> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/ai_beginner_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/ai_beginner_guide/di-san-bu-fen-shi-zhan-ying-yong-ji-qiao/12_prompt_advanced/summary.md).

# 本章小结

本章我们从“会提问”进阶到了“会引导”。通过掌握思维链、结构化输出和迭代优化，你已经具备了驾驭 AI 处理复杂任务的能力。

## 核心要点回顾

1. **思维链（CoT）**：
   * 咒语：`Let's think step by step`。
   * 作用：引导 AI 给出可检查的关键步骤/中间结果，通常能提升复杂推理与计算题的稳定性，但仍需要你核验结论。
2. **结构化输出**：
   * 技巧：指定 Markdown 表格、JSON、CSV 格式。
   * 作用：让 AI 的输出不再是乱糟糟的文字，而是可以直接使用的数据和代码。
3. **迭代优化**：
   * 心法：好的提示词是改出来的。
   * 技巧：V1 -> 观察 -> 反馈 -> V2。让 AI 帮你改提示词。
4. **高级黑科技**：
   * 角色反转（它考你）、自洽性（多角度求解）、强化约束（明确目标与验收标准）。

## 下章预告

掌握了工具（[第十章](/ai_beginner_guide/di-san-bu-fen-shi-zhan-ying-yong-ji-qiao/10_ai_tools.md)）和心法（第十一、十二章），现在我们手里有了锤子，该找钉子了。

AI 到底能帮我们在生活和工作中解决哪些具体问题？

* 怎么用 AI 帮我写好周报？
* 怎么用 AI 帮我规划旅行？
* 怎么用 AI 帮我学英语？
* 怎么用 AI 帮我做 PPT？

下一章，我们将进入 **最接地气的实战环节**，从职场、学习、编程、生活和行业应用中挑选真实场景练习。

## 延伸回顾：上下文工程

### 核心概念回顾

## 什么是上下文工程？

上下文工程 = 优化 AI 做决定时能看到的所有背景信息

与提示词工程不同：

* 提示词工程：优化你现在说的这一句话（常见收益是让输出更稳定、更贴合任务）
* 上下文工程：优化 AI 看到的整个背景（在知识密集型任务中可能带来更大收益，但需要按场景验证）

## 上下文的三层：

1. **对话上下文**
   * AI 记住之前的对话内容
   * 所有 AI 工具都支持
   * 用处：理解指代、保持连贯性
2. **知识库上下文（RAG）**
   * 通过向量数据库存储和检索信息
   * 让 AI 能记住你的专有知识
   * 用处：让 AI 了解你的公司、项目、风格
3. **系统集成上下文（MCP）**
   * 让 AI 实时访问外部系统
   * AI 可以查日历、发邮件、查数据库
   * 用处：AI 不再只是“知道”，而是能“看到”

### 关键数据

```
效果对比：
- 只用通用AI：✓ 能用，但效果差
- 优化提示词：✓ 好一些，尤其是格式、角色、约束和验收标准更明确
- 加入RAG知识库：✓ 在专有知识问答、内部文档检索等任务中通常更可靠
- 完整上下文工程：✓ 专业级效果，但要用准确率、召回率、人工验收或业务指标衡量

成本：
- RAG系统：成本取决于文档规模、向量库、更新频率和运维方式
- API成本：上下文更长通常会增加 token 成本和延迟
- ROI：要用准确率、召回率、返工率、人工验收或业务指标实测

上下文窗口大小（2026年）：
- 一些长上下文模型已经支持百万级 tokens，但具体上限、可用地区、价格和模型版本要以厂商当前文档为准
- 上下文窗口不是“越大越好”：更大的窗口通常也意味着更高成本、更长延迟和更高的上下文筛选要求
```

### 实践建议

## 什么时候值得用上下文工程？

✓ 一定要用：

* 你有大量专有知识/代码需要 AI 了解
* 你的工作需要 AI 长期配合（不是一次性问答）
* 你需要 AI 保持特定的风格/标准

✗ 不需要：

* 临时性的一次性问答
* AI 已经知道的通用知识
* 对质量要求不高的任务

## 快速开始：

1. **评估你的需求**
   * 什么信息 AI 需要理解才能帮助你？
   * 这些信息是否存在于某个文档/系统中？
2. **选择工具**
   * RAG：Milvus、Weaviate（开源可自建）；Pinecone（闭源托管，有免费层）
   * MCP：Claude Desktop, OpenAI Platform
   * 企业级：LangChain, LlamaIndex 框架
3. **开始小规模**
   * 先用几 MB 的知识库测试效果
   * 看看效果是否值得扩大规模

