提示工程架构师 vs 初级工程师：Agentic AI提示的核心技能差距！

一、引言：为什么Agentic AI提示工程是未来的核心能力？

钩子：你是否遇到过这样的困惑？

作为初级工程师，你可能有过这样的经历：

• 让AI写一篇Python教程，结果它输出了一堆高级语法，完全不适合新手；
• 让AI帮你分析用户数据，它却返回了“无法处理复杂计算”的错误；
• 让AI做旅游规划，它要么遗漏了关键信息（比如天气），要么给出的建议不符合你的预算。

而你的同事——一位提示工程架构师，却能让AI像得力助手一样工作：

• 它会先问你“教程的目标读者是谁？需要覆盖哪些知识点？”；
• 它会自动调用Excel工具计算数据，并生成可视化图表；
• 它会帮你查天气、订酒店、推荐景点，还会问你“是否需要调整行程？”。

为什么同样是用AI，效果却天差地别？答案藏在“Agentic AI提示工程”的能力差距里。

定义问题：Agentic AI时代，提示工程的复杂度飙升

随着ChatGPT、Claude等大模型的普及，AI正在从“单轮问答工具”进化为“Agentic AI”（具有代理能力的AI）——它能像人类一样自主决策、多轮对话、调用工具、处理复杂任务。比如：

• 自动帮你写代码并调试（调用IDE工具）；
• 帮你做市场调研（调用搜索引擎、分析数据）；
• 甚至帮你管理项目（跟进进度、提醒 deadlines）。

但Agentic AI的“自主性”也带来了新挑战：如果没有正确的提示引导，它可能会“乱做事”——比如调用错误的工具、忽略关键约束、甚至生成有害内容。此时，提示工程不再是“写个问题”那么简单，而是“设计AI的工作方式”。

亮明观点：从“用AI”到“设计AI”，这是初级与架构师的本质差距

本文将对比初级工程师与提示工程架构师在Agentic AI提示设计中的核心技能差距，帮你理解：

• 初级工程师：如何从“被动使用AI”转向“主动引导AI”？
• 架构师：如何用提示工程让AI成为“可信赖的代理”？
• 你需要掌握哪些技能，才能从“初级”晋级为“架构师”？

二、基础知识：Agentic AI与传统AI的本质区别

在深入对比前，我们需要先明确两个关键概念：传统AI与Agentic AI。

1. 传统AI：单轮、被动、依赖预设

传统AI（比如早期的ChatGPT、客服机器人）的核心特征是：

• 单轮交互：用户问一个问题，AI答一个问题，没有上下文记忆；
• 被动响应：AI只能根据用户的输入生成输出，无法主动发起行动；
• 依赖预设：只能处理预先定义好的任务（比如“翻译句子”“生成摘要”），无法应对复杂、开放的任务。

比如，当你问传统AI：“帮我写一篇关于Python的博客”，它可能会直接输出一篇泛泛而谈的文章，但不会问你“目标读者是谁？”“需要覆盖哪些知识点？”。

2. Agentic AI：多轮、主动、自主决策

Agentic AI（比如LangChain、AutoGPT、ChatGPT Plugins）的核心特征是：

• 多轮交互：能记住上下文（比如“之前用户说过目标读者是新手”），并根据上下文调整回答；
• 主动行动：能主动发起提问（比如“你需要我帮你查天气吗？”）、调用工具（比如“我需要用计算器算一下这个数据”）；
• 自主决策：能根据任务目标制定计划（比如“先收集用户需求→再调用工具获取信息→最后生成方案”），并处理过程中的错误（比如“工具调用失败，换一个工具试试”）。

比如，当你让Agentic AI“帮我规划北京三日游”，它会：

• 先问你：“你的预算是多少？想去哪些景点？”（主动收集信息）；
• 然后调用天气API查北京未来三天的天气（主动调用工具）；
• 再根据你的预算和天气，推荐酒店、景点、行程（自主决策）；
• 最后问你：“这个行程符合你的需求吗？需要调整吗？”（多轮交互）。

3. 提示工程在Agentic AI中的作用：引导“思考-行动”循环

Agentic AI的核心是“思考-行动-反馈”循环（如下图）：

用户需求 → AI思考（What to do?）→ AI行动（Do it!）→ 获取结果 → 反馈调整 → 最终输出

而提示工程的作用，就是引导这个循环的每一个环节：

• 引导“思考”：让AI明确“我需要解决什么问题？”“我有哪些资源？”；
• 引导“行动”：让AI知道“应该调用哪些工具？”“如何调用？”；
• 引导“反馈”：让AI学会“如何处理错误？”“如何根据结果调整计划？”。

