👆点击 林卿LinQ > 点击右上角“ ··· ” > 设为星标🌟

<关注我，一起研究学习小红书📕>

Halo，你好，见字如面，我是林卿 👋

因为之前在AI这块完全是自己摸索的，感觉在AI应用上还停留在比较初级的阶段，所以报名了生财有术的超级AI大航海，准备系统性地学习一下怎么真正用好AI！

这是我的学习笔记，开源一下。

当然，也欢迎小伙伴们给我推荐其他相关的优质信息源，比如微信公众号、书籍、课程什么的都行！

不过不要那种纯讲概念的信息源，希望是有真实应用场景、有真实效果（降本增效）、有真实案例的，最好可以把“是什么、为什么、怎么做、怎么判断”这几层都讲清楚的那种。

在线求推荐，感恩 🥹

01.使用好AI的底层逻辑是

想清楚自己需要什么 -> 让AI听懂你需要什么（提示词/需求表达）；

想清楚让AI做成什么样 -> 给AI提供清晰明确的标准定义 -> 目标、边界、工具、反馈环……（挽具工程）；

给AI提供达成所需的相关信息（背景） -> 上下文工程、知识库……

02.提示词工程（Prompt Engineering）

2.1.提示词工程是什么？

“提示词工程”（Prompt Engineering）可以简单理解为：用更清楚、更有效的方式向AI提问或下指令，让AI更容易给出你想要的结果。

这儿的“提示词”不是指单个关键词，而是我们输入给AI的整段话，比如问题、要求、背景、格式、语气、限制条件等。

说白了就是：学会怎么样更好地向AI提要求，从而得到更好的回答。

2.2.提示词工程到底在“工程”什么？

它不是编程，也不一定需要技术背景，它主要是在设计我们和AI沟通的方式。

我们可以把AI想象成一个能力很强、但需要我们说清楚需求的助手，提示词工程就是学会告诉它：

我们要它做什么，比如：总结、翻译、改写、分析、写方案、列清单、生成代码；

背景是什么，比如：你是新手、你要给老板看、你要用于小红书、你要给客户发邮件；

输出成什么样，比如：表格、步骤、要点、正式文案、通俗解释、100字以内；

有哪些限制，比如：不要太专业、不要编造、语气友好、适合初学者、给出例子；

希望它扮演什么角色，比如：请你像一位耐心的老师、资深产品经理、英语教练、面试官一样回答……

2.3.对我们有什么价值？

对AI小白来说，提示词工程最大的价值不是“学一堆高级技巧”，而是让我们更快、更稳地用AI解决实际问题。

2.3.1.让AI更懂我们想要什么

很多人觉得AI回答不好，其实不是AI不行，而是问题太模糊。

比如我们问：怎么学习英语？

AI可能会给我们一堆泛泛建议。

但我们问：我是英语基础较弱的上班族，每天只有30分钟，目标是能看懂英文邮件。请给我一个30天学习计划，每天列出具体任务。

这个结果就会更实用。

2.3.2.减少“答非所问”

AI很容易根据不完整的信息自行猜测，所以提示词越清楚，它越不容易跑偏。

在对话的时候，我们可以考虑加入这些限制：

• 不要讲太多理论
• 请用小白能懂的话解释
• 请先给结论，再给步骤
• 请用表格对比
• 不确定的地方请直接说明，不要编造

这些都能提高AI回答的质量。

2.3.3.让我们从“问问题”变成“指挥AI完成任务”

