# AI时代流行词汇与核心概念解析

## 1. 引言：高级词汇与内容本质

在当前的技术语境中，存在一种现象，即使用“高级”词汇来指代相对简单的概念，这往往掩盖了其深层含义或内容可能存在的匮乏。例如，销售被称为“分销”，盈利被称为“变现”，内容创作被称为“内容输出”，用户招募被称为“私域引流”，而AI编写代码则有了“webcoding”等新词。这种趋势同样体现在AI领域，出现了一系列需要深入理解的流行词汇，如*提示词（Prompt）*、*提示词工程（Prompt Engineering）*、*上下文（Context）*和*上下文工程（Context Engineering）*。

## 2. 提示词 (Prompt)

### 2.1 定义

提示词是指用户发送给大语言模型（LLM）的输入信息。最初，当大语言模型主要作为聊天机器人时，用户的问候语（如“你好”）即为提示词。

### 2.2 演进与分类

随着AI能力的发展，提示词的使用变得更加复杂和精细，以满足用户对特定风格和行为的需求。提示词被细分为两类：

*  **系统提示词 (System Prompt)**：用于设定AI的角色、行为模式或整体任务，通常由AI应用内置，用户一般不能直接修改。然而，一些AI应用（如ChatGPT的“Customize ChatGPT”功能）允许用户设定个人偏好，这些偏好会间接融入系统提示词，影响AI的输出。

*  **用户提示词 (User Prompt)**：用户在聊天界面直接输入的对话内容或指令。

### 2.3 角色设定示例

通过提示词可以为AI设定特定角色，例如，通过系统提示词指示AI“扮演一个猫娘”，随后用户的“你好”这样的用户提示词将得到符合猫娘设定的回复。

## 3. 提示词工程 (Prompt Engineering)

### 3.1 定义

提示词工程是一种通过精心设计系统提示词和用户提示词的组合，以引导AI返回特定风格、稳定且准确回复的方法和技巧。其核心目标是约束AI的行为，减少错误和意外，使其输出更符合预期。

### 3.2 常见技巧

#### 3.2.1 行为约束

通过在提示词中明确要求或设定情境，来引导AI的行为。

*  **检查与纠正**：当AI不擅长处理某些任务（如数学问题）时，可以在提示词中要求它在回复前仔细检查答案，以提高准确性。

*  **情境强调**：当AI拒绝回答某些问题时，可以通过强调事件的严重性来促使AI输出更完整的答案。

*  **Zero Shot**：只提出要求，不提供具体示例。例如，要求AI在回复前检查答案。

*  **Full Shot**：在提示词中提供具体的示例作为参考，以帮助AI理解并模仿特定格式或风格的输出。

  *  **示例**：将正常句子转换为“猫娘体”。

    *  **范例1**：“我们去吃饭吧” → “我们去吃饭好不好呀喵”

    *  **范例2**：“我写了一个程序” → “我把程序录好了喵”

    *  **真实需求**：“亲爱的，我买了包包送给你” → 预期回复：“亲爱的，我抓了老鼠送给你喵”

  *  **应用场景**：在开发AI应用或AI Agent时，需要AI稳定返回特定格式字符串的场景中尤为有效。

#### 3.2.2 思维链 (Chain of Thought, COT)

思维链是一种通过提示词引导AI逐步思考和分解问题，并输出推理过程的技巧，从而提高复杂问题解决的准确性。

*  **原理**：大语言模型本质上是概率模型，不擅长精确数学运算。通过要求AI“不要先给出答案，请一步一步地拆解问题并给出每一步的中间结果”，可以引导其进行分步推理。

*  **示例**：计算“1加2乘3”。

  *  **无COT**：直接给出错误答案或低精度答案。

  *  **有COT**：

    *  “根据运算优先级，第一步需要先计算2乘以3，结果是6。”

    *  “然后再计算1加6，最终结果是7。”

