第 3 章 提示词与上下文工程：模型究竟在看什么？¶
在第 2 章中，我们看到 Agent 是如何通过 ReAct 循环（思考 → 执行 → 观察） 步步推进任务的。
但在那一章的结尾，我们留下了一个让人不安的悬念：
Agent 每执行一步，外部工具返回的大段文本、文件内容、甚至报错日志，都会源源不断地塞进会话历史里。随着循环一圈一圈地转动，模型眼前的文字越来越多。
这时候，很多人会遇到一系列诡异的现象： - 跑着跑着，Agent 突然忘了最初要干什么； - 你明明叮嘱过“不要碰某个重要文档”，它转头就给覆盖了； - 你让它写个“专业大气的读书汇报”，它交出来的东西充满一股空洞廉价的 AI 味； - 你试图通过在聊天框里疯狂追加要求来纠正它，结果它越改越乱，最后彻底失控。
为什么会这样？
要真正驾驭 Agent，我们需要推开狭隘的“提示词魔法”，理解一个在现代 AI 应用中最为关键的认知底座——上下文工程（Context Engineering）。
1. 聊天框的幻觉：模型看到的远不止你发的那句话¶
很多人习惯把发给 AI 的输入统称为 Prompt（提示词）。在一个小小的聊天对话框里，我们很容易产生一种错觉：“我此刻在输入框里敲下的这行字，就是指挥 AI 的全部。”
这是一种极其天真的幻觉。
从大语言模型的底层数学逻辑来看：
$$ \text{下一个词的概率} = \Pr[\text{token} \mid \text{上下文（Context）}] $$
模型在决定下一步是调用工具、查阅资料、修改文档还是回复你时，它的“视野”从来不是你刚发的那一行字，而是此刻摆在它面前的整张巨大工作台——整个上下文（Context）。
在这张工作台上，堆放着来自各个角落的内容：
- 底座系统的原生规矩：调度 Agent 运行的外围环境预先注入的角色设定与工具清单；
- 项目的全局家规：比如存放在项目根目录里的规则文件，规定了这个项目要遵守的习惯、禁用行为和格式要求；
- 按需加载的技能手册（Skills）：处理特定任务（如制作幻灯片、检索文献）时临时查阅的操作指南；
- 你和它在之前几十轮互动中积累的所有历史记录；
- 外部工具实时搬回来的原料：刚刚读进来的整份开题报告、数据表格、或是命令行的执行反馈。
你在聊天框里敲下的那句“帮我把第三部分润色一下”，可能只占整张工作台不到 1% 的篇幅。真正左右模型下一步动作的，往往是那 99% 的背景信息与既有事实。
明白什么是上下文，你才会建立起第一个工程直觉：驾驭 Agent 的第一步，不是挖空心思去编一句神仙咒语，而是学会管理它眼前的整张工作台。
2. 写清楚“完成”是什么：承担一切“不明确”的后果¶
很多同学在使用 AI 处理日常任务（写报告、做展示、整理数据）时，最常有的抱怨是“AI 做的东西太死板”、“缺乏灵魂”、“像个半成品”。
典型的对话往往是这样的：
同学：“帮我做一个关于大学生情绪健康的现代风格展示页面/文案。”
Agent：一阵忙活，交出来一份平铺直叙、堆满套话和刺眼渐变色的东西。
同学：“这也太俗气了！我要的是排版高级、数据详实、有高级留白感的那种！”
AI 违抗你的命令了吗？没有。它完全履行了字面上的要求。
愿望、规范与实现的落差¶
在任何任务的执行中，都存在三个层面的落差： 1. 真实愿望（Intent）：你脑海中隐秘的、充满审美偏好和细节期望的美好构想； 2. 书面规范（Spec）：你真正写进上下文里的具体要求与边界； 3. 最终实现（Impl）：Agent 实际交付出来的产物。
你省略的所有细节，本质上都是把决定权拱手让给了模型。
而模型是一个基于全人类语料统计概率运转的机器。当你给出的约束极度模糊时，它别无选择，只能沿着统计概率最高、最不易出错的默认路径滑下去——也就是语料库里的“平均大众脸”。
这就像给新生儿取名：如果你只要求“取一个好听的名字”，模型算出来的最高概率组合大概率是新时代的“子涵”或“浩宇”。你不能怪 AI 平庸，因为你的指令没有为它排除掉平庸。
一个核心洞察：我们常说的“模型性能好”，到底好在哪里？¶
这里隐藏着一个极具启发性的认知：
我们在日常评测中常说“这个模型比那个模型更聪明”、“某某模型性能更强”，其实很大程度上是在说：这个模型在“自由发挥”的部分，更懂得如何讨好人类的预期。
当你的指令留有空白时： - 普通模型：在留白处填满了平庸、机械的应付之词。你说“写个介绍”，它给你列五句干瘪的要点；你说“做个页面”，它排得像十年前的分类信息网。 - 优秀模型：在没有明确说明的留白处，它默认选择的排版审美更具现代感，默认写的文字逻辑更连贯，默认调用的代码更优雅可读，默认梳理的文献能精准抓住核心矛盾。
所谓“模型更懂人话”，本质上是它的统计先验分布更贴近人类社会中的优秀品味。
但这绝不意味着你可以偷懒。即便世界上最顶尖的模型，也不可能读心。在关键的核心需求上，“写清楚你的指令，承担一切不明确的后果” 依然是不可撼动的铁律。
