上下文工程中提示词编写的原则和技巧

摘要自anthropic：Effective context engineering for AI agents

引言：从单一提示到上下文状态管理

在构建复杂的 AI 智能体（Agent）时，我们关注的焦点已不再仅仅是如何写出“魔法”般的提示词（Prompt）。大型语言模型（LLM）的推理过程是一个多轮、动态的状态管理过程。因此，我们需要从“提示工程”（Prompt Engineering）迈向上下文工程（Context Engineering）。

提示工程侧重于如何编写和组织 LLM 指令以获得最佳结果。而上下文工程，作为提示工程的自然演进，则关注于在 LLM 推理过程中策划和维护最优的代币集合（信息）的整套策略。系统提示（System Prompts）是 Agent 初始、静态上下文的核心组成部分，其编写质量直接决定了 Agent 的初始效用和指导方向。

有效的上下文工程要求我们“在上下文中思考”（thinking in context），即如何利用有限的上下文窗口，找到最小可能集合的高信号代币，最大限度地提高所需结果的可能性。

一、提示词编写的核心原则：清晰性与极简主义

上下文（Context）是 Agent 的有限资源，因为它受到 LLM 的注意力预算（attention budget）和上下文衰减（context rot）等架构约束。因此，对系统提示的要求是高效且紧凑。

1. 极度清晰和直接的语言

系统提示应该极其清晰（extremely clear），并使用简单、直接的语言来呈现 Agent 的指导信息。

2. 追求最小化信息集合

无论您如何组织系统提示，都应该努力实现信息的最小化集合，这个集合必须充分概述您期望的 Agent 行为。

请注意，这里的“最小化”（minimal）不一定意味着简短。您仍然需要预先为 Agent 提供足够的信息，以确保它能够坚持您期望的行为。我们的总体指导原则是深思熟虑，并保持上下文内容丰富，但同时又紧凑（informative, yet tight）。

最佳实践：最好从一个最小化的提示开始测试，并使用可用的最佳模型来观察其在任务上的表现。然后，根据在初始测试中发现的失败模式，迭代性地添加清晰的指令和示例来改进性能。

二、关键技巧：定位“正确的高度”（The Right Altitude）

“正确的高度”是 Agent 开发者在编写提示时需要掌握的“金发姑娘区”（Goldilocks zone）。它要求我们在两种常见的失败模式之间取得平衡：

失败模式一：过于僵化（硬编码的复杂逻辑）

• 特点： 工程师试图在提示中硬编码复杂、脆弱的逻辑，以引发精确的 Agent 行为。
• 后果： 这种方法会随着时间的推移，增加系统的脆弱性和维护的复杂性。
• 示例（避免）： 像“如果工具 A 返回了 HTTP 404 错误，并且用户在过去 5 分钟内没有提及‘重试’，那么你必须调用工具 B，且将 query 参数设置为用户消息的前 10 个词，除非用户消息包含 URL”——这种脆弱的 If-Else 逻辑应该被避免。

失败模式二：过于笼统（模糊的指导）

• 特点： 工程师提供模糊、高层的指导，未能为 LLM 提供具体的信号以指导期望的输出，或者错误地假设 Agent 具有共享的上下文。
• 后果： Agent 可能会偏离目标，无法做出有效的、符合预期的行动。
• 示例（避免）： 像“做一名优秀的助手，帮助用户解决问题”——这种提示过于笼统，难以有效指导行为。

“正确的高度”的提示词

最优的高度是：足够具体以有效地指导行为，但同时要足够灵活，为模型提供强大的启发式方法来引导行为。

示例（理想的系统提示片段）：

Agent 角色与目标：
“你是一名专业的技术文档分析师。你的首要目标是准确回答用户关于文档库的查询。你必须始终使用 search_documents 工具来获取最新的信息。如果信息来源不确定，你必须明确告知用户信息不足。”

约束与输出格式：
“在回答之前，你必须在内部推理步骤中指出你使用的工具和检索到的信息。最终回答必须简洁，并且仅包含来自工具结果的信息。”

三、结构化提示：利用标记增强 Agent 可读性

为了避免提示内容混杂，提高 Agent 的理解效率，建议将提示组织成不同的部分（distinct sections）。

技巧：使用 XML 标签或 Markdown 标题进行划分

建议使用技术，如 XML 标签或 Markdown 标题来划分这些部分。这种结构化方法使得 LLM 能够更好地识别不同类型的信息，即使模型能力不断提升，这种清晰的划分仍是良好实践。

部分名称	标记示例	目的
背景信息	<background_information>	设定 Agent 的专业领域或限制条件。
指令	<instructions>	明确 Agent 必须遵循的步骤或行动规则。
工具指导	## Tool guidance	描述工具的使用方式、时机和优先级。
输出描述	## Output description	明确最终输出的格式要求（如 JSON、Markdown）。

四、少样本提示（Few-shot Prompting）的精心策展

提供示例（即少样本提示）是 Agent 开发中持续强烈建议的最佳实践。示例是 Agent 预期行为的视觉蓝图，对于 LLM 而言，示例有极大引导作用。

策展要点：

• 避免堆砌边缘案例： 不要试图将一大堆边缘案例清单塞入提示中，试图囊括 Agent 可能需要遵循的每一条规则。
• 提供规范化示例： 应该努力策划一组多样化、规范化的示例，以有效地描绘 Agent 的预期行为。这些示例应展示核心功能、正确的工具使用流程以及预期的响应风格。

通过以上这些技巧，Agent 开发者能够确保他们的系统提示在上下文工程的框架下，既能提供有效的指导信号，又能尊重 LLM 有限的注意力预算，从而构建出更可靠、高效的 Agent。