小白一开始通常会这样用AI：

• 这个是什么？
• 帮我写一下。
• 给我一些建议。

学会提示词后，我们会更像这样用：

你现在是一位经验丰富的简历顾问。

请根据下面的岗位描述，帮我优化我的简历项目经历。

要求突出数据、结果和匹配度，不要夸大事实。

这个时候，AI不只是回答问题，而是在协助我们完成一个具体任务。

2.4.一个适合小白的提示词公式

可以先记住这个简单模板：

角色 + 任务 + 背景 + 要求 + 输出格式

比如：

你是一位耐心的AI入门老师，请向我解释“机器学习”是什么。我是零基础小白，希望你用生活化比喻说明，不要使用太多专业术语。最后请用3个要点总结。

这个公式适用于大多数场景。

2.5.我们不需要一开始就学得很复杂

对AI小白来说，最重要的是养成三个习惯：

第一，说清楚我们想要什么（目标）：你到底想让AI帮你完成什么？

第二，补充背景：你是谁、用在什么场景、面向谁？……信息越具体，结果越贴合你的需求。

第三，规定输出：要短还是长？要表格还是步骤？要正式还是口语？……

只要做到这三点，我们的AI使用效果就会明显提高。

最后，提示词工程就是“更会和AI沟通”。它的价值在于，让AI从一个泛泛回答问题的工具，变成一个更懂我们需求、能帮我们完成具体任务的助手。

03.上下文工程（Context Engineering）

3.1.上下文工程是什么？

上下文工程（Context Engineering），就是在让AI在做事儿之前，系统地准备、筛选、组织它需要看到的信息，让它在“看得见正确材料”的情况下完成任务。

我们可以把AI想象成一个很聪明但有局限的临时助理。它每次回答我们的时候，主要依据的是它现在所能看到的内容，包括：

我们的问题、之前的对话、你上传的文件、我们给的背景资料、我们要求的格式、我们指定的角色、我们给的例子、它能使用的工具等。

这些内容合起来，就是它现在工作的“上下文”。

但是AI是有上下文窗口（AI在任一时刻可以考虑或者“记住”的文本量）的限制，也就是它一次能“看见”和处理的信息量是有限的。

所以，AI不是“什么都永远记得、什么都自动理解”。很多时候，它答得不好，不是因为它笨，而是因为：

• 我们没有给它足够背景
• 我们给了太多无关信息
• 我们没有告诉它判断标准
• 我们没有给它资料来源
• 我们没有说明你想要什么格式
• 我们前后要求互相矛盾……

而上下文工程，就是解决这些问题。

举个例子：如果你让一个人帮你写一份旅行计划。

低质量请求：帮我做个日本旅行计划。

这就像只给助理一句话，它只能猜：你去几天？预算多少？喜欢美食还是购物？带不带孩子？从哪里出发？要不要避开人多的地方？……

更好的上下文：我计划10月去日本7天，从杭州出发，第一次去日本，预算中等，喜欢美食、城市散步、温泉，不太喜欢赶行程。请安排东京 + 京都，节奏轻松，每天不超过 3 个主要地点，输出表格，包括交通建议、住宿区域和预算提醒。

