[论文笔记] 小龙虾爆火利好Prompt大师，让Agent复制自己，能力裂变之——Agent时代的Prompt终极指南

基于学习大纲我们有了一个简单的地图，从官网的资料进行对应，主要是以下三部分过程中可以进行参考官方文档，但有一些可能会基于目前最新的资料进行适当的更改，让我们愉快的开始吧！这里为您梳理第一节：ETL 数据智能清洗与高阶分块的学习地图。本节将带您攻克数据进入向量数据库之前的“清洗、结构化解析、智能切分与父子文档关联”全流程，彻底打牢 RAG 的数据地基。以现在大模型的发展来说，200K的上下文甚至接近300K的都有，几本书是不成问题的，那切片的意义又在哪？核心原因有三个：在 RAG 系统中，用户提问后，我们不能

14, 打联想客服(400990888-2-1-6-5), 但客服说默认保修时间就是从生产日期算的, 保修是二选一, 不需要修改这个时间也可通过发票日期找他们修改(保修是这样用的, 平时不用带发票, 但系统显示过保带发票就能修). 另外他说联想官方没有渠道可查询是否被激活(激活是windows的事). 客户说windows在机器生产日期之前或之后安装都有可能, 为什么两个时间相差那么长她也不清楚建议问经销商, 她同时说她们没办法知道是不是后封机.

本文针对当前 AI 辅助编码时代，团队在使用 Cursor、Claude、Copilot 等多种工具时面临的代码风格分裂、架构混乱、业务风险不可控等核心痛点，提出了一套从临时 Prompt 对话到工程化 AI Coding Spec 的完整升级方法论。

你有没有这样的体验：对着 AI 编程助手敲下一段精心打磨的提示词，等它生成代码，检查一遍，发现问题再补一句，它再改，你再查，来来回回，像个乒乓球赛。这个过程累人，而且每次开新对话，你都得把项目的背景、规范、约定重新讲一遍，像个失忆症患者的主治医生。，直译过来是"循环工程"——你不必再亲自去提示 AI，而是设计一套系统，让系统去提示 AI，让系统去检查 AI，让系统去决定下一步该做什么。你从"操作工"变成了"设计师"。现在，有一群人认为这套流程该退休了。这篇文章，我们就来聊聊这个正在成型的新范式。

层次措施有效性成本Prompt 层XML 标签隔离、系统指令强化⭐⭐⭐低检测层困惑度 + 分类模型⭐⭐⭐中架构层工具权限分级、人工审批⭐⭐⭐⭐⭐中监控层输出审查、敏感信息脱敏⭐⭐⭐⭐低流程层定期红队测试、对抗训练⭐⭐⭐⭐高。

AI 工程正从单次 Prompt 优化转向自动化系统设计。文章提出四层工程栈框架：1) Prompt 层确保单次调用质量；2) Context 层解决信息供给问题；3) Harness 层构建可靠性保障机制；4) Loop 层实现自主持续运行。当前挑战已从"模型理解"转为"系统可靠性"，需关注生成与验证分离、自动化评估、成本控制等关键设计。成熟的AI应用需兼顾准确率、任务完成率和失败恢复能力，最终目标是构建能自我验证、持续迭代的自动化系统。

文章摘要 本文系统阐述了AI编程中的三大关键方法论：Spec Kit、TDD和Loop Engineering。三者形成完整闭环：Spec Kit（规范驱动开发）负责定义需求方向，TDD（测试驱动开发）提供客观验证标准，Loop Engineering实现自动化闭环。文章重点解析了Loop Engineering的五大核心构件：自动化机制、工作树管理、技能封装、连接器插件和子代理系统，并强调记忆持久化的重要性。最后指出TDD是连接规范和自动化的关键桥梁，三者缺一不可——Spec Kit确保"做对的事"，TD

最终结论Prompt 只是上下文的一部分。真正决定 Agent 质量的，是你能否控制模型每一步看到的全部信息。Context Engineering：比 Prompt Engineering 更重要的上下文工程：功能变化与行业影响解析_热闻岛。

