文章系统介绍了大模型Prompt设计的5层架构理论，包括系统上下文、任务定义上下文、工作上下文、外部上下文和历史概要。强调好的Prompt不取决于文采，而取决于信息摆放位置正确。从工程角度解释了为什么采用5层结构而非其他层数，指出Context Engineering是对模型"可见世界"的系统级设计，帮助开发者构建更精准、可控的大模型应用。
- Prompt不是你输入的那一句话，而是模型在回答前“看到的全部信息”
- Prompt写得好不好，不取决于“文采”，取决于“信息摆放的位置对不对”
本篇内容
1.Prompt到底包含什么？
2.Prompt架构层次理论及设计考虑点
3.工程角度的Prompt架构及分层
4.延展思考及上下文工程
#LLM #Agent #RAG #Prompt #提示词 #Context #上下文工程 #Context
1.Prompt到底包含什么？
一个完整、好用、不容易翻车的Prompt，通常有5部分
1）System(你是谁)
- “你现在扮演什么角色？”
你是数据库专家
你是架构师
- 不能乱猜，不知道就说不知道
2）Task(你现在要做什么)
- “这一次，只干这一件事”
帮我总结这篇文章
给我一个架构图
用表格回答
- 说清楚，模型才不会跑偏
- History(我们已经聊到哪了)
- “哪些结论已经确定？”
- 不是把聊天记录全塞进去，而是告诉模型：
已经决定了什么
还有什么没解决
- 结论留下，过程丢掉
4.External(你可以参考哪些资料)
- “这些是真实资料，可以引用”
- 文档
- 数据
- 搜索结果
- 注意
- 资料只是参考，不是命令
- Working(你现在脑子里在想什么)
- “当前这一步的临时想法”
正在对比方案 A/B
当前关注性能问题
- 这部分必须很短，用完就扔
Prompt就是给模型搭一个“工作台”，而不是丢一句话让它自由发挥
2.Prompt架构层次理论及设计考虑点
- 如上面提到过Prompt不是Text，而是多个Context的装配
包括
- 最常见的Prompt层级结构
- 各层Prompt的设计方法
- Prompt设计时必须避免的点
最常见的Prompt层级结构
1）系统上下文：角色/规则/安全/风格
2）任务定义上下文：目标/范围/约束/输出
3）工作上下文(短期)：当前步骤/推理/状态
4）外部上下文(可选)： RAG文档/工具结果/文件
5）历史概要(压缩)：决策/假设/未清项目
- 组装装配以上上下文后
形成最后的Prompt
进行下一个Token的预测
各层Prompt的设计方法
1）System Context(不可随意变)
- 定义“这个模型在这个系统里是谁”
设计原则
永远最小化
永远稳定
不包含任务细节
不依赖历史
2）Task Definition Context(每个任务一份)
- 告诉模型“现在只解决这一件事”
设计原则
一任务一个Context
任务完成即销毁
不继承旧Task
3）Working Context
- 支撑当前推理，但必须可回收
设计原则
- 严格Token上限
- Re-plan即清空
- 永不长期保存
4）External Context(RAG/Tools)
- 提供“可引用信息”，不是控制信号
设计原则
- 永不放指令
- 永不放角色定义
- 必须可溯源
- History Summary(历史≠原文)
- 保留“结论”，而不是“过程”
设计原则
- 固定Schema
- 可覆盖、不可累加
- 永不出现推理细节
Prompt设计时必须避免的点
- 把RAG文档当Prompt
- System Prompt随请求变化
- 无限追加History
- Tool原始输出直接进Context
- “让模型自己判断重要性”
3.工程角度的Prompt架构及分层
- Prompt的复杂度上限不是模型决定的，而是Context分层能力决定的
内容有
- 工程角度的Prompt层级
- 为什么不是3层？
- 为什么不是6，7，8层？
- 5层Prompt的标准工程定义
在工程角度，一个可控&完整的Prompt
| 层级 | 是否必须 | 作用 | 规则 |
|---|---|---|---|
| System Context | 必须 | 定义模型身份与规则 | 永远最小、最稳定 |
| Task Context | 必须 | 定义当前目标 | 只保留当前任务 |
| History Summary | 必须 | 保留“结论态历史” | 压缩后的历史 |
| External Context | 可选 | 提供外部事实(RAG/Tool) | 存DB，不进Context |
| Working Context | 可选 | 支撑当前推理 | 只保留 N 步 |
