基本概念

提示词：直接向模型输入问题和命令，最初 chatGPT就是典型场景。

提示词工程：提升单次交互质量的系统性方法。通过结构化、优化和迭代提示词提高AI在特定任务上的输出质量。

上下文工程：通过管理多维度信息（如历史对话、外部数据、工具调用），为AI提供更全面的背景，是构建智能AI系统的核心。

技术演进

单纯的提示词 -> 不满足于生成的效果。
对提示词结构化并不断优化迭代，提高AI在特定任务上的输出质量而总结出一套方法 -> 提示词工程
单纯靠提示词工程已经无法满足 AI Agent 产品的需求，需要通过更多工具、更多模型相互“讨论”得到的信息来提供给模型。-> 上下文工程。

提示词

这是普通人最常用的场景。

单词任务

提示词模板，辅助你写提示词。

模板一：常规

# 角色
作为[领域专家]

# 任务
实现[具体目标]，要求[量化标准]

# 关键约束
必须避免[禁忌项]，优先考虑[关键要素]

# 上下文（示例）

# 输出格式
1.**推理记录**（建议提供）——展示关键决策节点及过程。
2.**最终答案**——以 [Markdown] 形式给出清晰可执行的步骤、代码修改或命令。
3.**后续行动**——列出团队需要跟进的事项（如有）。

# 备注
展示至少两种备选方案及其淘汰理由。

这对我的职业生涯非常重要！

模板二：复杂

首先复杂任务建议用agent，常用的agent工具可以在。

# 角色
作为[领域专家]

# 任务
实现[宏观任务]，要求[量化标准]

# 阶段分解
1. Phase1：[子目标A]（完成标准：__）  
2. Phase2：[子目标B]（依赖Phase1的__输出）  
动态调整规则：[根据__情况，允许__调整]

# 上下文（示例）

# 关键约束
必须避免[禁忌项]，优先考虑[关键要素]

# 输出格式
1. 以 [Markdown] 形式给出清晰可执行的步骤、代码修改或命令。

你是最棒的，你一定可以完成这个任务，这对我的职业生涯非常重要！

特定任务高频场景

确认是否是高频场景，如果是的话建议封装成 AI 应用

这需要用到一些工具，比如 PromptPilot[1] 或者 prompt-optimizer[2] 对prompt进行调试优化。

如果不利用工具的话，可以用两个对话实现这个功能。

对话一：用于生成提示词。
对话二：用于执行任务，根据效果让 对话一 调整提示词。

对话一

# 角色
作为提示词和[领域]的专家。

# 任务
根据用户的条件生成一个强大的提示词。使用在 [模型或者应用] 上。

# 约束
// todo 如果没思路可以想一下你想要了解什么？为什么想要了解，是什么启发了你。
* 参考SWOT分析法

# 上下文（示例）

# 输出
结果以 md 形式输出。

# 备注
展示至少两种备选方案及其淘汰理由。

这对我的职业生涯非常重要！

将对话一生成的提示词复制到对话二中。

工具

优化工具

• LangSmith[3] 可视化追踪不同提示词的输出差异
• Prompt Pilot[4] 用于针对国内模型进行 Prompt 工程调优
• prompt-optimizer[5] 提示词优化器，助力于编写高质量的提示词

版本管理工具

• prompt-manager[6] VS Code/Cursor 的开源插件，统一管理 AI 提示词，支持分类、搜索、导入导出。
• prompt-shelf[7] 通过 Web 界面，对提示词进行版本管理，可以比对差异和回滚。类似于 Git 版本控制。提供 Docker 一键部署，包含完整的服务配置。

魔法词

提示词后面增加魔法词，提升生成效果（PUA）。

• Let’s think step by step 让我们逐步思考
• My career depends on it / 这对我的职业生涯非常重要。
• Take a deep breathe and think this through / 深呼吸，仔细考虑

上下文工程

如果你打算开发AI智能体，那可以看下这部分用于参考。但是大多数情况下，你其实用不着。

为大语言模型提供恰当的信息和工具，帮助模型高效完成任务。
上下文工程的难点在于：恰当（平衡信息量）。
参数太少或者配得不对，生成的结果就不好，性能也会变差。
参数太多，或者里面夹杂毫无关联的数据则会增加成本，而且结果也不一定就好。
你可以理解为：“学而不思则罔，思而不学则殆。”差不多道理。
所以如何准确把握大模型和用户之间这种微妙的互动关系，需要一种近似直觉的能力。

• 记忆

• • "记住"过去的交互和学习到的知识
  • 将AI模型与外部数据库、API接口或特定工具连接

• 整理构建

• • 整合并管理包括用户历史、系统预设、外部知识库等信息
  • 根据任务需求和模型反馈，动态组装上下文

Manus 是如何管理上下文的？

整个设计都是围绕在 提高 KV缓存命中率上。

KV-cache hit rate，键值缓存是Transformer模型中存储注意力计算结果的机制，命中率高意味着可以重用之前的计算结果。

用没用缓存成本可以[相差十倍]。

提示词工程和上下文工程协同

提示词工程和上下文工程是协同工作的关系，目标是实现AI系统性能的最大化。
协同工作的核心在于将提示词视为在特定上下文中与模型沟通的最终指令，而这个上下文则由更广泛的系统工程来构建和管理。
目前有三种方案:

方案一：分层设计
通过上下文工程构件基础上下文层，包含用户信息、历史交互、领域知识等。然后针对具体任务运用提示词工程构建精确的任务特定提示。

方案二：动态调整
根据交互状态和模型响应，动态调整上下文信息并且优化提示词。通过 反馈循环 持续优化交互质量。
比如：模型理解不准确时，系统获取更多概念解释并注入上下文，调整提示词。

方案三：模块化模版
创建模块化提示词模版，上下文工程系统根据当前任务动态填充占位符，保证结构优化和内容动态性。这既能保证提示词结构的优化，又确保内容的动态性和相关性。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括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。

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

适合人群

• 在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
• IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
• IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
• 传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。
  

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。

顶尖师资，深耕AI大模型前沿技术

实战专家亲授，让你少走弯路

一对一学习规划，职业生涯指导

• 真实商业项目实训
• 大厂绿色直通车

人才库优秀学员参与真实商业项目实训

以商业交付标准作为学习标准，具备真实大模型项目实践操作经验可写入简历，支持项目背调

大厂绿色直通车，冲击行业高薪岗位

文中涉及到的完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】