消除形容词，给出客观验收标准¶
如果你想要一份高质量的交付，就要尽量戒掉模糊的形容词： - ❌ 模糊愿望：“帮我把这份问卷分析写得专业一点，排版好看一点。” - ✅ 明确规范：“重点分析‘年级’与‘睡眠时长’的交叉分布；前言用三句话交代样本背景；结论部分分点列出三条对策；全文用 Markdown 表格展示均值与标准差。”
判断你的指令是否清晰，有一个最简单的试金石：让你的同班同学只看你的要求和最终产物，他能否客观判定任务算不算“完成了”？
3. 规则的注意力竞争：为什么不能“每犯一次错就打一个补丁”？¶
在管理 Agent 时，很多人都会不自觉地陷入一个陷阱：规则膨胀（Rule Bloat）。
想象一个日常场景：
1. 你让 Agent 帮你整理一份读书笔记，顺口提了一句：“文字精炼一点，不要带客套话。”
2. 结果它整理完之后，文末自作聪明地加了一行大字：【注：本文已按要求去除一切客套话】。
3. 你哭笑不得，立刻愤怒地在提示词里追加一条规则：“严禁在文末输出任何自我解释性的标注！”
4. 第二天，它在写摘要时又漏掉了关键参考文献，你又追加一条：“必须按 APA 格式列出所有文献，一条都不许漏！”
5. 第三天，它写长了，你又加一条：“字数必须严格卡在 800 字以内！”
两周之后，你的要求清单变得像法典一样冗长复杂，里面堆满了各种“切记”、“务必”、“严禁”。
结果呢？Agent 并没有变得更听话，反而开始频繁漏掉最基本的任务。
为什么提示词打补丁一定会崩溃？¶
- 规则也在争夺有限的注意力：模型的上下文容量虽然很大，但它处理复杂约束的注意力预算是有限的。当清单堆砌到二三十条时，模型在推导下一步时根本无法同时兼顾所有条件，往往顾此失彼。
- 规则之间容易暗生冲突：“详尽展开背景”与“严格控制字数”打架，“语气活泼幽默”与“严谨学术风格”互斥，模型在矛盾中极易陷入胡言乱语。
上下文工程的精髓：做减法与分层管理¶
真正懂得使用 Agent 的人，从来不会试图在一张纸上写尽天下规矩。他们懂得分层治理：
- 底线家规保持极简：最核心的原则（比如使用的语言、交付的基本格式）保持极简，长期常驻；
- 任务技能按需加载：只有在遇到特定专业任务时，才把对应的操作指南（Skill）拿出来给它看，用完即收；
- 善用客观环境，而不是靠嘴劝诫：如果要求格式规范，直接给它一个排好版面的标准模板让它填空，远比在提示词里用五百字描述“什么叫优美排版”有效得多。
4. 一个反直觉的真相：为什么有范例的环境比一张白纸容易得多？¶
很多同学以为：让 AI 在一个完全空白的文件夹里从零写一份全新的策划案，肯定比让它去修改一份结构复杂的老项目要简单。
现实往往恰恰相反。
给 Agent 一张白纸，让它凭空创作，它常常在前两步看起来很惊艳，但越往下写越发散，段落风格前后不一，格式东拼西凑，最终变成一堆平庸而杂乱的文字垃圾。
但如果你给它的是一份已经写好了规范前言、排版工整、结构清晰的往期优秀报告，让它去补充第三章，它交出来的成果往往极具水准，甚至与前文浑然一体。
为什么会有这种巨大反差？
因为已有的规范环境，本身就是最强大的无声提示词！
- 人类学习也是如此：给你一张白纸写商业计划书，你可能抓耳挠腮无从下笔；但如果学长给你一份获得了大奖的模板，你照着目录结构和论述口吻填补内容，效率和质量都会成倍提高。
- 对大语言模型而言，已有的优秀范例（示例、排版、格式规范）会直接占据它视野中最重要的上下文位置。它不需要在海量可能性中盲目摸索，只需要照猫画虎（Few-Shot Learning），沿着已有上下文的惯性自然续写。
优秀的上下文工程，本质上就是为 Agent 搭建好一个整洁有序的“施工现场”。
5. 本章总结与下一站¶
在这一章里，我们彻底告别了对“单句提示词”的盲目迷信：
- 全景视野：决定 Agent 行为的不是聊天框里的那句话，而是包含角色预设、项目规则、历史记录与外部材料的整张 上下文工作台（Context）。
- 拒绝留白：写清楚你的指令，承担一切不明确的后果。越是核心的目标，越要有客观可检验的验收标准。
- 理解性能：所谓的“好模型”，是它在留白自由发挥处能交出更高审美的默认答卷；但这绝不意味着你可以放弃精确表达。
- 分层治理：停止用自然语言无休止地打补丁。保持全局规则精简，按需加载专业技能，用现成的范本与环境规范输出。
读到这里，一个极其自然的问题已经呼之欲出：
既然我们不能把所有的规矩都一股脑塞在临时对话里；
既然上下文需要分层治理——需要有长期的“项目家规”，需要有按需领取的“技能工具包”；
那么，在真实的工作和项目中，这些规矩到底应该保存在哪里？全世界的 AI 助手又是通过什么样的通用标准来阅读它们的？
下一章，我们将正式接触现代 Agent 体系中最重要的两份基石规范——项目的员工手册 AGENTS.md，与即插即用的技能包 Agent Skills。