上下文工程 vs. 提示工程：如何用 RAG 与代理构建更智能的 AI 系统

从失败案例看工程差异

当用户要求 AI 代理 Graeme "预订下月 DevOps 会议的巴黎酒店"时，代理错误选择了美国肯塔基州的巴黎市酒店。这暴露出两大问题：

• 提示工程缺陷：未明确指定"法国巴黎"的地理位置
• 上下文工程缺失：代理未调用日历工具或会议数据库验证地点

后续当代理预订了 900 欧元/晚的丽兹酒店时，问题根源转为上下文缺失——未接入公司差旅政策（如最高报销限额的 JSON 文件）。这揭示了核心区别：提示工程优化指令，上下文工程构建决策环境。

提示工程：四大关键技术解析

提示工程通过结构化输入控制 LLM 输出，关键方法包括：

上下文工程：构建智能代理的四大支柱

上下文工程通过程序化整合资源，为 LLM 提供动态决策环境：

动态提示是上下文工程的关键组成：基础指令（如"分析安防日志异常"）在运行时注入实时数据（近期警报/误报记录），使最终提示包含 80% 动态内容。

协同效应：系统级优化的价值

当 Agent Graeme 整合上下文工程组件后：

• 通过 RAG 检索差旅政策限定预算
• 调用工具验证会议地点（巴黎，法国）
• 结合动态提示生成合规预订方案