### 常见误解

**误解 1：“上下文越多越好”**

* 事实：过多的上下文会让 AI 分心
* 建议：精心挑选最相关的信息（质量 > 数量）

**误解 2：“上下文工程只适合大公司”**

* 事实：个人、小团队都能用
* 例子：学生可以给 AI 注入课程资料，效果大幅提升

**误解 3：“设置好之后就一劳永逸了”**

* 事实：需要持续优化
* 建议：定期检查哪些上下文有用，哪些没用

### 学习资源推荐

**技术概念**：

* 向量数据库：Pinecone 官方文档，免费
* RAG 框架：LangChain 文档，GitHub 有大量示例
* MCP：Anthropic 官方文档，持续更新中

**实际项目**：

* 构建公司知识库：需要 3-5 天
* 集成日历系统：需要 1-2 天
* 多系统集成：需要 1-2 周

**成本估算**：

* 小项目原型：可能使用免费层或开发者层，但要受存储、请求量、索引数量等限制
* 托管生产项目：通常包含月度最低消费或用量计费，按厂商价格页核验
* 大规模应用：可能需要专用集群、私有网络、备份、支持合同或自托管方案

### 与其他技术的关系

## 和微调的区别

```
微调：改变模型本身
- 成本高（需要GPU，训练时间长）
- 一旦完成，对所有问题都生效
- 适合：教模型一种稳定的"说法"——固定的格式、语气、行业话术

上下文工程：改变输入信息
- 成本低（只需向量数据库）
- 只在需要时才使用
- 适合：给模型它本来不知道的"事实"——最新数据、内部文档、随时会变的内容

建议：先试上下文工程，真的需要时再考虑微调
```

这里要提醒一句，因为它是初学者最容易被误导的地方：**分界线是“任务类型”，不是“数据量”。** 网上流传着“要几万上十万条才够得上微调”的说法，但这不成立——[11.5 节](/ai_beginner_guide/di-san-bu-fen-shi-zhan-ying-yong-ji-qiao/11_prompt_basics/11.5_when_prompting_fails.md) 那个用 1000 多条品牌文案微调出稳定风格的例子就是反例，学术界也有用 1000 条精选样本微调 大模型、效果反超用 52000 条数据同一模型的公开结果。风格与格式这类“换个说法”的任务， 几百到几千条常常就够；真正吃数据量的是“往模型里塞进它从没学过的知识”，而那件事恰恰是 微调最不擅长、也最该交给上下文工程或 RAG 的。所以决定要不要微调时，先问**你想改的是它的 说法还是它的知识**，再去数手里有多少条。

## 和 Agents 的关系

```
Agents = 上下文工程 + 工具调用 + 规划

Agents是下一步：
1. 上下文工程给AI足够的知识
2. 工具调用让AI能做事情
3. 规划能力让AI自主决定做什么

所以理解上下文工程是学习Agents的基础
```

### 本章的位置

在学习路线中：

```
└─ 第一部分：基础概念
   ├─ 什么是AI
   └─ 基本概念

└─ 第二部分：核心技术
   ├─ 机器学习、深度学习
   ├─ LLM、推理模型
   └─ 新架构（Mamba, MoE）

└─ 第三部分：实战应用
   ├─ AI工具使用（ChatGPT, Claude等）
   ├─ 提示词工程（基础必修）
   └─ 上下文工程（进阶必修）← 你在这里

└─ 第四部分：进阶与展望
   ├─ 智能体与自动化
   ├─ 伦理与安全
   └─ AGI展望
```

上下文工程的地位：

* 不是基础（因为需要理解前面的知识）
* 也不是高级（有基础知识就能学）
* 而是：**实战应用的必修课**

### 下一步

## 如果你想立即开始：

1. 挑选一个你经常用的工具（比如编写报告）
2. 收集这个任务需要的所有背景信息
3. 尝试用 Claude 或 ChatGPT 的“对话上下文”功能
4. 观察效果有没有提升

## 如果你想更深入：

1. 学习向量数据库的基本原理
2. 用 Pinecone 或 Weaviate 搭建一个小的 RAG 系统
3. 用自己的数据测试，看效果如何

## 如果你想成为专家：

1. 学习 MCP 协议
2. 尝试集成外部系统（Google Calendar, Gmail 等）
3. 构建一个完整的 AI 助手应用

### 最后的话

上下文工程不是什么高深的技术，而是：

* **常识**：给 AI 足够的信息，它就能做得更好
* **技能**：知道怎么组织和呈现这些信息
* **艺术**：在有限的上下文窗口中优化每一个字节

掌握它，你会发现 AI 的能力远超想象。

***

> 📝 **发现错误或有改进建议？** 欢迎提交 [Issue](https://github.com/yeasy/ai_beginner_guide/issues) 或 [PR](https://github.com/yeasy/ai_beginner_guide/pulls)。