*  **效果**：提高AI在解决复杂问题时的准确率，特别是在早期模型或复杂推理任务中。

*  **现代应用**：许多网页版聊天机器人已内置强大的思维链功能，用户无需手动输入额外提示词即可受益。

### 3.3 本质

提示词工程的本质是通过精心设计提问方式，以获得更精准、更符合预期的AI回答。

## 4. 上下文 (Context)

### 4.1 AI模型记忆的澄清

大语言模型本身不具备记忆功能，每次接收消息都被视为一次全新的、独立的请求。

### 4.2 记忆的实现机制

在连续对话中，AI的“记忆”是通过AI Agent或聊天机器人服务器实现的。

*  **流程**：

  1. 用户消息首先发送给AI Agent或聊天机器人服务器。

  2. 聊天机器人维护完整的历史记录。

  3. 收到新的用户消息时，将其附加到历史记录的末尾。

  4. 将包含所有过往信息的完整历史记录一同发送给大语言模型。

*  **定义**：这个被一次性发送给AI的完整历史记录就称为“上下文”。

## 5. 上下文工程 (Context Engineering)

### 5.1 定义

上下文工程是指管理和修改AI与用户之间对话历史记录（即上下文）的技巧和方法，旨在确保AI在长时间、多步骤的交互中，其行为始终符合用户的最初要求。

### 5.2 复杂性来源：AI Agent

当AI Agent引入工具箱并具备调用工具的能力时，上下文管理变得更为复杂。

*  **AI Agent机制**：AI Agent除了传递消息和维护历史记录外，还拥有可供AI模型调用的工具。

*  **示例**：网页浏览功能。

  1. 用户提问（如“猫娘的口头禅是什么”）。

  2. 聊天机器人（AI Agent）将当前上下文和所有可用工具说明打包发送给AI模型。

  3. AI模型决定使用“浏览网页”工具，并返回一个特殊指令（tool_code），指示Agent搜索“猫娘的口头禅是什么”。

  4. 聊天机器人执行该指令，调用网页浏览工具，并返回网页内容。

  5. 网页内容被打包成tool_response消息和对应的tool_code一起加入上下文。

  6. 更长的上下文再次发送给AI模型。

  7. 此过程可能重复多次，导致上下文变得非常长，充满中间信息。

### 5.3 挑战

在AI Agent的复杂任务执行过程中，用户只能在最初通过提示词施加影响。后续大量的tool_code和tool_response（尤其是网页浏览等长内容）会迅速增长上下文长度，且用户无法及时纠正AI的行为。这导致AI容易偏离最初目标。

### 5.4 核心问题

上下文工程的核心问题是：如何在用户无法实时干预AI行动时，通过一套程序化的规则自动管理和修改上下文，确保AI模型在漫长的自主行动中始终记得最初的任务，并符合用户的要求。

### 5.5 常见管理策略

目前，上下文工程尚无公认的完美解决方案，但业界存在多种有效做法：

#### 5.5.1 AI学会记笔记

*  **原理**：为AI模型提供一个专门用于记笔记的工具。

*  **策略指导**：通过系统提示词明确笔记的使用策略，例如：

  1. 行动前先将任务分解。

  2. 在笔记中写下任务清单。

  3. 严格根据任务清单执行任务。

  4. 每完成一项就更新笔记中的状态。

*  **流程示例**：

  1. AI收到任务（如“猫娘的口头禅是什么”）。

  2. AI头脑风暴并生成任务清单（如：1. 用谷歌搜索猫娘；2. 用萌娘百科搜索猫娘；3. 综合两次搜索结果，总结口头禅）。

  3. AI调用记笔记工具，将清单记录下来。

  4. Agent将笔记（tool_response通常只包含“笔记更新成功”等信息）插入到上下文的开头或结尾。

*  **关键机制**：利用Transformer架构对输入信息开头和结尾敏感的特性，确保核心目标（任务清单和初始提示词）始终处于最显眼的位置，不易被AI忽略。

*  **效果**：显著减少AI在执行复杂任务时偏离轨道的可能性。笔记内容也可扩展至记录搜索出的关键信息，便于后续总结。

*  **本质**：人类用户通过控制初始提示词指导AI如何写笔记，再通过将笔记置于上下文的显眼位置，间接引导整个AI处理流程。

#### 5.5.2 缩短上下文长度

*  **直接丢弃旧消息**：

  *  **方法**：直接舍弃过旧的消息，只保留最新的消息。

  *  **限制**：初始的系统和用户提示词部分必须保留。

*  **信息压缩**：

  *  **方法**：许多Agent会提取较旧的消息，让AI模型总结其中的关键信息，然后用这个精炼的总结替换掉原来的上下文。

  *  **效果**：在保留关键内容的同时达到压缩目的。

*  **结合向量数据库 (RAG)**：

  *  **方法**：对于非常长的tool_response（如上万字的文章），Agent先将其内容处理后存入一个临时的向量数据库（类似于RAG技术）。

  *  **上下文修改**：修改tool_response，不再包含原文，而是用一句话代替（如“文章已存入知识库，我为你提供了一个新的工具query_document，你可以用它来查询文章片段”）。

  *  **AI行为**：AI模型只需查找自己感兴趣的片段。

  *  **效果**：将数万字的tool_response压缩成几十个字的指令和AI主动查出的片段，极大地控制了上下文长度。

*  **优化工具返回值**：

  *  **方法**：Agent在将工具（如网页浏览工具）的返回值提供给AI模型前，先进行预处理，去除不必要的冗余信息（如HTML标签），只返回最核心内容。

  *  **效果**：从源头减少信息的冗余，避免上下文过长。

### 5.6 发展趋势

上下文管理是一个热门的AI应用研究方向，新的研究和技术持续涌现。所有这些方法的共同目标都是，在人类用户无法实时干预AI行动时，确保AI模型始终牢记并遵循其最初的任务。

## 6. 核心要点概览

本内容探讨了AI时代的关键概念和技术：

*  **提示词**：用户发给AI的指令或对话。

*  **提示词工程**：通过精心设计提示词（系统/用户）来引导AI行为，获得预期输出的技巧。包括行为约束（Zero Shot, Full Shot）和思维链（Chain of Thought）。

*  **上下文**：AI Agent为了模拟记忆，将用户与AI之间的完整对话历史记录一次性发送给大语言模型的信息包。

*  **上下文工程**：通过程序化规则管理和修改上下文，确保AI Agent在多步骤、复杂任务中始终遵循用户初衷的技术。常见策略包括AI记笔记、缩短上下文（直接丢弃、压缩、RAG结合、优化工具返回值）。