AI技术能力体系——Prompt工程、Agent工具与上下文设计

让AI输出从"碰运气"变成"可设计、可复制、可进化"

---

本章适用读者：

• L2/L3层级的AI骨干员工，想系统掌握驱动AI的底层技术
• 企业主想理解：为什么同样用AI，别人效果好、自己效果差
• 想从"会用AI"进化到"会设计AI工作方式"的人

本章核心主张： Gartner 2025年宣布——"Context Engineering（上下文工程）已经取代Prompt Engineering，成为AI应用成败的关键。"这三种能力构成一个递进体系：先学会写好Prompt，再理解如何给Agent配置工具，最终学会设计整个上下文架构。

---

一、Prompt Engineering：从"试出来"到"设计出来"

1.1 为什么大多数人的Prompt效率极低？

随机试Prompt的典型路径：

第1次试：写一句话 → 结果不满意
第2次试：加了几个字 → 还是差不多
第3次试：换了个说法 → 偶尔好一次
第N次试：某个写法凑巧不错 → 记住这个

这不是学习，是碰运气。问题在于：大多数人用的是"输入法直觉"写Prompt，而不是"信息设计"的方式。

AI模型本质上是一个概率预测引擎——它根据你给的信息，预测最可能是"正确输出"的内容。你给的信息越完整、越结构化，它的输出就越稳定、越符合预期。

---

1.2 五要素框架：每个好Prompt都有这五层

对比示例：

❌ 低效Prompt：
"帮我写一份客户提案"

✅ 高效Prompt（含五要素）：
【角色】你是一名有10年经验的企业咨询顾问，擅长为制造业中小企业提供数字化解决方案。

【任务】帮我为一家50人的汽车零部件企业写一份AI引入初步方案提案。

【上下文】该企业痛点：质检靠人工，漏检率约8%；月产报告需要2天人工整理。
对方决策者是总经理，技术背景不强，关注ROI和落地风险。

【约束】不超过500字；不要用技术术语；重点突出成本节省和实施时间；
不要承诺具体数字，用区间描述。

【格式】分三部分：核心问题 → 我们的方案 → 下一步行动。每部分3-5句话。

同样的AI，不同的Prompt，输出差距可以是10倍。

---

1.3 系统Prompt vs 用户Prompt：两层设计

在搭建Agent或自动化工作流时，Prompt有两个层次：

系统Prompt（System Prompt）= 给Agent的"岗位说明书"
→ 长期有效，定义AI的角色、能力边界、行为准则
→ 通常由L3构建层员工设计，不随每次对话改变

用户Prompt（User Prompt）= 每次具体的"工作任务指令"
→ 用户实际输入的内容
→ L1/L2员工日常使用的部分

系统Prompt的设计要点：

[优秀系统Prompt的六个组成部分]

1. 身份定义："你是XX公司的[角色]，专门负责[职责范围]"
2. 知识边界："你只使用以下知识库中的信息回答问题；如果不知道，明确说不知道"
3. 行为准则："永远不要编造数据；不确定时主动问用户"
4. 输出风格："使用简洁的中文，避免过度礼貌用语；不要以'好的'开头"
5. 禁止项："不讨论竞争对手；不提供超出你权限的承诺"
6. 边界情况处理："如果用户问到[敏感话题]，回答：'这个问题请联系[部门]'"

---

1.4 三种进阶技巧（L2层员工应掌握）

技巧一：链式思维（Chain of Thought, CoT）

适用：复杂分析、多步推理、容易出错的任务

在Prompt末尾加上：
"请一步步思考，在给出最终答案前，先列出你的推理过程。"

效果：AI的准确率在逻辑推理类任务上提升20-40%
适用场景：合同风险分析、财务异常诊断、复杂问题排查

技巧二：Few-shot 示例（给AI看例子）

适用：有特定输出格式要求、风格要求高的任务

在Prompt中加入：
"请按照以下格式输出：

示例输入：[客户投诉：收到的产品颜色和图片不符]
示例输出：
- 问题类型：商品描述不符
- 紧急程度：中
- 建议回复：[具体话术]
- 处理步骤：[1. 核实订单 → 2. 联系仓库 → 3. 提供补偿方案]

现在处理这条投诉：[实际输入内容]"

效果：输出格式稳定性提升70%以上，几乎消除格式不一致问题

技巧三：角色扮演+对立视角

适用：需要批判性分析、风险识别的场景

"以下是我们计划推出的新产品方案。
请扮演一个持怀疑态度的资深客户，指出你最担心的3个问题。
然后再扮演一个竞争对手的产品经理，说出你认为这个方案的最大弱点。"

效果：比直接问"这个方案有什么问题"，能发现更多真实的风险点

---

1.5 如何诊断和修复差Prompt（系统化方法）

当AI输出质量差时，不要随机修改——用这个诊断流程：

步骤1：判断问题类型
→ 输出方向错了（没理解任务）：缺少"任务"或"上下文"
→ 输出质量低（内容空洞）：缺少"约束"和"示例"
→ 输出格式乱：缺少"格式"要求
→ 输出不稳定（每次不同）：系统Prompt不够固定

