提示词工程一切的起点prompt-engineering为什么需要提示所有 LLM 都有一个共同特征它不会主动行动。不管模型多聪明你不给它输入它就只是参数文件里沉睡的几十 GB 权重。“提示”Prompt是一切的起点 — 没有提示就没有输出。而如何提示、提示什么直接决定了 LLM 能为你创造多大的价值。这就是 提示词工程Prompt Engineering 存在的意义一套让提示更好地指导 LLM 工作的方法。提示词工程的本质是什么听起来高大上但提示词工程的核心其实就两件事1把事情的背景信息交代全面你得告诉模型你是谁、你要解决什么问题、当前是什么场景、有哪些约束条件。模型不了解你的业务、你的用户、你的上下文 —— 你不交代它就猜。2把事情的要求约束清楚你得告诉模型输出什么格式、面向什么受众、用什么风格、长度多少、哪些是必须包含的、哪些是绝对不能出现的。你不约束它就自由发挥。发现没有这两件事产品经理天天在干。前者是需求分析、需求挖掘、问题定义 —— 这是产品经理的基本功之一。后者是功能描述、功能拆解、边界界定 —— 这是产品经理的基本功之二。提示词工程本质上就是在写 PRD。只不过这次的开发人员是大模型而且它不需要你用技术语言用自然语言就够了。怎么真正掌握提示词工程背模板、抄别人的提示词只能解决表面问题。真正掌握提示词工程最好的方式是理解大模型运行的底层原理。关于 LLM 的底层原理确保你理解了LLM 生成的每一个 Token都来自对前文的分析但最终的选择是概率性的。这意味着什么• 前文越清晰生成越精准。 模型会模仿前文的风格和逻辑。你给它一个结构化的提示它就倾向于输出结构化的内容。• 约束越明确随机性越小。 概率选择意味着模型有跑偏的可能。你要求越严格它跑偏的空间就越小。• 示例比描述更有效。 与其用一千字描述你想要什么不如直接给它一个例子。模型最擅长模仿。一旦理解了这些特性你就知道该怎么写提示词了 —— 因为你理解了要打交道的对象。这就是提示词工程。为 LLM 提供上下文最简单、最直接的方式也是一切 AI 工程的基础。 一句话总结提示词工程 用 PRD 思维给模型交代清楚背景和要求让它的概率输出更可控。上下文工程context-engineering提示词工程解决了怎么写好一条提示的问题随着 AI 应用越来越复杂你会发现一条提示词远远不够。为什么提示词工程不够用了一个场景你让 AI 客服回答用户问题。如果只靠提示词你得在提示里塞进产品文档、用户历史、FAQ、话术模板、合规要求……很快提示词就膨胀到几万字模型的注意力被稀释效果反而变差。更麻烦的是很多信息是动态的 —— 用户的订单状态在变、库存数据在变、最新的政策在变。你不可能每次都把全量信息塞进提示词。这时候你需要的是上下文工程Context Engineering。上下文工程是什么所有为 LLM 提供作业支撑信息的方式都是上下文工程的一部分。实际上提示词工程本身就是上下文工程的一个子集 —— 它是最简单的那种把所有信息直接写在提示里。但上下文工程的范围远不止于此。它要回答的问题是在每次模型调用前什么样的信息组合最有可能让模型产出期望的结果这个问题的难点在于1信息太多窗口有限大模型的上下文窗口就像人的工作记忆 —— 容量有限。塞太多信息模型反而走神。随着上下文中的 Token 数量增加模型准确回忆信息的能力会下降。这不是 bug是架构限制。所以上下文工程的第一原则是信息充分但紧致 —— 用尽可能少但高信号密度的 Token最大化获得期望结果的概率。2信息来源多样需要编排随着 LLM 通过 Function Calling 调用工具的能力越来越强模型可以获取信息的方式越来越多• 从内部知识库检索RAG• 调用搜索引擎获取实时信息• 查询数据库获取结构化数据• 读取文件获取本地资料• 调用 API 获取第三方服务数据每种方式产出的信息格式不同、可信度不同、时效性不同。