从提示词工程到Agent Skill：AI开发者的技术演进指南

1次阅读

没有评论

共计 2481 个字符，预计需要花费 7 分钟才能阅读完成。

刚开始接触 AI 开发时，很多同学和我一样，以为只要写好提示词（Prompt）就能让模型乖乖干活。但实际用起来才发现，纯 Prompt 方案至少有三个致命伤：

输出不稳定 ：同样的 Prompt，不同时间调用可能得到完全不同的结果，就像抽盲盒
缺乏上下文记忆 ：模型每次回复都像第一次聊天，完全不记得之前的对话
功能单一 ：无法整合外部工具（比如查数据库、调 API），只能做文本生成

记得我第一次尝试用 GPT 写周报时，明明给了固定模板，但生成的内容忽长忽短，有时还会漏掉关键事项。这就是典型的 Prompt 工程局限性——缺乏确定性和扩展性。

最早的解决方案是优化 Prompt 设计，典型技巧包括：

Few-shot Learning：在 Prompt 中提供输入输出示例
Chain-of-Thought：要求模型展示推理过程

比如想让 AI 解数学题时，可以这样写 Prompt：

 请逐步解答以下问题：Q: 小明有 5 个苹果，吃掉 2 个后妈妈又买了 4 个，现在有多少苹果？A: 首先计算吃掉后的数量：5 - 2 = 3
然后加上新买的：3 + 4 = 7
最终答案是 7

现在请解答：Q: 书包里有 12 本书...

但这种方案仍依赖模型的理解能力，复杂任务时容易出错。

当 OpenAI 推出 Function Calling 功能后，游戏规则彻底改变。现在我们可以：

定义外部工具（如查询天气、计算器）
让模型自主决定何时调用工具

示例代码（Python）：

from openai import OpenAI

client = OpenAI()

tools = [{
    "type": "function",
    "function": {
        "name": "get_weather",
        "description": "获取指定城市的天气",
        "parameters": {"city": {"type": "string"}
        }
    }
}]

response = client.chat.completions.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": "上海今天天气怎么样？"}],
    tools=tools
)

# 模型会返回工具调用请求
print(response.choices[0].message.tool_calls)

通过 Conversation Memory 技术，AI 终于能记住聊天历史了。常用方案：

短期记忆 ：保存最近 N 轮对话
长期记忆 ：用向量数据库存储关键信息

LangChain 的 ConversationBufferWindowMemory 示例：

from langchain.memory import ConversationBufferWindowMemory

memory = ConversationBufferWindowMemory(k=3)  # 记住最近 3 轮
memory.save_context({"input": "我叫张三"}, 
    {"output": "你好张三！"}
)

print(memory.load_memory_variables({}))
# 输出: {'history': 'Human: 我叫张三 \nAI: 你好张三！'}

当单个 Agent 搞不定时，可以组建 Agent 团队（Swarms）。比如：

分析师 Agent：负责数据查询
撰稿人 Agent：负责内容生成
审核 Agent：负责质量检查

用 LangChain 实现一个能查天气、做行程建议的 Agent：

from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 定义工具（模拟天气查询）def get_weather(city: str):
    return f"{city} 天气：25℃，晴天"

tools = [{
    "name": "get_weather",
    "description": "查询城市天气",
    "parameters": {"city": {"type": "string"}
    }
}]

# 构建 Agent
prompt = ChatPromptTemplate.from_template("你是一个旅行助手，根据天气为用户建议行程。用户输入：{input}"
)
llm = ChatOpenAI(model="gpt-3.5-turbo")
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 执行
result = agent_executor.invoke({"input": "我明天要去北京，应该怎么安排？"})
print(result["output"])

运行后你会看到 Agent 自动执行了这些步骤：
1. 调用 get_weather 查询北京天气
2. 根据天气生成行程建议