步骤2：针对性修改
→ 方向错：在Prompt开头加"你的目标是..."，明确任务
→ 质量低：加"请具体说明..."，或加Few-shot示例
→ 格式乱：直接给出格式模板让AI填写
→ 不稳定：将有效元素写入系统Prompt，固化下来

步骤3：A/B对比验证
→ 修改后用相同的5个输入测试
→ 如果3/5以上达到预期：固化这个Prompt
→ 如果仍然不稳定：继续定位问题

---

二、Agent工具/技能体系：给AI装上"手"

2.1 工具调用（Tool Use）是什么？

纯语言AI的局限：

用户：今天XX股票的价格是多少？
AI：我的知识截止到2024年，无法获取实时股价。

用户：帮我发一封邮件给客户
AI：我无法直接发送邮件，但我可以帮你起草内容...

这是纯语言模型的天花板——只能"说"，不能"做"。

配置了工具的Agent：

用户：今天XX股票的价格是多少？
Agent：[调用金融数据API工具] → 返回：今天收盘价¥XX，涨幅X%

用户：帮我发一封邮件给客户
Agent：[调用邮件发送工具] → 起草内容 → 确认 → 发送

工具调用（Tool Use / Function Calling）让AI从"顾问"变成"执行者"。

---

2.2 企业Agent工具的四大类别

安全原则： 数据读取类工具可以先开放给Agent自动使用；系统操作类工具必须有"人工确认节点"，不要让Agent直接写入生产系统。

---

2.3 MCP工具生态：你的Agent能连接什么？

MCP（模型上下文协议）已建立了一个快速扩张的工具生态：

Dify v1.6.0已内置双向MCP支持： 既可以把外部MCP工具引入Dify Agent使用，也可以把Dify工作流暴露为MCP服务供其他系统调用。这是2025年最重要的平台更新之一。

---

2.4 中小企业的5个高价值工具组合

组合A：内容创作增强包

Agent + 工具配置：
1. 网页搜索（获取最新行业信息）
2. 图片生成（配图自动生成）
3. 文档输出（直接生成Word/PDF）
适合：市场/内容团队，自动化内容生产流水线

组合B：客服智能升级包

Agent + 工具配置：
1. 知识库检索（RAG，查产品/政策文档）
2. 订单查询API（连ERP/电商系统）
3. 工单系统写入（自动创建客服工单）
适合：有大量客户咨询的企业，7×24小时自动处理

组合C：销售支持包

Agent + 工具配置：
1. 企业信息搜索（客户背景研究）
2. CRM只读查询（客户历史记录）
3. 文档生成（提案/报价单）
4. 邮件草稿（跟进邮件生成）
适合：B2B销售团队，大幅减少备客时间

组合D：财务数据助手包

Agent + 工具配置：
1. 数据库查询（读取业务数据）
2. Python代码执行（复杂计算/图表生成）
3. 报告文档生成（Word/Excel输出）
适合：需要定期生成数据报告的财务/运营团队

组合E：HR招聘加速包

Agent + 工具配置：
1. 简历解析（OCR + 结构化提取）
2. 岗位JD生成
3. 面试题库检索
4. 候选人评分（基于自定义标准）
适合：招聘量较大的HR团队

---

2.5 在Dify中配置工具的实操步骤

步骤1：创建Agent应用
→ 登录Dify → 新建应用 → 选择"Agent"类型

步骤2：配置基础大模型
→ 选择模型：推荐DeepSeek-V4（中文+性价比最优）

步骤3：写入系统Prompt
→ 定义角色、边界和行为准则（参考本章1.3节）

步骤4：添加工具
→ 点击"工具"选项卡 → 从内置工具库选择（50+工具）
→ 或点击"添加MCP服务器"→ 输入MCP Server URL
→ 测试工具是否正常连通

步骤5：连接知识库
→ 如已有知识库，在"知识库"选项卡中关联
→ 配置检索策略（相似度阈值、返回片段数）

步骤6：测试与调整
→ 用10个真实场景问题测试
→ 调整系统Prompt和工具配置直到稳定

总耗时：技术背景一般的员工，约半天可完成基础配置

---

三、Context Engineering：2025年AI效果的真正决定因素

3.1 什么是上下文工程？

Gartner 2025年宣言：

"Context Engineering is in. Prompt Engineering is out." ——Gartner，2025

核心区别：

为什么Context Engineering更重要？

对于单次对话，Prompt质量确实是主要变量。但对于企业Agent（需要持续工作、连接多个系统、处理复杂任务），真正的瓶颈是：AI在做决策时，能获取到哪些信息？

举例：客服Agent收到用户问题"我的订单什么时候到？"

差的Context设计：
AI只有FAQ文档 → 只能说"通常3-5个工作日" → 用户不满意

好的Context设计：
AI能访问：用户订单记录 + 物流状态API + 历史类似订单数据
→ "您的订单[编号]已于昨天发货，预计明天下午3点前送达，
   当前位置在[城市]转运中心" → 问题真正解决