这就是上下文工程的思维：

不是单纯“问得更花哨”，而是把AI完成任务所需的信息准备齐。

所以随着AI越来越聪明，真正拉开差距的，是你能不能给AI提供高质量、结构清晰的上下文。

3.2.上下文工程和提示词工程有什么区别？

可以这样理解：

所以提示词工程更偏向于“我该怎么问 AI？”，像“说话技巧”；

而上下文工程更偏向于“我该给 AI 准备哪些背景、资料、规则、示例和工具，让它更可能答对？”，像“给AI搭建工作台”。

3.3.上下文工程包含哪些东西？

对我们这样的AI小白来说，不需要一开始理解技术架构，只需要知道，好的上下文通常包括这几类：

3.3.1.任务目标

告诉AI，我们到底要什么。

比如：我想写一段给客户道歉的话，目标是表达歉意、解释延迟原因，并争取对方继续合作。

比：帮我写一段道歉的话。

好很多。

3.3.2.背景信息

告诉AI，事情的来龙去脉。

比如：客户上周五催过一次，我们原计划周三交付，但因为设计稿返工延迟了。

客户比较重视时间，但关系还不错。

背景越具体，AI越少乱猜。

3.3.3.角色和受众

告诉AI，谁在说、说给谁听。

比如：我是一个刚入门AI的普通用户，请用通俗语言解释，不要用太多技术术语。

这会影响 AI 的表达深度和语气。

3.3.4.资料来源

如果任务需要准确性，最好给AI明确材料。

比如：请只基于我上传的PDF总结，不要自行补充外部信息。

或者：请结合最新公开资料，帮我比较这三款产品。

这类场景里，信息来源本身就是上下文的一部分。RAG，即检索增强生成，也就是让AI先检索外部资料，再结合资料回答的一种典型上下文方法。

3.3.5.输出格式

告诉AI，我们想要表格、清单、文章、邮件、步骤，还是对比分析。

比如：请用三列表格输出：问题、原因、改进建议。

比：分析一下。

更容易得到可用结果。

3.3.6.判断标准

告诉AI，什么叫“好答案”。

比如：答案要适合小白，避免术语，每个概念都配一个生活例子，最后给我一个可直接复制的提问模板。

判断标准越清楚，AI越容易贴近我们的预期。

3.4.对我们来说，上下文工程有什么价值？

3.4.1.让AI少猜，减少“胡说”

AI很擅长补全，但也容易在信息不足的时候“脑补”，所以我们给的上下文越清楚，它越不需要猜。

比如我们问：帮我分析这个方案好不好。

它不知道我们的目标、预算、受众、风险偏好，只能泛泛而谈。

但我们问：这是我准备给小红书新手博主做的30天内容方案，目标是涨粉和测试选题。

请从执行难度、内容吸引力、变现潜力三个角度分析，并指出最该删改的5个地方。

答案质量就会明显提高。

3.4.2.让AI更像“懂我们”的助理

我们给AI的上下文越稳定，它越能适应我们的风格。

比如我们可以长期告诉它：我是AI初学者，请先讲结论，再解释原因，最后给可操作步骤。

以后我们再问技术概念，它就更容易用我们能理解的方式回答。

3.4.3.复杂任务更容易做成

简单任务靠一句提示词就够了，但是复杂任务，比如写商业计划、分析合同、整理课程、制定学习计划、比较产品、总结论文、做内容策略，就非常依赖上下文。

所以任务越复杂，越不能只靠一句话提问。

3.5.我们可以怎么用好上下文工程？

提供一个简单模板：“目标 + 背景 + 资料 + 要求 + 输出格式”。

通用模版：

我想让你帮我完成【任务】。背景是：【说明事情背景、你的身份、受众、当前情况】我会提供/你需要参考的资料是：【粘贴资料、上传文件、说明信息来源】我的要求是：- 【要求一】- 【要求二】- 【要求三】请按这个格式输出：【表格 / 清单 / 邮件 / 方案 / 步骤 / 对比分析】判断标准：【什么样的答案对我有用，例如通俗、可执行、简洁、专业、适合新手】

举几个例子：

比如：学习概念

普通问法：什么是RAG？

上下文工程问法：我是AI小白，请用通俗语言解释什么是RAG。

不要一上来讲技术细节。

请先用一个生活类比解释，再说明它解决什么问题，最后给我3个实际使用场景。

比如：让AI分析文件

普通问法：总结这个文件。

上下文工程问法：请总结我上传的文件。

我的目标是快速判断它是否值得仔细阅读。

请输出四部分：

1）核心观点；

2）关键证据；

3）对普通用户有什么价值；

4）我需要注意的风险或局限。

请只基于文件内容，不要自行补充。

比如：做决策

普通问法：我该不该买这个课程？

上下文工程问法：帮我判断这个AI课程是否适合我。

我的背景：AI小白，主要想提高日常工作效率，不打算成为程序员。

我的预算是300元以内，每周最多学习3小时。

我会把课程介绍粘贴给你。

请从适合程度、性价比、学习难度、可能踩坑点四个角度分析，并给出是否推荐。

3.6.一个好用的“5C 法则”