如何编排、组织这些信息源让 LLM 高效高质量地获取更多支撑信息就值得工程一下了。3信息是动态的需要管理在长时间的 Agent 工作流中上下文会不断膨胀。每一轮工具调用都会产生新的信息但上下文窗口就那么大。这时候就需要一些工程手段• 压缩整合当对话接近窗口上限时让模型对历史信息做高保真总结用摘要替换原始内容保持连贯性的同时释放空间。• 结构化笔记让 Agent 把关键信息写到上下文之外的持久化存储比如一个 Mermory.md 文件需要时再拉回来。就像人做笔记一样 —— 你不需要把所有东西记在脑子里但你得知道去哪里找到它。• 子代理分工把复杂任务拆给多个子代理每个子代理在自己干净的上下文窗口里工作最后只把结论汇报给主代理。产品经理为什么要关心上下文工程因为上下文工程的本质是信息架构设计 —— 决定什么信息在什么时候以什么方式进入模型的视野。这和产品经理做的事情一模一样• 设计产品时你要决定什么信息展示在首页、什么信息放在二级页面• 写需求时你要决定什么背景先交代、什么细节后补充• 做用户研究时你要判断什么数据是关键信号、什么数据是噪声上下文工程就是把这种信息架构的能力用在了给 LLM 构造输入上。 一句话总结上下文工程 在有限的注意力预算内为模型策划最优的信息组合不只是写提示词更是管信息流。Harness 工程harness-engineering前两个工程解决的是怎么跟模型沟通的问题。当 AI 从对话助手进化到自主 Agent光会沟通就不够了 —— 你需要给它一个能行动的环境。这就是 Harness 工程。什么是 HarnessHarness 这个词直译是挽具 —— 就是套在马身上的那套装备让骑手能驾驭马匹。用在 AI 领域模型是大脑Harness 是身体。没有身体大脑再聪明也只能想不能做。或者说模型以外的一切都是 Harness。它包括什么我们可以把它拆成三层第一层执行能力层 —— 给模型装上手Agent 需要工具来执行任务。核心工具有三类文件系统工具 —— 增删、读写、搜索文件。这是最基础的能力95% 的 Agent 任务都离不开文件操作。浏览器工具 —— 访问和操作用户世界的系统获取实时信息。语言解释器 —— 能写代码还得能运行代码、验证结果。这三类工具配齐就能覆盖绝大多数场景。但配工具不是越多越好 —— 工具要和 Agent 的角色绑定。一个负责探索代码库的 Agent应该只配只读工具限制它写文件、删文件的能力。给错工具比不给更危险。第二层上下文环境层 —— 给模型装上记忆模型的工作记忆是有限的上下文窗口但 Agent 的任务可能是长期的。如何让 Agent 在长时间工作中保持连贯性这层的核心是记忆系统。目前主流有三种方案• 规则式按固定规则存取信息比如每次对话结束自动保存关键信息到文件• 半规则式Agent 自己决定什么值得记、什么时候查记忆但存储结构是预定义的• 完全模型驱动式让模型自己决定记什么、怎么存、怎么查以 Claude Code 和 Hermes Agent 为例它们都有两个精妙的记忆机制• 交互后 Hook每次对话结束自动 fork 一个 Agent带上系统提示词和交互上下文把需要保存的信息更新到结构化的 Markdown 文件里。• “悄悄做梦”每隔一天自动对最近的会话信息进行整理和更新 —— 就像人在睡眠中整理白天的记忆一样。第三层治理编排管理层 —— 给模型装上组织能力当任务复杂到一个 Agent 搞不定时你需要多个 Agent 协作。这就涉及• 任务分配谁负责什么怎么把大任务拆成小任务• 权限治理哪些 Agent 能写文件哪些只能读哪些能访问网络• 信息隔离不同 Agent 之间的上下文要不要互通互通多少这一层解决的不是单个 Agent 怎么工作的问题而是一群 Agent 怎么协作的问题。产品经理为什么要了解 Harness有人可能觉得Harness 不是工程师的事吗是也不是。