本章小结：提示词工程进阶与上下文工程

本章小结

本章我们从“会提问”进阶到了“会引导”。通过掌握思维链、结构化输出和迭代优化，你已经具备了驾驭 AI 处理复杂任务的能力。

核心要点回顾

1. 思维链（CoT）：

• 咒语：Let's think step by step。
• 作用：引导 AI 给出可检查的关键步骤/中间结果，通常能提升复杂推理与计算题的稳定性，但仍需要你核验结论。

1. 结构化输出：

• 技巧：指定 Markdown 表格、JSON、CSV 格式。
• 作用：让 AI 的输出不再是乱糟糟的文字，而是可以直接使用的数据和代码。

1. 迭代优化：

• 心法：好的提示词是改出来的。
• 技巧：V1 -> 观察 -> 反馈 -> V2。让 AI 帮你改提示词。

1. 高级黑科技：

• 角色反转（它考你）、自洽性（多角度求解）、强化约束（明确目标与验收标准）。

下章预告

掌握了工具（第十章）和心法（第十一、十二章），现在我们手里有了锤子，该找钉子了。

AI 到底能帮我们在生活和工作中解决哪些具体问题？

• 怎么用 AI 帮我写好周报？
• 怎么用 AI 帮我规划旅行？
• 怎么用 AI 帮我学英语？
• 怎么用 AI 帮我做 PPT？

下一章，我们将进入 最接地气的实战环节，从职场、学习、编程、生活和行业应用中挑选真实场景练习。

延伸回顾：上下文工程

核心概念回顾

什么是上下文工程？

上下文工程 = 优化 AI 做决定时能看到的所有背景信息

与提示词工程不同：

• 提示词工程：优化你现在说的这一句话（常见收益是让输出更稳定、更贴合任务）
• 上下文工程：优化 AI 看到的整个背景（在知识密集型任务中可能带来更大收益，但需要按场景验证）

上下文的三层：

1. 对话上下文

• AI 记住之前的对话内容
• 所有 AI 工具都支持
• 用处：理解指代、保持连贯性

1. 知识库上下文（RAG）

• 通过向量数据库存储和检索信息
• 让 AI 能记住你的专有知识
• 用处：让 AI 了解你的公司、项目、风格

1. 系统集成上下文（MCP）

• 让 AI 实时访问外部系统
• AI 可以查日历、发邮件、查数据库
• 用处：AI 不再只是“知道”，而是能“看到”

关键数据

效果对比：
- 只用通用AI：✓ 能用，但效果差
- 优化提示词：✓ 好一些，尤其是格式、角色、约束和验收标准更明确
- 加入RAG知识库：✓ 在专有知识问答、内部文档检索等任务中通常更可靠
- 完整上下文工程：✓ 专业级效果，但要用准确率、召回率、人工验收或业务指标衡量

成本：
- RAG系统：成本取决于文档规模、向量库、更新频率和运维方式
- API成本：上下文更长通常会增加 token 成本和延迟
- ROI：要用准确率、召回率、返工率、人工验收或业务指标实测

上下文窗口大小（2026年）：
- 一些长上下文模型已经支持百万级 tokens，但具体上限、可用地区、价格和模型版本要以厂商当前文档为准
- 上下文窗口不是“越大越好”：更大的窗口通常也意味着更高成本、更长延迟和更高的上下文筛选要求

实践建议

什么时候值得用上下文工程？

✓ 一定要用：

• 你有大量专有知识/代码需要 AI 了解
• 你的工作需要 AI 长期配合（不是一次性问答）
• 你需要 AI 保持特定的风格/标准

✗ 不需要：

• 临时性的一次性问答
• AI 已经知道的通用知识
• 对质量要求不高的任务

快速开始：

1. 评估你的需求

• 什么信息 AI 需要理解才能帮助你？
• 这些信息是否存在于某个文档/系统中？

1. 选择工具

• RAG：Pinecone, Weaviate, Milvus（免费开源）
• MCP：Claude Desktop, OpenAI Platform
• 企业级：LangChain, LlamaIndex 框架