可以记住这5个词：

3.6.1.Context：背景

发生了什么？你是谁？对象是谁？……

3.6.2.Clarity：目标

你到底要AI完成什么？

3.6.3.Constraints：约束

有什么限制？预算、时间、语气、篇幅、风格、不能做什么？

3.6.4.Content：材料

AI应该参考什么资料？文件、链接、文字、数据、例子？

3.6.5.Criteria：标准

你如何判断答案好不好？

我们每次提问前，只要检查这5点，AI的回答质量通常会明显提高。

3.7.常见错误

错误一：只给任务，不给背景

比如帮我优化一下。

AI不知道优化什么、为了谁、优化到什么程度。

错误二：一次塞太多无关资料

上下文不是越多越好，而是越相关越好。因为AI的上下文窗口有限，太多杂乱信息会稀释重点。上下文工程不是把所有东西都塞进去，而是在每一步放入“刚好正确的信息”。

错误三：不给输出格式

你想要方案，它可能给你散文；你想要表格，它可能给你长段落，所以要直接说格式。

错误四：不给判断标准

比如“写得好一点”太模糊。

你可以改成：更自然、更像真人、更简洁、更适合发给客户，避免营销腔。

最后，对我们这样的AI小白来说，上下文工程不是高级程序员才需要的技术，而是一种更聪明地使用AI的方法。

我们只需要记住：

不要只问AI一个问题，要给AI一个完整任务包。

这个任务包最好包括：

• 我要做什么
• 为什么做
• 给谁看
• 已有资料是什么
• 有哪些限制
• 希望输出成什么样
• 什么样的结果算好……

把这几项说清楚，我们就已经在使用上下文工程了。

04.挽具工程（Harness Engineering）

4.1.挽具工程是什么？

这就需要先从一个比喻说起。

“挽具工程”的英文叫Harness Engineering。Harness这个词，本意是马身上的那一整套装备，即缰绳、马鞍、嚼子、笼头。

想象一下：一匹野马本身力量惊人、跑得飞快，但是没有缰绳、没有马鞍，它跑去哪里、会不会把骑手甩下来，全凭它自己心情。

在AI的世界里这个比喻是这样对应的：

那匹马就是AI大模型本身（比如Claude、GPT这些），它很强大，但本质是不受控的；

那一整套挽具就是围绕这个AI模型搭建起来的外部系统，比如规则文件、工具、检查点、反馈机制、监控等等；而那个骑手就是使用AI的人，负责给方向。

所以挽具工程的定义就是：设计、搭建并运行那一整套包裹在AI模型之外、用来约束它、给它信息、检验它、纠正它的基础设施。AI模型本身不归挽具工程管，挽具工程管的是“AI模型之外的所有东西”。

所以挽具工程（Harness Engineering）可以理解为：不是只研究“怎么跟AI说话”，而是设计一整套“让AI稳定完成任务的工作环境、规则、工具、记忆、检查机制和反馈流程”。

举个例子：如果你让一个很聪明的新人帮你做事，有两种方式。

第一种方式是只对TA说一句：“帮我把这个项目做好。”

这个就像只靠提示词。

第二种方式是你给TA：项目目标、参考资料、操作步骤、权限边界、检查清单、工具账号、交付格式、复盘机制、出错后的处理办法……

这个就是挽具工程的思路。

AI也是一样。单个提示词再漂亮，也可能会出错，比如忘记上下文、编造、跑偏、格式不稳定、任务做到一半丢重点……而挽具工程要解决的是：怎样把AI放进一个更可靠的“任务系统”里，让它更持续、更可控、更可验证地完成工作。

4.2.“挽具”到底包括什么？

可以把一个AI挽具拆成这些部分：

4.3.它和“提示词工程”、“上下文工程”有什么区别？

我们可以这样理解三者的关系：

也就是说，提示词工程是挽具工程的一小部分，上下文工程也是挽具工程的一部分。挽具工程范围更大，它不只关心“输入什么”，还关心AI怎么调用工具、怎么记住信息、怎么检查结果、怎么处理失败、怎么让人参与决策。