Harness 的设计决策直接影响产品的用户体验、成本结构和能力边界• Agent 能调用哪些工具决定了它能做什么事功能边界• Agent 的记忆系统怎么设计决定了它的对话体验好不好用户体验• 多 Agent 怎么协作决定了系统能处理多复杂的问题能力上限• 每次调用消耗多少 Token决定了产品的运营成本成本结构Koji 采访新璐的播客里新璐给了一个非常棒的说法在技术变化的周期里产品经理如果不了解变化的内核和本质就很难构建真正贴合红利和变化的产品。Harness 工程目前还处于早期 —— 范式变化快没有公认的最佳实践。但正因如此现在理解它的人就能在下一波 AI 产品浪潮中占据先发优势。 一句话总结Harness 工程 为 Agent 搭建完整的运行环境工具 记忆 协作让模型从能想进化到能做。三者的关系不是替代是递进看到这里你应该能感受到三个工程之间的关系了工程核心问题作用对象产品经理的对应能力提示词工程怎么写好一条提示单次模型调用需求分析、PRD 写作上下文工程怎么为模型编排最优信息多次模型调用的信息流信息架构设计、数据决策Harness 工程怎么为 Agent 搭建运行环境Agent 的完整工作流产品架构设计、系统思维提示词工程是基础 —— 不会写提示词后面的都不用谈。上下文工程是进阶 —— 当你的 AI 应用不只是单轮对话就需要管理信息流。Harness 工程是全貌 —— 当你要打造真正的 AI Agent 产品就需要理解整个运行环境。三者不是非此即彼的选择而是随着 AI 应用复杂度递增你依次需要掌握的能力栈。AI行业迎来前所未有的爆发式增长从DeepSeek百万年薪招聘AI研究员到百度、阿里、腾讯等大厂疯狂布局AI Agent再到国家政策大力扶持数字经济和AI人才培养所有信号都在告诉我们AI的黄金十年真的来了在行业火爆之下AI人才争夺战也日趋白热化其就业前景一片蓝海我给大家准备了一份全套的《AI大模型零基础入门进阶学习资源包》包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。有需要的小伙伴可以V扫描下方二维码免费领取人才缺口巨大人力资源社会保障部有关报告显示据测算当前****我国人工智能人才缺口超过500万****供求比例达1∶10。脉脉最新数据也显示AI新发岗位量较去年初暴增29倍超1000家AI企业释放7.2万岗位……单拿今年的秋招来说各互联网大厂释放出来的招聘信息中我们就能感受到AI浪潮比如百度90%的技术岗都与AI相关就业薪资超高在旺盛的市场需求下AI岗位不仅招聘量大薪资待遇更是“一骑绝尘”。企业为抢AI核心人才薪资给的非常慷慨过去一年懂AI的人才普遍涨薪40%脉脉高聘发布的《2025年度人才迁徙报告》显示在2025年1月-10月的高薪岗位Top20排行中AI相关岗位占了绝大多数并且平均薪资月薪都超过6w在去年的秋招中小红书给算法相关岗位的薪资为50k起字节开出228万元的超高年薪据《2025年秋季校园招聘白皮书》AI算法类平均年薪达36.9万遥遥领先其他行业总结来说当前人工智能岗位需求多薪资高前景好。在职场里选对赛道就能赢在起跑线。抓住AI风口轻松实现高薪就业但现实却是仍有很多同学不知道如何抓住AI机遇会遇到很多就业难题比如❌ 技术过时只会CRUD的开发者在AI浪潮中沦为“职场裸奔者”❌ 薪资停滞初级岗位内卷到白菜价传统开发3年经验薪资涨幅不足15%❌ 转型无门想学AI却找不到系统路径83%自学党中途放弃。他们的就业难题解决问题的关键在于不仅要选对赛道更要跟对老师我给大家准备了一份全套的《AI大模型零基础入门进阶学习资源包》包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。有需要的小伙伴可以V扫描下方二维码免费领取
提示词、上下文、Harness工程大揭秘：产品经理必学的AI进阶指南！
