Prompt Engineering
title Prompt Engineering
type concept
category tech
tags AI工程Agent
created 2026-04-15
sources 2
Prompt Engineering
定义
通过精心构造指令、角色设定、风格约束、few-shot examples、分布引导、输出格式等，引导大语言模型产生期望输出的工程化技术。是 AI 工程的第一个范式阶段。
在成熟的 Agent 系统实践中，Prompt Engineering 的内涵已经发生了质的变化：它不再仅仅是针对单次任务撰写一段固定的 System Prompt，而是一套复杂的、动态的 Prompt 组装机制。
Claude Code 的实践
动态组装过程
真正的"工程"体现在实际生产环境中，提示词是如何根据身份人设、系统行为、安全守则、任务要求、工具规范、Skill 要求、约束条件等等动态信息进行实时拼接和组装的。
Claude Code 的 System Prompt 组装流程：
- QueryEngine 发起请求：
QueryEngine.ask()→fetchSystemPromptParts()→buildEffectiveSystemPrompt()→query() - 获取三大组件：defaultSystemPrompt、systemContext、userContext
- 组装默认 System Prompt：分为静态部分和动态部分，用
__SYSTEM_PROMPT_DYNAMIC_BOUNDARY__分隔 - 优先级决策：按优先级选择最终 prompt
- 注入上下文信息：追加 Git 状态，在用户消息列表最前面插入 CLAUDE.md 和日期
- 缓存分块：拆分成缓存友好的块，显式走 KV Cache
静态 Prompt 部分
包含 7 大模块：身份介绍、系统行为规则、任务执行指南、操作安全守则、工具使用指南、语气和风格、输出效率
动态 Prompt 部分
包含 11 个模块：会话特定指导、自动记忆、环境信息、语言偏好、输出风格、MCP 服务器指令、临时文件目录、函数结果清理、工具结果总结提示、长度锚点、Token 预算
能力定位
在构建一个 95 分的 Agent 系统中：
- Prompt Engineering：70+ 分基线，是三者的基石
- Context Engineering：提升到 80~85 分
- Harness Engineering：提升到 90~95 分
一个好的 Prompt 是绝对的效果保障和底气。如果没有一个 70+ 分的底子，即使再怎么设计和调优 Context、Harness，Agent 的基线已经拉低了。
与其他概念的关系
- Context Engineering 的基础：Prompt 本质上是 Context 的一部分
- Harness Engineering 的第一层关注的是 Context 而非 Prompt 本身
- Prompt Engineering 解决的是「表达的问题」，不是「信息的问题」
局限性
- 很多任务不是说清楚就行，而是真的得知道（外部知识、工具调用、状态管理）
- 提示词擅长激发模型的推理能力，但不擅长：
- 监控弥补缺失的事实
- 管理大量动态的信息
- 处理长链路任务的状态