能精准、有效，同时过滤掉无关或噪声信息。

这里我会带大家看一个具体例子，讲讲构建AI 智能体时上下文工程是什么样的。

2、上下文工程的实际应用

看看我最近做的一个例子：为个人用的多智能体深度研究应用做上下文工程。

我在n8n里构建了Agent工作流，工具不重要。完整的Agent架构像这样：

工作流中的“搜索规划智能体”负责根据用户查询生成搜索计划。

系统提示

这是我为这个子Agent写的系统提示：

你是专业的研究规划师。任务是把复杂的研究查询（用<user_query></user_query>界定）分解成具体的搜索子任务，每个子任务专注不同方面或来源类型。

当前日期和时间：{{ $now.toISO() }}

每个子任务需要：
1. 唯一字符串ID（比如'subtask_1'、'news_update'）
2. 专注主查询某方面的具体搜索查询
3. 搜索来源类型（网页、新闻、学术、专业）
4. 时间相关性（今天、上周、最近、过去一年、所有时间）
5. 领域重点（如果适用，比如技术、科学、健康等）
6. 优先级（1最高到5最低）

每个子任务必须有所有字段（id、query、source_type、time_period、domain_focus、priority），除非时间周期和领域重点不适用，可以为null。

创建2个子任务，共同覆盖主题的全部内容。专注不同方面、视角或信息来源。

每个子任务包括：
id: str
query: str
source_type: str  # 比如"web"、"news"、"academic"、"specialized"
time_period: Optional[str] = None  # 比如"today"、"last week"、"recent"、"past_year"、"all_time"
domain_focus: Optional[str] = None  # 比如"technology"、"science"、"health"
priority: int  # 1最高到5最低

获取子任务信息后，添加start_date和end_date两个字段。根据当前日期和所选时间周期推断这些信息。格式如下：
"start_date": "2024-06-03T06:00:00.000Z",
"end_date": "2024-06-11T05:59:59.999Z",

这个提示词有很多部分需要仔细考虑，要给“规划智能体”提供准确的上下文，让它有效完成任务。这不是简单设计提示或指令，而是需要实验，给模型提供重要上下文，让它最好地执行任务。

我们把问题分解成上下文工程的核心组件。

指令

指令是给系统的高级指导，明确告诉它做什么。

你是专业的研究规划师。任务是把复杂的研究查询（用<user_query></user_query>界定）分解成具体的搜索子任务，每个子任务专注不同方面或来源类型。

很多新手甚至有经验的AI开发者到这里就停了。但看了完整提示就知道，要让系统按我们的想法工作，需要给多少上下文。这就是上下文工程：告诉系统更多问题范围和具体需求。

用户输入

系统提示里没显示用户输入，举个例子：

<user_query> OpenAI的最新开发新闻是什么？</user_query>

注意用了分隔符，这是为了更好地构建提示词结构，避免混淆，明确用户输入和我们希望系统生成的内容。有时输入的信息类型和希望模型输出的内容相关（比如查询是输入，子查询是输出）。

结构化输入和输出

除了高级指令和用户输入，我还花了很多精力在规划智能体需要生成的子任务细节上。这是给规划智能体的详细指令，让它根据用户查询创建子任务：

每个子任务需要：

1. 唯一字符串ID（比如'subtask_1'、'news_update'）
2. 专注主查询某方面的具体搜索查询
3. 搜索来源类型（网页、新闻、学术、专业）
4. 时间相关性（今天、上周、最近、过去一年、所有时间）
5. 领域重点（如果适用，比如技术、科学、健康等）
6. 优先级（1最高到5最低）

每个子任务必须有所有字段，除非时间周期和领域重点不适用，可以为null。

创建2个子任务，共同覆盖主题的全部内容。专注不同方面、视角或信息来源。

仔细看指令，我列出了希望规划智能体生成的必要信息，还有提示词和例子，帮助指导数据生成过程。这很重要，能给Agent提供关于预期输出的额外上下文。比如，如果不告诉它优先级是1-5，系统可能会用1-10的范围。这些上下文很重要！

接下来是结构化输出。为了从规划智能体得到一致的输出，我们还提供了子任务格式和字段类型的上下文。这是作为额外上下文传给智能体的示例：

每个子任务包括：id: strquery: strsource_type: str  # 比如"web"、"news"、"academic"、"specialized"time_period: Optional[str] = None  # 比如"today"、"last week"、"recent"、"past_year"、"all_time"domain_focus: Optional[str] = None  # 比如"technology"、"science"、"health"priority: int  # 1最高到5最低

