上下文工程

代码执行 + MCP：AI 代理 token 省 98%！咱们做AI开发的都知道，现在AI代理要对接各种工具——谷歌云盘、Salesforce、企业内部系统，没个统一的连接方式简直要疯。Anthropic的MCP（Model Context Protocol）算是解决了这个痛点，相当于给所有工具装了个“通用插座”，AI代理插一次就能用所有工具。

高阶结构化提示词（Nano Banana Prompt）实例分析本篇章将重点解析 V2（技术与媒介）和 V3（光学与色彩）变量，展示NBP如何将抽象的创意转化为可量化、可复现的摄影工程指令，实现对相机参数、布光方案和色彩科学的精确控制。

深度解析顶级 Doc Agent System Prompt 的架构与实践在快速迭代的现代软件开发环境中，文档的滞后、不一致和难以维护已成为普遍的痛点。传统的手动文档更新流程效率低下，极易与代码库发生“漂移”（drift），导致开发者、用户和团队成员依赖过时或错误的信息。大型语言模型（LLMs）和Agentic Systems的兴起为解决这一挑战提供了前所未有的机遇。

User Prompt 与 System Prompt：大模型沟通的“双引擎”机制深度拆解在企业推进大模型落地的过程中，一个高频出现的困惑是：“模型能力明明很强，为什么我用起来总是差一口气？”很多团队把问题归咎于模型选型、算力不足或数据质量，却忽略了最基础也最关键的环节——人与模型之间的沟通方式。提示词工程（Prompt Engineering）正是解决这一断层的核心桥梁。它不是玄学，也不是堆砌华丽辞藻，而是一套可学习、可复现、可优化的交互设计方法论。笔者在多个行业的大模型项目实践中反复验证：一个结构清晰、角色明确、边界合理的提示体系，往往比更换更强的底模带来更显著的效果提升。而要构建这样的体

好文与笔记分享 A Survey of Context Engineering for Large Language Models（上）随着大语言模型从简单的指令跟随系统演变为复杂多面应用的核心推理引擎，与之交互的方法也必须同步演进。"提示工程"这一术语虽然具有基础意义，但已不足以涵盖现代AI系统所需信息载荷的设计、管理和优化的全部范畴。这些系统并非基于单个静态文本字符串运行，而是利用动态化、结构化、多层面的信息流。为此，我们引入并正式提出语境工程这一学科体系。

从指令到智能：大型语言模型提示词工程与上下文工程的综合分析在与生成式人工智能模型（尤其是大型语言模型，LLM）交互的领域中，提示词工程（Prompt Engineering）构成了最直接、最基础的控制层面。它既是一门精确的科学，也是一门需要创造力的艺术，其核心在于设计和优化输入指令，以引导模型产生期望的输出。

分享一个知识工程师单体智能体的简单提示词# 0. 核心指令 (Core Directive)# I. 角色核心定位 (Core Identity)

RAG is really dead? 大模型和知识之间的桥梁没了？作者：SpaderMan最近，Latent Space 播客发布了一期标题为["RAG 已死，上下文工程为王"](https://www.latent.space/p/chroma ""RAG 已死，上下文工程为王"")的访谈，其中开源向量数据库 Chroma 的创始人 Jeff Huber 的观点引发了广泛讨论。这个观点触及了一个核心问题：我们是否真的理解自己在构建什么？

解锁AI智能体：上下文工程如何成为架构落地的“魔法钥匙”在当今科技飞速发展的时代，人工智能（AI）无疑是最耀眼的领域之一，而 AI 智能体则堪称其中的 “超级新星”。2025 年，被众多业内人士视为 “AI 智能体元年”，这一年，AI 智能体实现了从实验室研究到商业化应用的关键转折，开启了其在各行业广泛落地的新篇章。

任务型Agent：prompt工程实践市面上讲 prompt 的文章遍地都是，这里不再分享 prompt 通用技巧，而是结合工程简要讲一下 prompt 组成、组装、调优经验和上下文工程。

我是有底线的