提示工程架构师指南：如何用上下文工程提升Agentic AI的任务完成率

提示工程架构师指南：用上下文工程让Agentic AI从「能做」到「做好」

摘要/引言

你有没有遇到过这样的Agentic AI？

明明让它“分析这个月的销售数据并生成报告”，它却中途跑去查去年的库存；
明明用户补充了“要包含区域对比”，它却完全没当回事；
明明已经做了一半的步骤，它却突然“失忆”从头再来——

这些让人崩溃的场景，本质上都是上下文管理失效的结果。

对于Agentic AI（具备自主决策、规划、执行能力的AI系统）来说，“能自主行动”只是基础，“能精准完成任务”才是关键。而要实现这一点，上下文工程（Context Engineering）是你必须掌握的核心能力——它不是简单的“往Prompt里加几句话”，而是一套系统设计上下文的生成、维护、优化的方法论，能让Agentic AI真正“理解任务、记住状态、做出正确决策”。

在这篇指南里，我会结合3年Agentic AI开发经验，从基础概念到实战技巧，再到真实案例，告诉你如何用上下文工程把Agentic AI的任务完成率从“及格线”拉到“优秀线”。你会学到：

上下文在Agentic AI中到底扮演什么角色？
如何构建“静态-动态-记忆”三层上下文模型？
有哪些能立刻落地的上下文优化技巧？
真实场景中如何用上下文工程解决具体问题？

一、Agentic AI与上下文工程：基础概念辨析

在深入之前，我们需要先明确两个核心概念——Agentic AI和上下文工程，避免混淆。

1.1 什么是Agentic AI？

Agentic AI是相对于“被动响应式AI”（比如普通ChatGPT对话）而言的：它不需要人类一步步指导，能自主设定目标、规划步骤、调用工具、调整策略。

举个例子：

被动AI：你问“如何分析销售数据？”，它会给你一个通用步骤；
Agentic AI：你说“帮我分析2023年第四季度的销售数据，找出增长最快的区域”，它会自动完成：
1. 调用SQL工具查询2023年Q4的销售数据；
2. 用Pandas计算各区域的增长率；
3. 用Matplotlib生成对比图表；
4. 撰写结论并输出。

典型的Agentic AI包括AutoGPT、ChatGPT Advanced Data Analysis、LangChain Agent等。

1.2 什么是上下文工程？

上下文（Context）是Agentic AI完成任务的“信息地基”，包括：

任务的目标与边界；
已执行的步骤与结果；
用户的需求与反馈；
工具的能力与限制；
历史的经验与偏好。

而上下文工程是系统设计、管理、优化这些信息的过程——它的目标是让Agentic AI“拿到的信息刚好足够完成任务”：既不缺失关键信息，也不被无关信息干扰。

注意：上下文工程≠Prompt工程——Prompt工程是“给AI发指令”，而上下文工程是“给AI提供完成指令的必要信息”。比如：

Prompt工程：“你是一个数据分析Agent，帮我分析销售数据。”（指令）
上下文工程：“销售数据的表结构是sales_table（包含date、region、amount字段），已查询到2023年Q4的数据，用户要求增加区域对比。”（完成指令的信息）

二、上下文是Agentic AI的“认知地基”：三大核心作用

如果把Agentic AI比作一个“自主工作的员工”，那么上下文就是它的工作手册+笔记本+大脑。具体来说，它有三个不可替代的作用：

2.1 任务锚点：让AI知道“到底要做什么”

很多Agentic AI“跑偏”的原因，是没有明确的“任务锚点”——它不知道自己的核心目标是什么，容易被次要信息带偏。

比如用户让它“分析2023年第四季度的销售数据”，如果上下文里没有明确“核心目标是找出增长最快的区域”，它可能会花大量时间计算产品的库存周转率，完全偏离用户需求。

任务锚点的关键：明确“做什么”和“不做什么”。比如静态上下文里的“核心职责”部分，就是最基础的任务锚点。

2.2 决策依据：让AI知道“为什么要这么做”

