大家好，我是晚安code。

假设重构一个模块，聊到第    轮。它突然开始无视你最开始的约束——“数据库表结构不能动”。说起来，翻回去看，最初那轮对话早被挤到十万八千里外它“看得见”。但已经“记不住”了，

这问题不在、上下文、上下文工程。一层层拆开，再聊聊怎么让 AI 自己记笔记、把上下文变短。天天用 AI 写代码、写文案、做分析的朋友，都值得读完。

先花    秒点个收藏，上下班路上看。

：AI 只回答你发给它的那一段话

提示词就是使用者发给 AI 的那段话。也是 AI 和使用者之间的唯一通道——AI 的每一次回答，只依赖它这一次收到的内容。

提示词 ：使用者发给 AI 的一段输入文本，是 AI 唯一能“听见”声音。你可以把它理解成递给 AI 的一张纸条，纸条上写什么它就只能回什么。

• 程序提示词 ：后台预设全局指令，规定 AI 的身份、风格与边界。你打开对话框看不到它，但它一直在背后压着 AI 行为。
• User Prompt ：每次敲进对话框的话，是具体任务指令。

举个客服机器人的例子：程序提示词写着“你是 xx 官方客服。语气亲切，只回答产品问题”；你发的“今天能发货吗”就是 User Prompt。一个管“你是谁怎么说”，一个管“今天办什么事”。

很多朋友觉得自己在“聊天”。其实每次发出去的是封信，信里除了你的新问题，还装着前面所有的话。这个细节是理解全文关键，先记住它。

常见痛点的观点是，

• 约束忘却——一次性难以携带所有规则；其实，解决思路：将主要规则提炼成简洁程序指令。
• 信息冗余——历史太长导致模型注意力分散；解决思路：挑选关键信息加入当前 prompt；删掉无关旧记录，
• 指令冲突——程序和 User Prompt 有时互相矛盾；解决思路：统一语境定义并提前校验冲突。

二、：用技巧让 AI 回答更准

Prompt Engineering 是解决 “怎么问” 的方法论。通过设计技巧，把 AI 的行为约束到想要方向，从而得到更精准答案。

主要技巧：

1. Zero‑Shot– 只提要求，不给例子；适合答案明确的问题，例如：“把这段文字翻译成英文”。
2. Few‑Shot– 先给几个输入‑输出示例，让模型照搬； 适用于特定格式输出，如分类题目。

   
   把下面每个句子分类为正面或负面：
   示例 ：这个产品太好用了 → 正面
   示例 ：客服半天不回消息 → 负面
   说到现在请分类，新版本更新后软件一直闪退
   

3. Chain‑of‑Thought– 让模型自己分解问题并展示推理过程；经典触发语 “Let’s think step by step”。

可能有人会问：*Few‑Shot 给越多例子越好吗？*不是，Anthropic 的经验是 “典型比更好边缘” ——覆盖主流场景即可，无需堆叠罕见 corner case。

至于说明。Prompt Engineering 能控制单句回复，却无法保证几十轮后仍遵循初心。话说回来，若想长期追踪，需要更底层视角 —— 看模型到底是否真的记住了东西。

三、AI 没有记忆：你看到的「记忆」是每次重新发出的上下文

M 大模型无状态。每次推理都独立计算，不保存任何状态。其实，感受到「一直在聊」其实是应用层维护完整历史并在每请求中重新拼接而来这也是为何一样一句对话。在不同时间往往产生不同回应的原因之一之一。

Context: 某一次请求里包含的一切 token——程序指令 + 聊天历史 + 工具定义 + 检索资料等，总和即为当前可见信息区。

因为此窗口有限，每轮都必须再发送完整历史。所以：

• ‪按 token计费，成本呈指数增长；

‪

• ‪长对话速度慢且昂贵；

• ‪逼近窗口上限时直接报错；

当窗口越大时相反主厨越难找到所需调料！
**注** – 大小不是无限 而是在预算内挑选最关键的信息放进去，否则会出现 Context Rot 或 Lost-in--Middle 等现象。

---

TIPS – 如何让模型真正「记住」？

①结构化笔记 – 给模型自己的外部存储

将关键状态写进持久化文件，随后按需读取。这种方式比压缩更可靠，因为磁盘存储不会随会话重置而消失。

②压缩 – 减少历史占用

当接近窗口极限时让模型前期谈判为摘要，接下来仅保留摘要加最近内容继续对话。但要注意压缩前已将关键决策记录至笔记，以防丢失细节。

③子智能体 – 划分工作区域

专门派出小型子智能体去完成深度搜索或复杂运算。只将最终结论返回主线程，从而保持主窗口干净且高效。

---

小结

Prompt Engineering 已经从过去单纯改造单句回答演进到如今整体流程控制，但真正决定效果的是 *AI 看到了什么* 而非 *我们说了什么*。怎么说呢，学会让 AI 做笔记，主动压缩长文本。还有利用子智能体分担繁重工作，比背诵百条模板更能提高长期稳定性与成本效益。如果想请阅读 Anthropic 官方《Effective Context Engineering for AI Agents》还有 Claude 官方会话管理教程。我叫晚安code，会持续分享编程干货。如果觉得有用，请点赞收藏并关注~欢迎评论区交流：
• 在使用过程中。你遇到过哪些「聊天途中忘却需求」的问题？
• 实战中的上下文管理小技巧？

💬👇