比如，架构师设计的提示可能是：

“你是一个旅游规划师，需要帮用户规划北京三日游。步骤如下：

1. 先问用户：‘你的预算是多少？想去哪些景点？有什么饮食偏好？’（收集需求）；
2. 调用天气API获取北京未来三天的天气（获取信息）；
3. 根据用户需求和天气，推荐酒店（价格符合预算）、景点（避开雨天）、行程（每天不超过8小时）；
4. 生成行程表后，问用户：‘是否需要调整？’（反馈调整）。
   注意：如果调用工具失败，要重新尝试或换一个工具；如果用户的需求不明确，要进一步追问。”

而初级工程师的提示可能是：“帮我规划北京三日游”（没有引导思考和行动的步骤）。

三、核心差距：从“用AI”到“设计AI的工作方式”

接下来，我们将从5个核心维度对比初级工程师与架构师的技能差距，每个维度都用真实案例说明。

维度1：对AI能力的认知——初级是“工具化”，架构师是“能力边界”

初级工程师：认为AI“无所不能”或“一无是处”

初级工程师对AI的认知往往停留在“工具化”层面：

• 要么高估AI的能力：认为AI能解决所有问题（比如让AI“帮我写一个复杂的分布式系统架构”，结果AI生成的架构漏洞百出）；
• 要么低估AI的能力：认为AI只能做简单任务（比如“AI连基本的数学计算都做不好，没用”）；
• 不知道AI的能力边界：比如不知道AI的“上下文窗口限制”（比如ChatGPT 3.5的上下文是4k tokens，超过会遗忘）、“逻辑推理局限性”（比如复杂的数学证明需要调用工具）。

案例：初级工程师让AI“帮我计算123456789×987654321”，结果AI直接输出了一个错误的结果（因为大模型不擅长精确计算）。初级工程师可能会抱怨：“AI连这么简单的计算都做不好！”

架构师：准确判断AI“能做什么”“不能做什么”

提示工程架构师对AI的认知是“能力边界清晰”：

• 知道AI的优势：比如自然语言理解、创意生成、多轮对话；
• 知道AI的局限性：比如精确计算、实时数据、复杂逻辑推理；
• 能根据AI的能力边界设计提示：让AI做它擅长的事，把不擅长的事交给工具。

案例：架构师让AI“帮我计算123456789×987654321”，会设计这样的提示：

“你需要帮用户计算123456789×987654321。首先，你要判断这个任务是否需要调用工具：

• 如果你能直接计算，请输出结果；
• 如果你不能直接计算，请调用计算器工具（使用calc(expression)函数）。
  注意：计算结果要精确，不要有误差。”

此时，AI会正确调用计算器工具，输出准确的结果（121932631112635269）。

维度2：上下文管理——初级是“单轮思维”，架构师是“多轮闭环”

初级工程师：忽略上下文，导致AI“遗忘”

初级工程师在设计提示时，往往没有考虑上下文的连贯性：

• 要么“一次性把所有需求说完”，导致AI无法处理复杂的上下文（比如“帮我写一篇关于Python的博客，目标读者是新手，需要覆盖列表操作、字典操作，还要有实战案例”）；
• 要么“没有保留上下文”，导致AI在多轮对话中遗忘之前的信息（比如“之前说过目标读者是新手，现在又让AI写高级内容”）。

案例：初级工程师与AI的对话：

用户：“帮我写一篇关于Python的博客，目标读者是新手。”
AI：“好的，我会写一篇面向新手的Python博客，覆盖基础语法、列表操作、函数等内容。”
用户：“需要加一个实战案例，比如用列表管理学生成绩。”
AI：“好的，我会加一个实战案例，比如用列表管理学生成绩。”
用户：“案例要包含计算平均分的功能。”
AI：“好的，我会加计算平均分的功能。”

结果，AI生成的博客可能会遗漏“目标读者是新手”的要求，用了很多高级语法，或者案例中的代码过于复杂。

架构师：用“上下文锚点”让AI“记住”关键信息

提示工程架构师会用**“上下文锚点”**（Context Anchors）来管理多轮对话的上下文：

• 明确核心约束：在提示中强调“必须遵守的规则”（比如“始终记住目标读者是新手，语言要通俗易懂”）；
• 分段处理任务：把复杂任务拆分成“步骤”，每一步都保留上下文（比如“第一步：收集用户需求；第二步：生成大纲；第三步：写内容”）；
• 用变量保存上下文：在多轮对话中，用变量保存关键信息（比如“用户预算=5000元”“用户想去的景点=故宫、长城”）。