Agentic AI的自主决策不是“拍脑袋”，而是基于上下文里的信息。

比如当用户问“如何提高本月的销售转化率”，AI需要知道：

当前的转化率是多少？
竞品的转化率是多少？
最近的促销活动效果如何？

这些上下文信息是AI做出“优化促销页面”或“增加老用户召回”决策的关键——没有这些信息，AI的决策就是“瞎猜”。

2.3 状态记忆：让AI知道“已经做了什么”

Agentic AI的核心优势是“能持续执行任务”，但如果没有状态记忆，它就会“做一步忘一步”。

比如用户让它“先查我的订单物流，再帮我申请退换货”：

如果上下文里没有记录“已经查过物流，订单正在派送中”，它可能会重复查物流；
如果没有记录“用户要求退换货的是订单123”，它可能会申请错误的订单。

状态记忆的关键：实时记录每一步的执行结果，让AI能“跟踪进度”。

三、上下文工程的核心框架：“静态-动态-记忆”三层模型

要做好上下文工程，最有效的方法是构建**“静态-动态-记忆”三层上下文模型**——这是我从数百个Agentic AI项目中总结出的通用框架，能覆盖90%以上的场景。

3.1 第一层：静态上下文——固定的“基础规则”

静态上下文是不随任务变化的固定信息，是Agentic AI的“底层认知”，比如：

系统角色（“你是一个电商售后客服Agent”）；
工具能力（“可以调用订单查询工具，输入订单号可查物流”）；
输出要求（“每一步操作都要向用户说明”）；
边界限制（“不能处理超出售后范围的问题”）。

静态上下文的设计技巧：

明确性：不用模糊表述，比如不说“你是一个客服”，要说“你是一个负责处理退换货、物流查询的电商售后客服”；
完整性：覆盖所有基础规则，比如工具的参数、输出的格式；
稳定性：一旦确定，不要频繁修改（除非业务逻辑变化）。

示例：数据分析Agent的静态上下文

你是一个专业的销售数据分析Agent，核心职责是帮助用户解决销售数据的查询、分析、可视化问题。 你具备以下能力： 1. 数据查询：可调用SQL工具查询sales_db数据库，表结构如下： - sales_table：order_id（订单ID）、date（日期，格式YYYY-MM-DD）、region（区域：华北/华东/华南）、product（产品：A/B/C）、amount（销售额，单位：元）； - customer_table：customer_id（用户ID）、region（区域）、registration_date（注册日期）。 2. 数据处理：可使用Pandas进行数据清洗（去重、填补缺失值）、聚合（计算月度/季度销售额、区域增长率）。 3. 可视化：可使用Matplotlib生成以下图表： - 折线图：展示销售额趋势； - 柱状图：对比区域/产品销售额； - 饼图：展示产品销售额占比。 你的回应要求： - 每一步操作前向用户说明（如“我将调用SQL工具查询2023年Q4的销售数据”）； - 若需要用户补充信息（如具体日期范围），请明确询问； - 最终结果需包含：数据来源、关键指标、可视化图表描述、3条核心结论。

3.2 第二层：动态上下文——实时的“任务状态”

动态上下文是随任务推进实时变化的信息，是Agentic AI的“实时认知”，比如：

用户的原始需求；
已执行的步骤与结果；
用户的补充反馈；
工具调用的错误信息。

动态上下文的管理技巧：

结构化：用JSON、列表等格式存储，让AI更容易解析（避免纯文本的歧义）；
实时更新：每完成一步或收到用户反馈，立刻更新动态上下文；
去冗余：定期删除已完成步骤的无关细节（比如“查询数据时的SQL语句”可以删除，只保留“查询结果”）。

