如何为AI代理应用提示工程与上下文工程
内容提要
本教程演示如何通过提示工程和上下文工程提升AI代理性能，使用LangChain v1、Ollama、Qwen和Python构建本地代理，对比基线、优化提示和增强上下文三种模式。结果显示，清晰指令和丰富上下文能显著改善输出质量，无需更换模型。同时提醒注意提示注入风险，并建议通过系统提示设置防护。
延伸解读
输入优化优先于模型更换
文章强调，在考虑更换模型或微调之前，先优化输入往往更高效。通过对比基线、提示工程和上下文工程三种模式，可以看到仅通过改进提示和上下文，输出质量就有显著提升，而模型本身未变。这提示开发者，当模型输出不理想时，应首先审视任务描述是否清晰、上下文是否充分，而不是急于升级模型。
上下文工程的实际应用
上下文工程不仅限于提示词，还包括系统指令、检索文档、工具输出等。文章展示了通过提供参考文本，模型能更聚焦地利用信息，输出更贴合需求。在实际系统中，上下文通常由数据管道组装，涉及存储、处理、检索等环节。这提醒我们，构建良好的上下文管道是提升AI代理性能的关键，而不仅仅是编写更好的提示。
警惕提示注入风险
文章指出，提示注入是AI系统的重要风险，尤其当模型处理大量外部内容时。恶意文本可能试图覆盖原始指令，导致模型执行非预期操作。为此，建议将系统指令与外部内容分离，验证重要操作，并设置审批步骤。示例中通过系统提示设置防护，成功抵御了注入尝试，展示了基本防护思路。
Q&A
什么是提示工程？
提示工程是编写模型输入以帮助其产生更有用结果的做法。它不改变模型本身，而是通过使指令更清晰、缩小范围或指定期望的答案类型来改进输入。
什么是上下文工程？
上下文工程是决定模型在响应前看到哪些信息、如何组织这些信息以及何时包含这些信息的实践。它涉及系统指令、检索文档、记忆、工具输出等，通常通过数据管道组装。
为什么提示工程和上下文工程对AI模型很重要？
因为模型只能处理它接收到的输入。即使模型很强，如果任务描述模糊、指令不清或缺少支持信息，输出也可能很弱。提示工程改善任务呈现方式，上下文工程确保模型有正确的信息，两者结合使模型行为更可靠、可控。
如何构建一个本地AI代理来演示提示工程和上下文工程？
使用LangChain v1、Ollama和Python构建。安装Ollama并拉取模型（如qwen3.5:4b），安装langchain和langchain-ollama，然后编写代码创建代理，分别用基线提示、优化提示和增强上下文三种模式运行，比较输出。
基线、提示工程和上下文工程三种模式的输出有何不同？
基线输出长而通用，不符合简洁结构；提示工程输出更受控，遵循格式、长度和受众要求；上下文工程输出更基于提供的参考文本，更聚焦。模型未变，但输出质量提升。
什么是提示注入，如何防范？
提示注入是未受信任的文本试图覆盖或干扰原始指令，可能来自用户输入、检索文档等。防范措施包括：将系统指令与外部内容分离，不将检索文本视为可信指令，验证重要操作，对高影响工具使用审批步骤。在系统提示中设置防护，如指示模型忽略试图覆盖规则的指令。
