提示词原理
基于大语言模型工作机制，揭示提示词引导模型输出的底层逻辑
- 编写提示词的 6 种常用方法
- 示例法：借具体示例让模型掌握输出格式与风格
- 指令法：清晰下达任务指令，如 “总结要点”
- 角色设定法：赋予模型特定身份，如 “资深律师分析案件”
- 限制条件法：设定输出的字数、格式等，如 “100 字内回答”
- 分解任务法：拆分复杂任务为子任务，分步引导输出
- 引导词法：用 “首先”“其次” 等使输出更具条理性
- 结构化提示词方法论
- 解析 Prompt Engineering 核心概念及对模型输出的重要性
- 构建层次清晰的提示词结构，含系统提示与用户输入提示的组合策略
- 不同结构对输出的影响及按需调整的技巧
- 提示词分类
- 系统提示词：定义模型基本行为、角色和任务范围，如 “智能客服解答产品功能问题”
- 自定义提示词：结合业务场景定制，如电商场景 “推荐夏季女装”
- 用户输入提示词：用户临时指令或问题，模型实时响应，如 “查询产品价格”
AI Agent 基本概念
按应用场景（家庭服务、工业控制等）和智能程度（弱 / 强智能体）分类
明确智能体定义，区分于传统软件、普通机器人的核心差异
第二部分：AI 智能体设计方法与实践（全书 80%）
- 智能体工作原理与设计模式
- 拆解从感知环境、处理信息到决策执行的完整流程
- 对比反应式（快速响应）、慎思式（深度推理）、混合式（平衡效率与精度）设计模式及适用场景
- 智能体关键环节
- 输入处理
- 多元感知：传感器数据、文本、图像等信息采集方式
- 数据预处理：清洗、降噪、格式转换等关键步骤
- 理解与分析
- 自然语言处理、计算机视觉等技术在信息理解中的应用
- 知识图谱助力上下文关联与深度分析
- 决策制定
- 规则式决策：IF\-THEN 规则集的构建与实践
- 机器学习决策：决策树、神经网络等模型的训练与应用
- 强化学习决策：动态环境下的试错优化策略
- 行动执行
- 外部交互接口：API、物理执行器等实现路径
- 行动监控与异常反馈机制，保障执行效果
- 反馈与学习
- 用户评价、环境变化等反馈信息的收集渠道
- 在线学习、迁移学习等模型迭代方法
- 主流 Agent 设计平台
- OpenAI（GPT\-4 API）：高定制深度，适合技术型开发者，多行业适配
- Google Vertex AI：强模型训练能力，中等开发门槛，适配医疗、金融领域
- Microsoft Azure AI：微软生态集成优势，低门槛，适合企业级办公场景
- LangChain（开源）：社区支持丰富，灵活度高，适配科研与创业项目
- 设计 Agent 的关键组件
- 提示词：场景化优化技巧，引导精准输出
- 插件：功能扩展工具（如天气查询、翻译）的集成逻辑
- 知识库：结构化（数据库）、非结构化（文本）知识的构建与检索
- 记忆系统：短期交互记忆与长期经验记忆的管理策略
- 工作流：业务流程拆解与自动化执行设计
- 单 Agent 设计方法
- 架构要点：模型选型、工具集成、指令体系搭建
- 案例：个人助手（日程管理 \+ 信息检索）、文件处理（格式转换 \+ 内容提取）
- 优劣势：高效处理单一任务，但复杂场景能力有限
- 多 Agent 设计方法
- 架构：集中式（统一调度）、分布式（自主协同）的适用场景
- 通信机制：消息传递、共享内存等交互方式对比
- 协同策略：博弈论冲突解决、任务分工算法
- 案例：智能交通系统中多车辆 Agent 的协同避障与路线规划
- Agent 的局限性与应对策略
- 局限性：模型幻觉（知识偏差）、未知场景适应性弱、推理深度有限
- 应对策略：外部知识校验、集成学习增强推理、持续预训练优化适应性
- 实际案例
- 医疗领域：疾病诊断 Agent（基于 Vertex AI，融合病历与影像分析，采用混合式决策）
- 教育领域：智能辅导系统（Azure 平台，个性化学习路径生成，依赖记忆系统与反馈机制）
- 金融领域：风险评估 Agent（LangChain 开发，多源数据建模，应用规则 \+ 机器学习双决策层）