案例：架构师与AI的对话：

用户：“帮我写一篇关于Python的博客，目标读者是新手。”
AI：“好的，我需要先明确几个问题：

1. 你想覆盖哪些具体的知识点？（比如列表、字典、函数）
2. 你需要包含实战案例吗？如果需要，案例的主题是什么？
3. 你希望博客的结构是怎样的？（比如引言→知识点→案例→总结）”
   用户：“覆盖列表操作，需要实战案例（用列表管理学生成绩），结构是引言→列表基本操作→案例→总结。”
   AI：“好的，我会按照以下步骤写博客：
4. 引言：用‘整理购物清单’的场景引出列表的用途（符合新手认知）；
5. 列表基本操作：讲解创建、添加、删除、切片（每部分配简单代码示例）；
6. 实战案例：用列表管理学生成绩（包含输入成绩、计算平均分、输出结果的代码）；
7. 总结：总结列表的重要性，建议下一步学习方向（比如字典操作）。
   需要我先拟一个大纲吗？”

结果，AI生成的博客会严格遵守“目标读者是新手”的要求，结构清晰，案例简单易懂。

维度3：工具调用策略——初级是“乱用药”，架构师是“精准调用”

初级工程师：不知道“用什么工具”或“怎么用工具”

初级工程师在设计提示时，往往没有考虑工具调用的策略：

• 要么“不知道需要调用工具”（比如让AI“帮我查今天北京的天气”，结果AI说“我没有实时数据”）；
• 要么“乱调用工具”（比如让AI“帮我写一篇关于Python的博客”，结果AI调用了计算器工具）；
• 要么“没有说明工具的使用方式”（比如“调用天气API”，但没有告诉AI“如何调用”“需要哪些参数”）。

案例：初级工程师让AI“帮我查今天北京的天气”，提示是：“帮我查今天北京的天气。”
结果，AI回复：“对不起，我没有实时天气数据，无法帮你查询。”

架构师：用“工具调用规则”让AI“正确使用工具”

提示工程架构师会用**“工具调用规则”**（Tool Calling Rules）来引导AI正确调用工具：

• 明确工具的用途：告诉AI“什么时候需要调用工具”（比如“当需要实时数据时，调用天气API”）；
• 说明工具的使用方式：告诉AI“如何调用工具”（比如“使用weather(city)函数，参数是城市名称”）；
• 处理工具的输出：告诉AI“如何处理工具的返回结果”（比如“将天气数据转换成自然语言，告诉用户”）。

案例：架构师让AI“帮我查今天北京的天气”，提示是：

“你需要帮用户查今天北京的天气。步骤如下：

1. 判断是否需要调用工具：由于天气是实时数据，你无法直接获取，必须调用工具；
2. 调用工具：使用weather(city="北京")函数，获取北京的实时天气数据；
3. 处理结果：将工具返回的JSON数据转换成自然语言（比如“今天北京的天气是晴，气温25℃-32℃”）；
4. 输出结果：用友好的语言告诉用户，并询问是否需要进一步帮助（比如“需要我帮你推荐今天的穿搭吗？”）。
   注意：如果工具调用失败（比如网络错误），要告诉用户“暂时无法获取天气数据，请稍后再试”。”

结果，AI会正确调用天气API，返回准确的天气信息，并主动询问用户是否需要进一步帮助。

维度3补充：工具调用的“精准性”——架构师如何避免“过度调用”？

初级工程师可能会“过度调用工具”（比如“让AI做每一件事都调用工具”），而架构师会“按需调用”：

• 比如，当用户问“1+1等于多少？”，架构师不会让AI调用计算器（因为AI能直接回答）；
• 当用户问“123456789×987654321等于多少？”，架构师会让AI调用计算器（因为AI不擅长精确计算）。

维度4：错误处理与迭代——初级是“被动接受”，架构师是“主动设计”

初级工程师：遇到错误就“崩溃”，不知道如何调整

初级工程师在设计提示时，往往没有考虑错误处理：

• 要么“没有容错机制”，导致AI在遇到错误时无法继续（比如“工具调用失败，AI直接停止工作”）；
• 要么“不知道如何调整提示”，导致同样的错误重复发生（比如“AI生成的代码有语法错误，初级工程师只会说‘再改改’，而不会告诉AI‘检查语法错误’”）。