1. 开始小规模

• 先用几 MB 的知识库测试效果
• 看看效果是否值得扩大规模

常见误解

误解 1：“上下文越多越好”

• 事实：过多的上下文会让 AI 分心
• 建议：精心挑选最相关的信息（质量 > 数量）

误解 2：“上下文工程只适合大公司”

• 事实：个人、小团队都能用
• 例子：学生可以给 AI 注入课程资料，效果大幅提升

误解 3：“设置好之后就一劳永逸了”

• 事实：需要持续优化
• 建议：定期检查哪些上下文有用，哪些没用

学习资源推荐

技术概念：

• 向量数据库：Pinecone 官方文档，免费
• RAG 框架：LangChain 文档，GitHub 有大量示例
• MCP：Anthropic 官方文档，持续更新中

实际项目：

• 构建公司知识库：需要 3-5 天
• 集成日历系统：需要 1-2 天
• 多系统集成：需要 1-2 周

成本估算：

• 小项目原型：可能使用免费层或开发者层，但要受存储、请求量、索引数量等限制
• 托管生产项目：通常包含月度最低消费或用量计费，按厂商价格页核验
• 大规模应用：可能需要专用集群、私有网络、备份、支持合同或自托管方案

与其他技术的关系

和微调的区别

微调：改变模型本身
- 成本高（需要GPU，训练时间长）
- 一旦完成，对所有问题都生效
- 适合：你的数据量很大（>100K例子）

上下文工程：改变输入信息
- 成本低（只需向量数据库）
- 只在需要时才使用
- 适合：你的数据量中等（1K-100K例子）

建议：先试上下文工程，真的需要时再考虑微调

和 Agents 的关系

Agents = 上下文工程 + 工具调用 + 规划

Agents是下一步：
1. 上下文工程给AI足够的知识
2. 工具调用让AI能做事情
3. 规划能力让AI自主决定做什么

所以理解上下文工程是学习Agents的基础

本章的位置

在学习路线中：

└─ 第一部分：基础概念
   ├─ 什么是AI
   └─ 基本概念

└─ 第二部分：核心技术
   ├─ 机器学习、深度学习
   ├─ LLM、推理模型
   └─ 新架构（Mamba, MoE）

└─ 第三部分：实战应用
   ├─ AI工具使用（ChatGPT, Claude等）
   ├─ 提示词工程（基础必修）
   └─ 上下文工程（进阶必修）← 你在这里

└─ 第四部分：进阶与展望
   ├─ 智能体与自动化
   ├─ 伦理与安全
   └─ AGI展望

上下文工程的地位：

• 不是基础（因为需要理解前面的知识）
• 也不是高级（有基础知识就能学）
• 而是：实战应用的必修课

下一步

如果你想立即开始：

1. 挑选一个你经常用的工具（比如编写报告）
2. 收集这个任务需要的所有背景信息
3. 尝试用 Claude 或 ChatGPT 的“对话上下文”功能
4. 观察效果有没有提升

如果你想更深入：

1. 学习向量数据库的基本原理
2. 用 Pinecone 或 Weaviate 搭建一个小的 RAG 系统
3. 用自己的数据测试，看效果如何

如果你想成为专家：

1. 学习 MCP 协议
2. 尝试集成外部系统（Google Calendar, Gmail 等）
3. 构建一个完整的 AI 助手应用

最后的话

上下文工程不是什么高深的技术，而是：

• 常识：给 AI 足够的信息，它就能做得更好
• 技能：知道怎么组织和呈现这些信息
• 艺术：在有限的上下文窗口中优化每一个字节

掌握它，你会发现 AI 的能力远超想象。

📝 发现错误或有改进建议？ 欢迎提交 Issue 或 PR。