Prompt Engineering

概述

指导和优化大语言模型输出的技术实践，通过精心设计输入提示（Prompt）中的指令、上下文和示例，引导模型生成更准确、相关和有用的响应。在AI Agent工程中，Prompt Engineering是核心工程工作而非可选项，工具描述的质量直接影响模型行为和最终产品质量。

关键内容

1. 核心理念：
2. 在Context Engineering兴起之前，关注如何让模型理解用户的指令
3. 重点在于"如何让模型更好地完成任务"
4. 主要关注提示的措辞、结构和格式

5. 在AI Agent工程中，Prompt Engineering不是可选项，而是核心工程工作

6. 关键技术：

7. Zero-shot prompting：无示例情况下直接给出任务指令
8. Few-shot prompting：提供少量示例帮助模型理解任务模式
9. Chain-of-Thought：引导模型逐步推理，展示思考过程
10. Instruction Tuning：优化指令格式以提高模型遵循性
11. Prompt Chaining：将复杂任务分解为多个简单步骤

12. Tool Description Optimization：工具描述直接影响模型行为，质量等同于产品质量

13. 发展演变：

14. 随着模型能力提升，从简单的指令式提示发展到复杂的多步骤提示
15. 在长上下文窗口出现前，受限于上下文长度，只能进行精简化的提示设计
16. 逐渐被Context Engineering所超越，后者关注整个上下文窗口的管理

17. 在AI Agent领域，Prompt作为最灵活的算法，自然语言描述的行为规范比代码实现的规则更灵活、更易维护

18. 工程应用：

19. Prompt作为文档：Coordinator Mode的系统提示词既是代码（控制行为）又是文档（解释意图）
20. 架构决策：区分稳定（可缓存）和动态（不可缓存）部分以优化Prompt Cache
21. Agent行为控制：通过Prompt而非代码实现的规则来表达行为规范

来源

• AI-Agent--02_context_engineering — Context Engineering的前身概念
• Claude Code 源码泄露深度解析（八） — 工程实践中工具描述即产品的理念

相关

• Context Engineering — supersedes
• LLM — part_of
• Instruction Tuning — extends
• Chain-of-Thought — part_of
• Claude Code 工程设计哲学 — extends
• Prompt Cache — extends