4.4.它对我们有什么价值？

4.4.1.让AI不只是“聊天”，而是“做事儿”

很多小白刚开始用AI，会把AI当成问答机：

• “帮我写一篇文章。”
• “帮我做个计划。”
• “帮我分析一下。”

这样当然能用，但很容易得到泛泛的答案。

挽具工程的思路会让我们变成：

“请先确认目标，再整理信息缺口，然后按步骤完成，最后用检查清单自查，并告诉我哪些地方不确定。”

这样AI就不只是回答，而是在按流程工作。

4.4.2.减少AI胡说和跑偏

AI经常会出现三个问题：

一是忘记我们之前说过什么。

二是表面很自信，实际不一定对。

三是任务越长，越容易跑偏。

挽具工程会用记忆、文档、检查清单、引用来源、测试、人工确认等方式降低这些问题。

4.4.3.让我们的AI使用方式可复制

小白最容易遇到的问题是：今天问得好，明天又问不出来。

挽具工程可以帮我们把好用的方法沉淀成模板，比如：

• 我的读书总结流程
• 我的写作修改流程
• 我的旅行规划流程
• 我的学习辅导流程
• 我的工作汇报流程
• 我的选购决策流程

以后每次启动同类任务，就不用重新摸索。

4.5.我们怎么用好它？

我们不需要会编程，也可以开始用“轻量版挽具工程”，核心是：不要只给AI一个问题，而要给AI一个任务系统。

4.5.1.第一层：给AI一个“任务卡”

我们可以这样写：

你是我的AI学习教练。目标：帮我理解一个新概念。读者水平：零基础小白。输出要求：先用一句话解释，再用生活比喻，再讲核心概念，再讲使用场景，最后给我一个练习。限制：不要堆术语；遇到专业词要解释；不确定的地方要明确说明。

这就是最简单的挽具：角色＋目标＋背景＋格式＋限制。

4.5.2.第二层：给AI一个“工作流程”

比如我们让AI帮我们做决策，不要直接问：

“我该不该买这个课程？”

可以改成：

请按这个流程帮我分析：

①先问我最多3个关键问题；

②整理我的目标和约束；

③列出这个课程可能适合和不适合我的理由；

④给出判断标准；

⑤最后给出建议，并标注不确定性。

这个时候，AI不是随便评价，而是在按我们的流程工作。

4.5.3.第三层：给AI一个“检查机制”

比如写文章的时候，我们可以要求：

写完后，请再用下面的检查清单自查：

①是否偏题；

②是否有空话；

③是否有逻辑跳跃；

④是否适合小白；

⑤是否有可以删掉的重复内容；

⑥最后给出修改后的版本。

这就是一个简单的反馈循环。

4.6.一个实用的通用模板

以后可以直接复制这个模板：

请你作为我的【角色】来完成这个任务。任务目标：【我想要完成什么】我的背景：【我是小白/我的水平/我的场景/我的限制】你可以使用的信息：【资料、链接、文件、上下文、已有想法】工作流程：①先判断任务是否清楚；②如果信息不足，先问我最多3个关键问题；③如果信息足够，按步骤完成；④完成后自查一次；⑤最后告诉我哪些结论确定，哪些地方不确定。输出格式：【我希望你用清单、表格、步骤、文章、方案等哪种形式】限制要求：【不要太专业/要详细/要简洁/必须引用来源/不要编造/不确定就说不确定】

这就是一个小白也能用的“个人AI挽具”。

最后，提示词工程解决“怎么问”；

上下文工程解决“给AI看什么”；

挽具工程解决“怎样让AI持续、可靠、可检查地完成任务”。

对我们来说，挽具工程最实用的价值不是让我们立刻开发复杂智能体，而是让我们学会把AI从“随便聊聊”变成“按流程办事的助手”。只要我们开始给AI明确目标、背景、流程、边界和检查机制，我们其实就已经在使用轻量版挽具工程了。

<未完待续>

📌 现阶段主要在做，欢迎链接：