示例：数据分析Agent的动态上下文（结构化）

{"task_id":"sales_analysis_2023_q4","task_objective":"分析2023年第四季度各区域的销售表现，找出增长最快的区域","current_step":3,"completed_steps":[{"step":1,"action":"调用SQL工具查询2023-10-01至2023-12-31的sales_table数据","result":"查询到1234条有效数据，覆盖华北（412条）、华东（508条）、华南（314条）","timestamp":"2024-01-05 14:30:00"},{"step":2,"action":"用Pandas计算各区域的季度销售额总和","result":"华北：500万元，华东：800万元，华南：600万元","timestamp":"2024-01-05 14:35:00"}],"pending_steps":["计算各区域与2022年Q4的同比增长率","生成区域销售额对比柱状图","撰写核心结论"],"user_feedback":"请在结论中加入各区域增长的可能原因（如促销活动、新用户增长）","tool_errors":[]}

3.3 第三层：记忆上下文——长期的“经验积累”

记忆上下文是Agentic AI从历史任务中积累的经验，是它的“长期认知”，比如：

用户的偏好（“该用户每次分析都要包含同比增长率”）；
常见问题的解决方案（“遇到‘数据缺失’时，用平均值填补”）；
历史任务的结果（“2023年Q3的增长最快区域是华东”）。

记忆上下文的构建技巧：

向量存储：用向量数据库（如Pinecone、Chroma）存储历史上下文，方便快速检索（比如用户现在的任务是“分析2023年Q4销售数据”，可以检索到“2023年Q3的分析结果”）；
标签化：给每条记忆打标签（如“用户偏好”“工具错误处理”“区域分析”），提高检索效率；
定期迭代：删除过时的记忆（比如“2020年的销售数据分析经验”），避免干扰当前任务。

示例：记忆上下文的向量存储

记忆ID	标签	内容	向量（简化）
1001	用户偏好	用户张三：每次销售分析都要求包含“同比增长率”和“区域对比”	[0.8, 0.2, 0.5]
1002	工具错误处理	调用SQL工具时，若出现“表不存在”错误，需检查数据库连接或表名拼写	[0.3, 0.9, 0.1]
1003	区域分析	2023年Q3增长最快的区域是华东，原因是“9月推出了区域专属促销活动”	[0.7, 0.4, 0.6]

3.4 三层模型的协作逻辑

静态上下文是“底层规则”，动态上下文是“当前任务的实时状态”，记忆上下文是“历史经验”——三者协作的逻辑如下：

任务启动时，Agentic AI加载静态上下文（知道自己是谁、能做什么）；
接收用户需求后，加载记忆上下文（检索用户偏好、历史经验）；
执行任务过程中，实时更新动态上下文（记录步骤、结果、反馈）；
每一步决策时，结合三层上下文（比如“用户要求包含同比增长率”来自记忆上下文，“当前已计算出季度销售额”来自动态上下文，“可以用Pandas计算增长率”来自静态上下文）。

四、上下文工程实战：从0到1优化的四大技巧

掌握了三层模型，接下来是可立刻落地的实战技巧——这些技巧是我从项目中踩过的坑总结出来的，能快速提升上下文的质量。

4.1 技巧1：信噪比优化——剔除无关信息，让AI更专注

上下文不是“越多越好”——无关的信息会降低AI的“注意力”，就像你在工作时，旁边有人一直说无关的话，你肯定没法集中精力。

信噪比（Signal-to-Noise Ratio）是衡量上下文质量的关键指标：

信号：与当前任务直接相关的信息（如用户的核心需求、已完成的步骤结果）；
噪声：与当前任务无关的信息（如用户的闲聊、过时的历史数据）。

提高信噪比的方法：

制定过滤规则：
1. 时间过滤：只保留最近3轮的用户交互（短期任务）或最近7天的历史数据（长期任务）；
2. 相关性过滤：只保留与“任务目标”直接相关的信息（比如用户问“如何提高转化率”，就不要放“去年的库存数据”）；
3. 重要性过滤：只保留“会影响决策的关键信息”（比如用户的“核心需求”，而不是“用户的感冒症状”）。
上下文压缩：用大语言模型把冗余的信息总结成核心内容（比如把10轮用户交互总结成“用户要求将增长率计算范围扩大到全年，并增加区域对比”）。

