2026-06-06 大模型提示词工程 拷问复盘

本轮概览

• 知识点：大模型提示词工程
• 模块：5. AI Agent 架构
• 分数：83/100
• 是否过关：是
• 来源卡片：[[大模型提示词工程]]

第 1 题

题目： 你怎么向面试官解释“大模型提示词工程”到底是什么？它主要解决哪些工程问题？

你的回答： 大模型提示词工程是通过高质量的提示词获得高质量回答的工程规范，主要解决大模型输出不够稳定、不够可靠的问题。

缺失点： 还可以补上 Role / Task / Context / Format 四要素，以及“让输出更可解析、让工具调用更受控”。

推荐答案： 提示词工程是把人的业务意图转换成模型更容易稳定执行的输入协议，明确角色、任务、上下文、输出格式和边界条件，目标是让模型在有限上下文里更稳定、更可解析、更符合业务约束。

项目口径： 在苍穹外卖 AI 客服里，提示词不是简单角色设定，而是 Agent 调度链路中的行为约束层，用来约束意图识别、槽位抽取、工具调用和最终客服话术的结构化输出。

第 2 题

题目： 在一个生产级 AI Agent 里，Prompt Engineering 和 Context Engineering 有什么区别？为什么不能只靠“把提示词写好”来保证效果？

你的回答： Prompt Engineering 主要聚焦于大模型如何处理信息，Context Engineering 不仅包含模型如何处理信息，还要考虑给模型什么信息、如何给更合适的信息，做到不冗余、正确等。不能只靠写好指令，因为写好指令不能解决上下文污染、上下文窗口不足等问题。

缺失点： 可以更明确说一句：Prompt 是“指令层”，Context 是“供给层”。

推荐答案： Prompt Engineering 解决“怎么指挥模型”，Context Engineering 解决“给模型什么材料、什么时候给、给多少”。生产级 Agent 不能只靠提示词，因为检索噪声、历史膨胀、工具过载、上下文窗口不足和 prompt injection 都需要上下文过滤、权限控制、检索治理和代码兜底。

项目口径： 在苍穹外卖 AI 客服里，可以通过 Spring AI Advisor 链分层注入用户上下文、短期记忆、RAG 检索结果、工具白名单和安全兜底，而不是把全部历史、全部工具和全部规则一次性塞进 prompt。

第 3 题

题目： 如果你的“苍穹外卖 AI 客服 Agent”允许模型调用订单查询、售后、FAQ 检索等工具，你会怎么设计工具调用相关的 Prompt？同时，哪些风险不能只靠 Prompt 解决？

你的回答： 工具调用的 Prompt 只把工具元信息放入，做到按需加载、渐进式披露，同时做好工具调用权限管理。大模型只是表达调用工具的意图，真正的工具是否可用、工具怎么用在代码层决定。对于提示词注入和越狱风险，以及售后退款这类高风险操作，不能只靠一句 Prompt 解决，要在代码层做好权限校验、状态机查询等操作。

缺失点： 可以补上工具 Prompt 本身要写清“何时调用、参数含义、失败语义、是否补问、多工具顺序、禁止重复无效调用”。

推荐答案： 工具调用 Prompt 要定义每个工具的适用场景、必填参数、失败处理、补问条件和调用顺序，同时工具白名单、参数校验、重复调用熔断、退款资格校验、状态机约束、审计日志必须放在代码层。Prompt 只能约束倾向，不能替代系统权限。

项目口径： 在苍穹外卖 AI 客服里，模型负责生成工具调用意图，Java 端负责 schema 校验、权限判断、订单状态查询和熔断控制。比如退款前不能只相信模型判断，而要由代码检查订单状态、支付状态、售后规则和用户权限。

下次复习动作

• 用一句话背熟：Prompt 是指令层，Context 是供给层。
• 复述工具调用 Prompt 的 6 个要素：调用时机、参数含义、失败语义、补问条件、多工具顺序、禁止重复无效调用。
• 项目表达里主动带出 Advisor 链 + 工具白名单 + schema 校验 + SafeToolCallAdvisor 熔断。