本章小结
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
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。
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。
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。
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）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，给你 10 个即插即用的 AI 生活锦囊。
第十二章附录 小结：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（效果提升 20-30%）
上下文工程：优化 AI 看到的整个背景（效果提升 10-100 倍）
上下文的三层：
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
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
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
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：
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？
选择工具
RAG：Pinecone, Weaviate, Milvus（免费开源）
MCP：Claude Desktop, OpenAI Platform
企业级：LangChain, LlamaIndex 框架
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（<1GB）：免费 ~ $10/月
中等项目：$50-200/月
大规模应用：需要自托管（一次性服务器成本）
与其他技术的关系
和微调的区别
和 Agents 的关系
本章的位置
在学习路线中：
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：
挑选一个你经常用的工具（比如编写报告）
收集这个任务需要的所有背景信息
尝试用 Claude 或 ChatGPT 的“对话上下文”功能
观察效果有没有提升
如果你想更深入：
学习向量数据库的基本原理
用 Pinecone 或 Weaviate 搭建一个小的 RAG 系统
用自己的数据测试，看效果如何
如果你想成为专家：
学习 MCP 协议
尝试集成外部系统（Google Calendar, Gmail 等）
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。
最后更新于