4.2 技巧2：结构化表达——让AI“读得懂”上下文

纯文本的上下文容易产生歧义（比如“用户说要换M号”，AI可能分不清是“衣服”还是“鞋子”），而结构化表达（如JSON、列表）能让AI更准确地解析信息。

结构化的技巧：

使用标准格式：优先用JSON（键值对）或Markdown列表，避免自定义格式；
明确字段含义：每个字段都要有清晰的定义（比如“task_objective”是任务目标，“completed_steps”是已完成的步骤）；
保持一致性：同一类信息的格式要统一（比如所有“completed_steps”都包含“step”“action”“result”字段）。

4.3 技巧3：动态更新机制——让AI“记住”每一步

动态上下文的核心是“实时更新”，如果更新不及时，AI就会“失忆”。

动态更新的实现方法：

事件触发式更新：当发生以下事件时，立刻更新动态上下文：
1. 用户提出新需求或反馈；
2. 完成一个步骤（如调用工具得到结果）；
3. 遇到工具错误（如SQL查询失败）。
定期快照：每隔一定步骤（如每完成2步）保存动态上下文的快照，避免因系统崩溃丢失数据；
回滚机制：如果某一步决策错误，可以回滚到之前的快照（比如“删除错误的工具调用结果，恢复到步骤2的状态”）。

4.4 技巧4：多模态融合——让AI处理非文本信息

很多Agentic AI需要处理图片、语音等非文本信息（比如电商客服Agent需要处理用户上传的“商品破损照片”），这时候需要将多模态信息转化为AI可理解的文本上下文。

多模态融合的技巧：

图片转文本：用OCR（光学字符识别）提取图片中的文字（如“商品破损照片中的订单号是123”），或用图像识别模型描述图片内容（如“图片显示衣服袖口有5cm的撕裂”）；
语音转文本：用ASR（自动语音识别）将语音转化为文本（如“用户语音说‘我的订单还没收到’”）；
视频转文本：用视频分析模型提取关键帧的内容（如“视频显示快递员将包裹放在了门口”）。

五、案例验证：用上下文工程拯救“漏看需求”的电商客服Agent

为了验证上下文工程的效果，我以某电商的售后客服Agent为例，展示如何用三层模型解决“漏看用户需求”的问题。

5.1 问题背景

该电商的客服Agent经常遗漏用户的多需求：

用户说“我昨天买的衣服大小不合适，想换M号，另外之前买的鞋子还没收到”；
Agent往往只处理“换衣服”的需求，忘了查“鞋子的物流”；
结果：任务完成率只有65%，用户投诉率高达15%。

5.2 解决方案：用三层上下文模型优化

1. 静态上下文：明确角色与工具能力

你是一个电商售后客服Agent，负责处理用户的退换货、物流查询、差价退还需求。 你具备以下能力： 1. 订单查询：调用订单系统，输入订单号可查物流状态（如“已发货”“正在派送”）； 2. 退换货申请：调用售后系统，输入订单号、商品问题、需求（如“换M号”）可发起申请； 3. 差价退还：调用定价系统，输入订单号可查是否符合差价退还条件。 你的回应要求： - 必须处理用户的所有需求（若有多个）； - 每处理一个需求前向用户说明（如“我将先查询您鞋子的物流状态”）； - 若需要用户补充信息（如订单号），请明确询问。

2. 动态上下文：结构化记录用户需求

当用户说“我昨天买的衣服大小不合适，想换M号，另外之前买的鞋子还没收到”，动态上下文会被结构化记录为：

{"task_id":"after_sale_20240105_001","task_objective":"处理用户的退换货和物流查询需求","user_requirements":[{"type":"退换货","order_id":"123456","product":"衣服","problem":"大小不合适","demand":"换M号"},{"type":"物流查询","order_id":"789012","product":"鞋子","problem":"未收到"}],"completed_steps":[],"pending_steps":["查询订单789012的物流状态","发起订单123456的退换货申请"],"user_feedback":""}