发布时间：2026/5/19 5:39:07
提示词工程一切的起点prompt-engineering为什么需要提示所有 LLM 都有一个共同特征它不会主动行动。不管模型多聪明你不给它输入它就只是参数文件里沉睡的几十 GB 权重。“提示”Prompt是一切的起点 — 没有提示就没有输出。而如何提示、提示什么直接决定了 LLM 能为你创造多大的价值。这就是 提示词工程Prompt Engineering 存在的意义一套让提示更好地指导 LLM 工作的方法。提示词工程的本质是什么听起来高大上但提示词工程的核心其实就两件事1把事情的背景信息交代全面你得告诉模型你是谁、你要解决什么问题、当前是什么场景、有哪些约束条件。模型不了解你的业务、你的用户、你的上下文 —— 你不交代它就猜。2把事情的要求约束清楚你得告诉模型输出什么格式、面向什么受众、用什么风格、长度多少、哪些是必须包含的、哪些是绝对不能出现的。你不约束它就自由发挥。发现没有这两件事产品经理天天在干。前者是需求分析、需求挖掘、问题定义 —— 这是产品经理的基本功之一。后者是功能描述、功能拆解、边界界定 —— 这是产品经理的基本功之二。提示词工程本质上就是在写 PRD。只不过这次的开发人员是大模型而且它不需要你用技术语言用自然语言就够了。怎么真正掌握提示词工程背模板、抄别人的提示词只能解决表面问题。真正掌握提示词工程最好的方式是理解大模型运行的底层原理。关于 LLM 的底层原理确保你理解了LLM 生成的每一个 Token都来自对前文的分析但最终的选择是概率性的。这意味着什么• 前文越清晰生成越精准。 模型会模仿前文的风格和逻辑。你给它一个结构化的提示它就倾向于输出结构化的内容。• 约束越明确随机性越小。 概率选择意味着模型有跑偏的可能。你要求越严格它跑偏的空间就越小。• 示例比描述更有效。 与其用一千字描述你想要什么不如直接给它一个例子。模型最擅长模仿。一旦理解了这些特性你就知道该怎么写提示词了 —— 因为你理解了要打交道的对象。这就是提示词工程。为 LLM 提供上下文最简单、最直接的方式也是一切 AI 工程的基础。 一句话总结提示词工程 用 PRD 思维给模型交代清楚背景和要求让它的概率输出更可控。上下文工程context-engineering提示词工程解决了怎么写好一条提示的问题随着 AI 应用越来越复杂你会发现一条提示词远远不够。为什么提示词工程不够用了一个场景你让 AI 客服回答用户问题。如果只靠提示词你得在提示里塞进产品文档、用户历史、FAQ、话术模板、合规要求……很快提示词就膨胀到几万字模型的注意力被稀释效果反而变差。更麻烦的是很多信息是动态的 —— 用户的订单状态在变、库存数据在变、最新的政策在变。你不可能每次都把全量信息塞进提示词。这时候你需要的是上下文工程Context Engineering。上下文工程是什么所有为 LLM 提供作业支撑信息的方式都是上下文工程的一部分。实际上提示词工程本身就是上下文工程的一个子集 —— 它是最简单的那种把所有信息直接写在提示里。但上下文工程的范围远不止于此。它要回答的问题是在每次模型调用前什么样的信息组合最有可能让模型产出期望的结果这个问题的难点在于1信息太多窗口有限大模型的上下文窗口就像人的工作记忆 —— 容量有限。塞太多信息模型反而走神。随着上下文中的 Token 数量增加模型准确回忆信息的能力会下降。这不是 bug是架构限制。所以上下文工程的第一原则是信息充分但紧致 —— 用尽可能少但高信号密度的 Token最大化获得期望结果的概率。2信息来源多样需要编排随着 LLM 通过 Function Calling 调用工具的能力越来越强模型可以获取信息的方式越来越多• 从内部知识库检索RAG• 调用搜索引擎获取实时信息• 查询数据库获取结构化数据• 读取文件获取本地资料• 调用 API 获取第三方服务数据每种方式产出的信息格式不同、可信度不同、时效性不同。