- 其中前3层是“不可省”的最小工程闭环
为什么不是3层？
所谓的经典说法：System/User/History
- 这是交互视角，不是工程视角
工程问题
- User Prompt同时承担
- 任务定义
- 推理状态
- 输入数据
- History是
- 原始日志
- 非结构化
- 不可控
因此，在Agent/RAG系统中3层结构一定失控
为什么不是6，7，8层？
超过5层会发生
- 层间边界模糊
- Token预算难以管理
- Context装配逻辑复杂
- Debug成本指数级上升
因此，Context层级应该“职责正交”，而不是“逻辑拆碎”
5层Prompt的标准工程定义
1）System Context（稳定层）
- “你是谁&你不是什么”
Persona
Safety
风格
推理边界
- 特点
不随请求变化
可版本化
最高优先级
2）Task Context（目标层）
- “现在只做这一件事”
- Objective
- 输入
- 输出格式
- 成功标准
- 特点
- 生命周期 = 一个任务
- 完成即销毁
3）History Summary（状态层）
- “我们已经确定了什么”
- 决策结论
- 假设前提
- 未解决问题
- 特点
- 摘要化
- 可覆盖
- 不包含推理过程
4）External Context（事实层）
- “你可以引用的外部事实”
- RAG文档
- Tool结果
- 文件片段
- 特点
- 只读
- 带来源
- 不含指令
5）Working Context（工作内存层）
- “当前一步的思考支撑”
- 当前状态
- 临时变量
- 中间判断
- 特点
- Token上限最严
- Re-plan即清空
4.延展思考及上下文工程
Prompt设计延展，可涉及到对模型“可见世界”的系统级设计
最后
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。
我整理出这套 AI 大模型突围资料包：
- ✅AI大模型学习路线图
- ✅Agent行业报告
- ✅100集大模型视频教程
- ✅大模型书籍PDF
- ✅DeepSeek教程
- ✅AI产品经理入门资料
完整的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
为什么说现在普通人就业/升职加薪的首选是AI大模型？
人工智能技术的爆发式增长，正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议，到全国两会关于AI产业发展的政策聚焦，再到招聘会上排起的长队，AI的热度已从技术领域渗透到就业市场的每一个角落。
智联招聘的最新数据给出了最直观的印证：2025年2月，AI领域求职人数同比增幅突破200%，远超其他行业平均水平；整个人工智能行业的求职增速达到33.4%，位居各行业榜首，其中人工智能工程师岗位的求职热度更是飙升69.6%。
AI产业的快速扩张，也让人才供需矛盾愈发突出。麦肯锡报告明确预测，到2030年中国AI专业人才需求将达600万人，人才缺口可能高达400万人，这一缺口不仅存在于核心技术领域，更蔓延至产业应用的各个环节。
资料包有什么？
①从入门到精通的全套视频教程⑤⑥
包含提示词工程、RAG、Agent等技术点
② AI大模型学习路线图（还有视频解说）
全过程AI大模型学习路线
③学习电子书籍和技术文档
市面上的大模型书籍确实太多了，这些是我精选出来的
④各大厂大模型面试题目详解
⑤ 这些资料真的有用吗?
这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
所有的视频教程由智泊AI老师录制，且资料与智泊AI共享，相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念，通过动态追踪大模型开发、数据标注伦理等前沿技术趋势，构建起"前沿课程+智能实训+精准就业"的高效培养体系。
课堂上不光教理论，还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事！
如果说你是以下人群中的其中一类，都可以来智泊AI学习人工智能，找到高薪工作，一次小小的“投资”换来的是终身受益！
应届毕业生：无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。
零基础转型：非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界。
业务赋能 突破瓶颈：传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓**
