@akshay_pachaar: 从提示工程到上下文工程再到封装工程。三个术语在AI工程中反复出现，经常被混为一谈……

从提示工程到上下文工程再到封装工程。 三个术语在AI工程中反复出现，而且经常被混为一谈。以下是最清晰的理解方式，说明各自含义及如何协同工作。 𝗽𝗿𝗼𝗺𝗽𝘁 𝗲𝗻𝗴𝗶𝗻𝗲𝗲𝗿𝗶𝗻𝗴 𝗶𝘀 𝘁𝗵𝗲 𝗺𝗲𝘀𝘀𝗮𝗴𝗲. 模型对单次调用之前的内容毫无记忆，因此提示必须承载它所需知道的全部信息。这包括角色、背景、指令、几个示例和格式。 这些被整合成一个输入发送给模型。当输出不理想时，关键在于判断哪个环节出了问题，而不是每次都重写指令。 工作的单位是一次输入。 𝗰𝗼𝗻𝘁𝗲𝘅𝘁 𝗲𝗻𝗴𝗶𝗻𝗲𝗲𝗿𝗶𝗻𝗴 𝗶𝘀 𝘁𝗵𝗲 𝗺𝗲𝗺𝗼𝗿𝘆. 在多个步骤中，窗口是有限的，而可用的信息是无限的，这就需要进行筛选。没有筛选，重要的细节会被过时的工具输出和旧的轮次所淹没，模型对真正重要内容的注意力也会下降。 筛选器会选择保留什么，压缩有用但冗长的内容，并丢弃其余部分。每一步的输出会输入下一步，好的筛选更在于知道丢弃什么，而非塞进更多内容。 工作的单位是窗口中逐步保留的内容。 𝗵𝗮𝗿𝗻𝗲𝘀𝘀 𝗲𝗻𝗴𝗶𝗻𝗲𝗲𝗿𝗶𝗻𝗴 𝗶𝘀 𝘁𝗵𝗲 𝗺𝗮𝗰𝗵𝗶𝗻𝗲. 单独来看，模型只是生成文本。封装工程则将其转化为能够采取行动、检查自身工作并在步骤出错时恢复的实体。 完整循环包含三个阶段： - 𝗴𝗮𝘁𝗵𝗲𝗿 收集模型所需的一切 - 𝗮𝗰𝘁 运行模型并调用工具或子智能体 - 𝗮𝗻𝗱 𝘃𝗲𝗿𝗶𝗳𝘆 通过测试或评判者检查输出 失败时，整个循环会利用更新后的上下文重试，这正是调用API与运行智能体之间的本质区别。 工作的单位就是机器本身。 以下是将其串联起来的部分。 提示工程和上下文工程都位于𝗴𝗮𝘁𝗵𝗲𝗿内部。封装是外部容器，上下文是它精选的内容，提示则是最终传递给模型的东西。 放大视角，工作单位变大；聚焦细节，你又回到了提示本身。 我还发表了一篇关于智能体封装工程的深度文章（原文），涵盖编排循环、工具、记忆、上下文管理以及将所有无状态LLM转化为有能力的智能体所需的一切。 该文章引用如下。