# 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：Pinecone, Weaviate, Milvus（免费开源）
   * 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（<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

```
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：你的数据量很大（>100K例子）

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：你的数据量中等（1K-100K例子）

建议：先试上下文工程，真的需要时再考虑微调
```

## 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)。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://yeasy.gitbook.io/ai_beginner_guide/di-san-bu-fen-shi-zhan-ying-yong-ji-qiao/12_prompt_advanced/summary.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.