---

3.2 企业上下文的四层架构

一个设计良好的企业Agent，其"上下文空间"应该有四个层次：

┌─────────────────────────────────────────┐
│ 层级4：实时输入层（用户当次的具体问题）      │
│   → 用户的消息、上传的文件、当前会话记录     │
├─────────────────────────────────────────┤
│ 层级3：工具层（按需检索的动态信息）          │
│   → 工具调用结果：数据库查询/API返回/搜索结果│
│   → RAG知识库检索：相关文档片段            │
├─────────────────────────────────────────┤
│ 层级2：记忆层（历史信息与用户画像）          │
│   → 此用户的历史对话摘要                   │
│   → 已知的用户偏好和背景信息               │
├─────────────────────────────────────────┤
│ 层级1：系统层（固定的角色和规则定义）        │
│   → 系统Prompt：角色定义/行为准则/边界      │
│   → 固定知识：公司介绍/核心政策摘要         │
└─────────────────────────────────────────┘

关键原则：越靠近底层，越要稳定；越靠近顶层，越要动态。

---

3.3 最常见的上下文设计错误

错误1：把所有信息塞进系统Prompt（信息过载）

❌ 错误做法：
系统Prompt = 产品手册全文（50,000字）+ 所有政策文件 + FAQ全集
→ 结果：AI在海量信息中找不到重点，回答质量反而下降
→ 原因：AI的注意力是有限的，信息越多，重点越模糊

✅ 正确做法：
系统Prompt = 简洁的角色定义（300字以内）
知识库 = 按需检索（RAG）：只有当用户问到相关问题时，才检索对应片段

错误2：没有记忆机制（每次对话从零开始）

❌ 错误做法：
每次对话都让AI重新了解用户背景
→ 用户每次都要重新解释情况，体验极差

✅ 正确做法：
为每个用户维护一份"记忆摘要"：
- 身份信息（公司/岗位/偏好）
- 历史对话的关键结论
- 已解决和未解决的问题
→ 每次对话开始时，将相关记忆注入上下文

错误3：工具调用结果不加筛选直接塞进上下文

❌ 错误做法：
数据库查询返回1000行数据，全部放进上下文
→ AI处理效率极低，可能超出上下文窗口限制

✅ 正确做法：
在工具层做预处理：
- 只返回最相关的前N条记录
- 将结构化数据提前聚合（如：求和/分组）
- 大文件先做摘要，再放入上下文

---

3.4 RAG是上下文工程的核心实现

RAG（检索增强生成）本质上就是上下文工程的实践——它解决的正是"如何在正确的时刻，把正确的信息放入AI的上下文"。

企业RAG的上下文工程要点：

---

3.5 实操案例：设计一个客服Agent的上下文架构

场景： 某教育机构部署课程咨询客服Agent

上下文架构设计：

【层级1：系统层（写入系统Prompt，固定不变）】
"你是[机构名]的课程顾问AI，专门帮助潜在学员了解课程信息。
你的知识来自知识库，不确定时必须说'我需要帮您确认'。
不要承诺任何未经确认的价格或名额信息。
保持专业友好的语气，每次回复不超过200字。"

【层级2：记忆层（按用户动态注入）】
如果是老用户：
"该用户背景：[从上次对话摘要中提取]
  - 感兴趣的方向：产品运营
  - 上次咨询时间：3月15日
  - 未解决的问题：价格和开课时间"

如果是新用户：
（暂无记忆，等第一次对话结束后生成摘要存储）

【层级3：工具层（按需检索）】
工具1：知识库RAG检索
  → 触发条件：用户问课程内容/师资/上课方式
  → 返回：最相关的3个课程介绍片段

工具2：课程排期查询API
  → 触发条件：用户问"什么时候开课"
  → 返回：最近3期开课日期和名额状态

工具3：优惠政策查询
  → 触发条件：用户问价格/优惠
  → 返回：当前有效的优惠方案

【层级4：实时输入层（用户消息，自动进入）】
用户每条消息 + 当次对话历史（最近5轮）

效果预期：

• 能准确回答课程问题（知识库检索）
• 能查实时开课时间（工具调用）
• 记住老用户的历史需求（记忆注入）
• 不会编造不存在的优惠（系统Prompt约束）

---

本章小结：三层能力的递进关系

基础层：Prompt Engineering（会写有效的指令）
  ↓ 建立在此基础上
中间层：Agent工具配置（给AI配备执行能力）
  ↓ 建立在此基础上
高阶层：Context Engineering（设计AI的整个信息环境）

类比：
Prompt Engineering = 学会如何向一个员工布置任务
Agent工具配置 = 给这个员工配备所需的工具和权限
Context Engineering = 设计这个员工的工作环境、信息获取渠道和工作方式

企业AI能力建设的真相： 很多企业AI效果差，不是因为模型不够好，也不是因为Prompt写得不好，而是因为AI工作的"信息环境"设计得很差——它得不到完成任务所需的信息，当然无法给出有价值的输出。

---