如何编排、组织这些信息源让 LLM 高效高质量地获取更多支撑信息就值得工程一下了。3信息是动态的需要管理在长时间的 Agent 工作流中上下文会不断膨胀。每一轮工具调用都会产生新的信息但上下文窗口就那么大。这时候就需要一些工程手段• 压缩整合当对话接近窗口上限时让模型对历史信息做高保真总结用摘要替换原始内容保持连贯性的同时释放空间。• 结构化笔记让 Agent 把关键信息写到上下文之外的持久化存储比如一个 Mermory.md 文件需要时再拉回来。就像人做笔记一样 —— 你不需要把所有东西记在脑子里但你得知道去哪里找到它。• 子代理分工把复杂任务拆给多个子代理每个子代理在自己干净的上下文窗口里工作最后只把结论汇报给主代理。产品经理为什么要关心上下文工程因为上下文工程的本质是信息架构设计 —— 决定什么信息在什么时候以什么方式进入模型的视野。这和产品经理做的事情一模一样• 设计产品时你要决定什么信息展示在首页、什么信息放在二级页面• 写需求时你要决定什么背景先交代、什么细节后补充• 做用户研究时你要判断什么数据是关键信号、什么数据是噪声上下文工程就是把这种信息架构的能力用在了给 LLM 构造输入上。 一句话总结上下文工程 在有限的注意力预算内为模型策划最优的信息组合不只是写提示词更是管信息流。Harness 工程harness-engineering前两个工程解决的是怎么跟模型沟通的问题。当 AI 从对话助手进化到自主 Agent光会沟通就不够了 —— 你需要给它一个能行动的环境。这就是 Harness 工程。什么是 HarnessHarness 这个词直译是挽具 —— 就是套在马身上的那套装备让骑手能驾驭马匹。用在 AI 领域模型是大脑Harness 是身体。没有身体大脑再聪明也只能想不能做。或者说模型以外的一切都是 Harness。它包括什么我们可以把它拆成三层第一层执行能力层 —— 给模型装上手Agent 需要工具来执行任务。核心工具有三类文件系统工具 —— 增删、读写、搜索文件。这是最基础的能力95% 的 Agent 任务都离不开文件操作。浏览器工具 —— 访问和操作用户世界的系统获取实时信息。语言解释器 —— 能写代码还得能运行代码、验证结果。这三类工具配齐就能覆盖绝大多数场景。但配工具不是越多越好 —— 工具要和 Agent 的角色绑定。一个负责探索代码库的 Agent应该只配只读工具限制它写文件、删文件的能力。给错工具比不给更危险。第二层上下文环境层 —— 给模型装上记忆模型的工作记忆是有限的上下文窗口但 Agent 的任务可能是长期的。如何让 Agent 在长时间工作中保持连贯性这层的核心是记忆系统。目前主流有三种方案• 规则式按固定规则存取信息比如每次对话结束自动保存关键信息到文件• 半规则式Agent 自己决定什么值得记、什么时候查记忆但存储结构是预定义的• 完全模型驱动式让模型自己决定记什么、怎么存、怎么查以 Claude Code 和 Hermes Agent 为例它们都有两个精妙的记忆机制• 交互后 Hook每次对话结束自动 fork 一个 Agent带上系统提示词和交互上下文把需要保存的信息更新到结构化的 Markdown 文件里。• “悄悄做梦”每隔一天自动对最近的会话信息进行整理和更新 —— 就像人在睡眠中整理白天的记忆一样。第三层治理编排管理层 —— 给模型装上组织能力当任务复杂到一个 Agent 搞不定时你需要多个 Agent 协作。这就涉及• 任务分配谁负责什么怎么把大任务拆成小任务• 权限治理哪些 Agent 能写文件哪些只能读哪些能访问网络• 信息隔离不同 Agent 之间的上下文要不要互通互通多少这一层解决的不是单个 Agent 怎么工作的问题而是一群 Agent 怎么协作的问题。