另外，在n8n里可以用工具输出解析器，本质上是用来构建最终输出结构的。我用的选项是提供JSON示例：

每个子任务包括：
id: str
query: str
source_type: str  # 比如"web"、"news"、"academic"、"specialized"
time_period: Optional[str] = None  # 比如"today"、"last week"、"recent"、"past_year"、"all_time"
domain_focus: Optional[str] = None  # 比如"technology"、"science"、"health"
priority: int  # 1最高到5最低

然后工具会从这些示例自动生成模式，让系统解析和生成合适的结构化输出，比如：

[
 {
   "action": "parse",
   "response": {
     "output": {
       "subtasks": [
         {
           "id": "subtask_1",
           "query": "OpenAI recent announcements OR news OR updates",
           "source_type": "news",
           "time_period": "recent",
           "domain_focus": "technology",
           "priority": 1,
           "start_date": "2025-06-24T16:35:26.901Z",
           "end_date": "2025-07-01T16:35:26.901Z"
         },
         {
           "id": "subtask_2",
           "query": "OpenAI official blog OR press releases",
           "source_type": "web",
           "time_period": "recent",
           "domain_focus": "technology",
           "priority": 1.2,
           "start_date": "2025-06-24T16:35:26.901Z",
           "end_date": "2025-07-01T16:35:26.901Z"
         }
       ]
     }
   }
 }
]

这看起来复杂，但现在很多工具都支持结构化输出，不需要自己实现。n8n让上下文工程这部分变得简单。这是很多AI开发者忽略的点，希望上下文工程能让这些技术更清晰。当Agent输出不一致，需要用特殊格式传给工作流下一个组件时，这是很强大的方法。

工具

我们用n8n构建智能体，很容易在上下文里加入当前日期和时间，像这样：

当前日期和时间：{{ $now.toISO() }}

这是n8n里的简单函数，通常会做成专用工具，让内容更动态（比如只在查询需要时获取日期时间）。这就是上下文工程：迫使开发者决定是否传递上下文，以及何时传给LLM，消除应用中的假设和不准确。

日期和时间是系统的重要上下文，否则处理需要当前日期时间的查询时表现不好。比如，让系统搜索上周OpenAI的最新新闻，它会猜测日期，导致查询不好，搜索结果不准确。有了正确的日期时间，系统能更好推断日期范围，这对搜索Agent和工具很重要。我把这作为上下文的一部分，让LLM生成日期范围：

获取子任务信息后，添加start_date和end_date字段。根据当前日期和所选时间周期推断这些信息，格式如下：
"start_date": "2024-06-03T06:00:00.000Z",
"end_date": "2024-06-11T05:59:59.999Z",

我们关注架构中的规划智能体，不需要加太多工具。另一个有用的工具是检索工具，根据查询检索相关子任务，下面讨论这个想法。

RAG & 记忆

我建的深度研究应用第一个版本不需要短期记忆，但有个版本会为不同用户查询缓存子查询，这能优化工作流速度。如果用户之前用过类似查询，可以把结果存在向量存储里，搜索时就不用重新生成子查询，节省LLM API的延迟和成本。

这是聪明的上下文工程，让应用更动态、便宜、高效。上下文工程不只是优化提示，还是为目标选择正确的上下文。还可以更有创意地维护向量存储，把现有子任务加入上下文。有创意的上下文工程是优势！

状态与历史上下文

深度研究Agent v1没展示，但项目的重要部分是优化结果生成最终报告。很多时候，Agent系统需要修改部分或全部查询、子任务，以及从网络搜索API获取的数据。这意味着系统会多次尝试解决问题，需要访问之前的状态和历史上下文。

在我们的用例中，这可能是让Agent访问子任务状态、修订（如果有）、工作流中每个Agent的过去结果，以及修订阶段需要的其他上下文。传递什么内容取决于优化目标，这里需要做很多决策。上下文工程不简单，需要多次迭代。这就是为什么评估很重要：不衡量怎么知道上下文工程有没有用？

3、高级上下文工程[展望]

本文没涵盖上下文工程的其他方面，比如上下文压缩、管理技术、安全性，以及评估上下文有效性。未来文章会分享这些主题的想法。

上下文可能变低效（充满陈旧不相关的信息），需要特殊评估流程发现这些问题。

我认为上下文工程会成为AI开发者的重要技能。除了手动上下文工程，还可以构建自动化方法。我见过一些工具尝试这样做，但这个领域需要更多进展。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！