08/31/2025

使用AI工具生成“prompt”；

搭建Midjourney，OpenArt，Kling，ElevenLabs工作流（Midjourney&Kling视觉创意，ElevenLabs 声音表现，Openarts 视觉优化风格统一）；

使用Nano Banana；

P5js完成一个章节；

TD完成一个案例学习；

UE5完成一个蓝图编译；

提示词，提示词工程，上下文，上下文工程

用户发给AI的话叫做“提示词Prompt”

system prompt（系统提示词）用户通常无法直接修改

Customize ChatGPT中“what traits should ChatGPT have”可以间接影响系统提示词，从而影响CHATGPT的输出内容。

user prompt（用户提示词）我说“你好”

将两种提示词组合，引导AI。返回特定风格回复的做法叫提示词工程（Prompt Engineering）

Zero-Shot:只提具体要求，不给出参考案例给AI

Few-Shot: 给出例子，AI可以根据案例给出预期答案

思维链 Chain-of-Thought（CoT）：通过提示词逐步引导AI思考，

例如：1+2*3是多少，不要直接给出答案，拆解问题，给出中间结果。（大部分网站已经完整具备思维链，不需要用户手动输入额外提示词）

上文&上下文工程：

用户-AI agent-大语言模型

AI的记忆需要AI Agent或聊天机器人服务器，服务器保存对话记录，当用户反复对话时，AI Agent将包含所有会话的历史记录发送给大语言模型，从而大预言模型拥有记忆。

管理和修改历史记录的技巧则是上下文工程Context Engineering。

AI Agent 有一套工具箱，内置有例如网页浏览功能等，当用户输入user prompt给AI Agent时，聊天机器人将能使用的工具以及User的问题发送给大语言模型。

大语言模型收到信息后使用toolcall:浏览网页 google.com/用户问题

于是在聊天机器人储存的上下文历史记录中出现了：

user：问题

toolcall：浏览网页google.com/问题

toolresponse：

对于复杂的问题这种tool的请求和回复可能会重复几十次甚至上百次，在过程中AI很可能忘记问题本身，因为用户给出的Prompt只有最初的问题，因此如何设计一套自动管理和修改上下文的系统，确保AI在搜索过程中始终符合用户最初要求，是上下文工程需要解决的核心问题。

解决方案一：指导AI记笔记：system prompt

1.分解任务2.写任务清单3.按清单执行4.更新笔记5.同时记录搜索结果（方便总结提炼关键信息）

解决方案二：只保留新的消息而舍弃老的信息/压缩信息

toolresponse可能会过长，类似论文等超长内容，这样的内容会被AI Agent储存至向量数据库，toolresponse数据用query_doc工具查询，这样大语言模型只需要查找感兴趣的片段即可。

新建html文件，打开VS code save as html文件

1. 打开 VS Code。
2. 新建一个文件（File → New File）。
3. 输入代码。
4. 保存的时候命名为 index.html。
5. 用浏览器打开

P5JS