产品经理为什么要了解 Harness有人可能觉得Harness 不是工程师的事吗是也不是。Harness 的设计决策直接影响产品的用户体验、成本结构和能力边界• Agent 能调用哪些工具决定了它能做什么事功能边界• Agent 的记忆系统怎么设计决定了它的对话体验好不好用户体验• 多 Agent 怎么协作决定了系统能处理多复杂的问题能力上限• 每次调用消耗多少 Token决定了产品的运营成本成本结构Koji 采访新璐的播客里新璐给了一个非常棒的说法在技术变化的周期里产品经理如果不了解变化的内核和本质就很难构建真正贴合红利和变化的产品。Harness 工程目前还处于早期 —— 范式变化快没有公认的最佳实践。但正因如此现在理解它的人就能在下一波 AI 产品浪潮中占据先发优势。 一句话总结Harness 工程 为 Agent 搭建完整的运行环境工具 记忆 协作让模型从能想进化到能做。三者的关系不是替代是递进看到这里你应该能感受到三个工程之间的关系了工程核心问题作用对象产品经理的对应能力提示词工程怎么写好一条提示单次模型调用需求分析、PRD 写作上下文工程怎么为模型编排最优信息多次模型调用的信息流信息架构设计、数据决策Harness 工程怎么为 Agent 搭建运行环境Agent 的完整工作流产品架构设计、系统思维提示词工程是基础 —— 不会写提示词后面的都不用谈。上下文工程是进阶 —— 当你的 AI 应用不只是单轮对话就需要管理信息流。Harness 工程是全貌 —— 当你要打造真正的 AI Agent 产品就需要理解整个运行环境。三者不是非此即彼的选择而是随着 AI 应用复杂度递增你依次需要掌握的能力栈。AI行业迎来前所未有的爆发式增长从DeepSeek百万年薪招聘AI研究员到百度、阿里、腾讯等大厂疯狂布局AI Agent再到国家政策大力扶持数字经济和AI人才培养所有信号都在告诉我们AI的黄金十年真的来了在行业火爆之下AI人才争夺战也日趋白热化其就业前景一片蓝海我给大家准备了一份全套的《AI大模型零基础入门进阶学习资源包》包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。有需要的小伙伴可以V扫描下方二维码免费领取人才缺口巨大人力资源社会保障部有关报告显示据测算当前****我国人工智能人才缺口超过500万****供求比例达1∶10。脉脉最新数据也显示AI新发岗位量较去年初暴增29倍超1000家AI企业释放7.2万岗位……单拿今年的秋招来说各互联网大厂释放出来的招聘信息中我们就能感受到AI浪潮比如百度90%的技术岗都与AI相关就业薪资超高在旺盛的市场需求下AI岗位不仅招聘量大薪资待遇更是“一骑绝尘”。企业为抢AI核心人才薪资给的非常慷慨过去一年懂AI的人才普遍涨薪40%脉脉高聘发布的《2025年度人才迁徙报告》显示在2025年1月-10月的高薪岗位Top20排行中AI相关岗位占了绝大多数并且平均薪资月薪都超过6w在去年的秋招中小红书给算法相关岗位的薪资为50k起字节开出228万元的超高年薪据《2025年秋季校园招聘白皮书》AI算法类平均年薪达36.9万遥遥领先其他行业总结来说当前人工智能岗位需求多薪资高前景好。在职场里选对赛道就能赢在起跑线。抓住AI风口轻松实现高薪就业但现实却是仍有很多同学不知道如何抓住AI机遇会遇到很多就业难题比如❌ 技术过时只会CRUD的开发者在AI浪潮中沦为“职场裸奔者”❌ 薪资停滞初级岗位内卷到白菜价传统开发3年经验薪资涨幅不足15%❌ 转型无门想学AI却找不到系统路径83%自学党中途放弃。他们的就业难题解决问题的关键在于不仅要选对赛道更要跟对老师我给大家准备了一份全套的《AI大模型零基础入门进阶学习资源包》包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。有需要的小伙伴可以V扫描下方二维码免费领取