167|回顾这两年多的演变，我们可以看到一个清晰的趋势：168| 169|

System Prompt 不是一句角色设定，而是模型的长期岗位说明书。本文讲清 System 与 User 的分工，拆解角色、边界、格式、约束 4 个核心模块，并给出可复用模板和检查清单。

文章摘要 Prompt Caching 通过复用 LLM 推理中的 KV Cache 中间状态，显著降低重复前缀的计算成本。核心原理是将 Prefill 阶段生成的 Key-Value 张量持久化，后续相同前缀请求直接复用缓存，跳过重复计算。三大厂商实现各异： Anthropic Claude：支持显式断点控制，缓存写入有溢价但读取成本仅标准输入的 10%； OpenAI：全自动前缀缓存，无写入溢价但读取成本为标准的 50%； Google Gemini：需显式创建缓存对象，按小时计费存储成本。

最近 Loop Engineering 很火。它不只是让 AI 多执行几轮，而是把任务发现、执行、验证、记忆、重试和人工介入设计成一个完整闭环。

下面通过一个最简单的天气查询例子，分步拆解。

Anthropic 的官方文档把这一点放在 Prompt Engineering 之前：你需要先有明确的 success criteria、能对照这些标准进行测试的方法，以及一份准备改进的初稿。否则，所谓“优化”只会变成凭感觉修改文字。例如，你要做一个客服分类器，目标不能只写“分类准确”。更可操作的标准是：在 300 条人工标注样本上，一级类别 Macro-F1 不低于 0.92；对于无法判断的输入必须返回UNKNOWN；输出只能是符合 JSON Schema 的对象；P95 延迟低于 2 秒。

Loop 的本质是一个递归目标：你定义一个目的，AI 不断迭代（调用子 agent、验证、读写外部状态），直到目标完成或循环主动上交给你。维度普通会话Loop触发方式手动输入 prompt定时器 / 事件自动触发状态上下文窗口（易丢失）持久化文件/数据库（跨轮次）范围单次 task持续执行 + 自我调度验证人眼检查子 Agent 分角色验证自我迭代无基于状态文件和过去运行记录Loop Engineering 不是关于让 AI 完全取代你。恰恰相反——

立体匹配深度估计零样本泛化Depth AnythingCVPR 2026Transformer## 摘要零样本(zero-shot)立体匹配的核心瓶颈在于迭代优化阶段：现有方法虽然利用了单目深度基础模型做特征提取和视差初始化，但GRU的有限表征能力无法充分利用这些先验。

学完这一章，你应该把 Prompt Template 理解成一个“模型请求构造器”。它不是魔法，不是咒语，而是大模型应用里的工程边界。你看到的表面源码里的真实动作写一个模板字符串解析变量名，保存 template_format传入变量校验 input_variables 是否完整调用 prompt.invoke格式化成 PromptValue使用 ChatPromptTemplate生成一组 BaseMessage使用 MessagesPlaceholder。

文章摘要： 提示词（Prompt）是与AI模型沟通的自然语言指令，通过角色定位、技能描述、约束条件和输出格式四个核心要素，控制模型输出符合需求的内容。提示词设计越清晰，AI表现越好。常见的提示词样式包括自然语言、Markdown、优雅风格化和XML标签格式。文章通过金融场景案例对比了模糊指令与清晰指令的效果差异，证明好的提示词需包含明确规则、示例和格式要求，才能提升输出的准确性和可用性。结构化提示词（角色+目标+示例+格式）效果最佳。

本文系统梳理了AI Agent工程范式的四次跃迁：从Prompt Engineering（单次输出优化）、Context Engineering（信息供给管理）、Harness Engineering（执行骨架搭建）到Loop Engineering（闭环自修正系统）。文章指出，这种演化路径反映了AI应用从"生成答案"到"完成工作"的转变，核心竞争点正从模型能力转向系统编排能力。随着任务复杂度提升，工程重点依次解决了表达控制、信息供给、执行可靠和持续优化问题。最终，成熟的AI系统需要将prompt作为控制面