JSON Schema 很擅长定义"什么是合法的"，但不擅长表达"怎么用才对"。},},due_date该用2026-01-23还是？是 UUID 还是USR-12345格式？什么时候需要填contact信息？escalation参数和priority有什么关联？这三个功能，本质上是在回答同一个问题：当 Agent 的能力边界不断扩展，如何让它在"无限工具库"中依然保持高效和精准？从"全塞进去"走

这段代码同样旨在解决 “零钱兑换” 问题，但它采用的是一种 自底向上（Bottom-Up）的动态规划 方法，也称为 迭代法 或 制表法 (Tabulation)。这种方法通过构建一个DP表，从最小的子问题开始，逐步计算出最终的解，避免了递归的开销。该实现方式是解决完全背包问题的标准二维DP模型。问题模型：完全背包状态定义与索引映射DP表的计算返回结果时空复杂度时间复杂度：O(N * Amount)

上下文工程代表了我们基于大模型构建应用方式的根本性转变。随着模型能力增强，核心挑战已经不再是"写一个完美的提示词"，而是在每一步中精心筛选哪些信息能进入那有限的"注意力预算"。寻找最小的、高信噪比 token 集合，最大化实现预期结果的概率。Anthropic 观察到，更智能的模型需要的"规约式工程"越来越少，Agent 的自主性越来越高。无论模型能力提升到何种程度，将上下文视作一种宝贵且有限的资

创建两个类：ChatController和CommonConfiguration。创建一个SpringBoot工程。

上下文工程代表了我们基于大模型构建应用方式的根本性转变。随着模型能力增强，核心挑战已经不再是"写一个完美的提示词"，而是在每一步中精心筛选哪些信息能进入那有限的"注意力预算"。寻找最小的、高信噪比 token 集合，最大化实现预期结果的概率。Anthropic 观察到，更智能的模型需要的"规约式工程"越来越少，Agent 的自主性越来越高。无论模型能力提升到何种程度，将上下文视作一种宝贵且有限的资

在深入之前，我们先对齐一下概念。Agent（智能体），简单来说，就是能在"思考→行动→观察→再思考"的循环中，自主调用工具完成任务的 LLM。自主和循环。如果你的 AI 只是接收输入、生成输出，那它只是个聊天机器人。但如果它能根据中间结果，自己决定下一步该干什么、该调用什么工具，那它才算得上是个 Agent。而多智能体系统（Multi-Agent System），顾名思义，就是多个 Agent 协

在深入之前，我们先对齐一下概念。Agent（智能体），简单来说，就是能在"思考→行动→观察→再思考"的循环中，自主调用工具完成任务的 LLM。自主和循环。如果你的 AI 只是接收输入、生成输出，那它只是个聊天机器人。但如果它能根据中间结果，自己决定下一步该干什么、该调用什么工具，那它才算得上是个 Agent。而多智能体系统（Multi-Agent System），顾名思义，就是多个 Agent 协

在 AI 应用开发领域，奥卡姆剃刀原则依然是最高指导思想。解决问题的关键，不在于你的系统有多复杂，而在于你是否构建了恰到好处的系统。保持简洁：能简单就别复杂确保透明：让 Agent 的规划步骤清晰可见打磨接口：工具文档写清楚，测试做充分从简单的 Prompt 开始。只有当简单方案无法满足需求时，再考虑引入多步骤的 Agentic 系统。别为了 Agent 而 Agent。原文链接。

摘要： 本文系统介绍了大型语言模型（LLM）的提示词工程（Prompt Engineering）技术。提示词是与AI沟通的指令，其质量直接影响输出效果。文章从基础概念入手，详细阐述了五大核心原则：清晰直接、提供充足上下文、赋予角色、使用分隔符和结构化格式。同时介绍了ICIO和CRISPE两大实用框架，以及Few-shot示例、思维链推理等优化技巧。最后总结了角色扮演等常见提示模式，帮助用户快速掌握

将一下内容发送给任何一个LLM，他会按照你提示词的内容，扮演好这个角色。以DeepSeek为例，将提示词发给他后，他的回答如下：问他：你是谁，他的回答如下：接下来你就可以问他一些面试问题，或者将一段八股文复制给他，让他润色一下。