Prompt

非技术背景的人使用AI最应培养的核心能力是需求表达能力、质量判断能力、拆解思维和迭代意识，而非学习写代码

高质量的提示词通常包含四个要素：明确的目标、清晰的约束、具体的上下文和期望的输出格式

Skill是将多步骤的交互逻辑、上下文管理、输出约束打包成一个可调用单元的概念，区别于单次交互的提示词模板

大语言模型可以辅助生成脚本初稿、优化表达、生成课程大纲

Agent通过把命令和背景信息作为提示（Prompt）喂给大模型，让大模型返回拆解后的步骤

Chat Memory通过在每次请求中将历史消息注入Prompt来模拟记忆，导致Token消耗随对话轮次线性增长

多轮对话中System消息设定行为基调和约束，user消息代表用户输入，assistant消息是模型的历史回复

即使通过Prompt明确要求禁止捏造，模型仍然可能在高置信度场景下输出幻觉内容

上下文是指Agent发送给大模型后，模型在单次请求中接收到的全部信息

世界书的技术本质是一个关键词触发的动态知识库，当对话中出现特定关键词或语义时自动将背景知识片段注入Prompt上下文

技术选型判断流程为：先准备测试数据验证可行性；基础能力不够时优先考虑RAG；需要对接外部系统则用Function Calling；只有在提高稳定性、降低推理成本、私有部署等场景下才考虑微调。

Eval体系需要准备带标准答案或评分标准的测试集，用规则匹配、相似度计算或模型评模型的方式打分，在每次修改Prompt、更换模型或调整检索策略后跑一遍，用数据判断改动是提升还是退步。

将 Prompt 模板、工具 schema 和测试用例作为同一个'Agent 契约'来管理（版本化、同仓库、变更时联动审查），可以让模型切换的影响范围可见。

对每一条生产请求都存储完整 Prompt 和补全文本会导致成本急剧上升，一个日处理数千万 token 的高吞吐服务会产生数 GB 非结构化字符串。

遇到输出偏离要求应查Prompt层；任务断档应查Context层；数据传递出错或过程无法恢复应查Harness层；多个Agent相互等待应查协作调度层

Prompt驱动的任务通常只能一路运行到底，任何一步失败都可能让整个流程重新开始，且没有持久状态、无法控制上下文增长、缺少对工具结果的确定性校验

Prompt可以拆分为纯产品内容（语气、措辞、few-shot示例、兜底话术、定价解释）和更像代码的行为逻辑（工具描述、输出格式、guardrail指令、停止指令）两类。

PM的Prompt修改必须先在评测集上跑过才能上线，包括几次完整的Agent运行，以检测工具选择偏移。

修改Prompt中的行为逻辑部分（工具描述、输出格式、guardrail、停止指令）不会立刻报错，但会导致Agent行为悄悄漂移。

工作流编排与单纯Prompt编写的本质区别在于：Prompt关注单次交互输入输出，工作流关注多节点间的数据流转与控制逻辑（执行顺序、条件分支、重试回退、并行等）。