案例：初级工程师让AI“帮我写一个Python函数，计算列表的平均分”，结果AI生成的代码有语法错误：

AI：“def calculate_average(list):
sum = 0
for item in list:
sum += item
average = sum / len(list)
return average”

初级工程师：“代码有语法错误，再改改。”
AI：“def calculate_average(lst):

sum = 0  
for item in lst:  
    sum += item  
average = sum / len(lst)  
return average”  

结果，AI可能还是会犯同样的错误（比如用list作为变量名，这是Python的关键字），或者改了一个错误又出现另一个错误。

架构师：用“错误处理流程”让AI“自我修复”

提示工程架构师会用**“错误处理流程”**（Error Handling Flow）来引导AI处理错误：

• 预判可能的错误：在提示中列出“可能遇到的错误”（比如“代码有语法错误”“工具调用失败”“结果不符合需求”）；
• 指定修复步骤：告诉AI“遇到错误时应该怎么做”（比如“检查语法错误→修改代码→重新运行”）；
• 要求反馈结果：让AI“报告错误原因”和“修复结果”（比如“代码中的list是关键字，已改为lst，现在可以正常运行”）。

案例：架构师让AI“帮我写一个Python函数，计算列表的平均分”，提示是：

“你需要写一个Python函数，计算列表的平均分。要求：

1. 函数名：calculate_average；
2. 参数：lst（包含数字的列表）；
3. 返回值：平均分（浮点数）；
4. 错误处理：如果列表为空，返回None；如果列表中的元素不是数字，抛出TypeError。
   步骤：
5. 写函数代码；
6. 检查代码中的语法错误（比如关键字使用、缩进错误）；
7. 检查逻辑错误（比如是否处理了空列表的情况）；
8. 测试代码（比如用lst = [1,2,3,4,5]测试，预期返回3.0）；
9. 如果测试通过，输出代码；如果测试不通过，修改代码并重新测试。”

结果，AI生成的代码会包含错误处理逻辑，并且会自己测试代码：

AI：“def calculate_average(lst):
if not lst:
return None
for item in lst:
if not isinstance(item, (int, float)):
raise TypeError(“列表中的元素必须是数字”)
return sum(lst) / len(lst)
测试：用lst = [1,2,3,4,5]测试，返回3.0，符合预期。”

维度5：系统思维与抽象——初级是“解决具体问题”，架构师是“设计解决问题的系统”

初级工程师：“头痛医头，脚痛医脚”，无法处理复杂任务

初级工程师在设计提示时，往往“聚焦于具体任务”（比如“帮我写一篇博客”“帮我算一个数据”），而没有考虑任务的系统性：

• 要么“没有拆分任务”，导致AI无法处理复杂的任务（比如“帮我做一个市场调研，包括行业分析、竞争对手分析、用户调研”）；
• 要么“没有整合任务”，导致AI生成的结果碎片化（比如“行业分析写得很好，但竞争对手分析遗漏了关键信息”）。

案例：初级工程师让AI“帮我做一个市场调研，主题是‘Python培训行业’”，结果AI生成的报告只有“行业规模”和“增长趋势”，遗漏了“竞争对手分析”和“用户需求”。

架构师：用“系统抽象”让AI“处理复杂任务”

提示工程架构师会用**“系统抽象”**（System Abstraction）来设计提示：

• 拆分任务：把复杂任务拆分成“子任务”（比如“市场调研=行业分析+竞争对手分析+用户调研”）；
• 定义子任务的输入输出：告诉AI“每个子任务需要什么输入，输出什么结果”（比如“行业分析需要输入‘行业报告、统计数据’，输出‘行业规模、增长趋势’”）；
• 整合子任务：告诉AI“如何将子任务的结果整合为最终报告”（比如“将行业分析、竞争对手分析、用户调研的结果整合为一份结构化的市场调研报告”）。

案例：架构师让AI“帮我做一个市场调研，主题是‘Python培训行业’”，提示是：

“你需要做一个关于Python培训行业的市场调研，步骤如下：
子任务1：行业分析

• 输入：行业报告（比如《2023年Python培训行业白皮书》）、统计数据（比如百度指数、艾瑞咨询数据）；
• 输出：行业规模（2023年市场规模）、增长趋势（未来5年增长率）、驱动因素（比如AI发展、企业需求）。
  子任务2：竞争对手分析
• 输入：竞争对手列表（比如传智播客、黑马程序员、Coursera）；
• 输出：竞争对手的优势（比如课程质量、师资力量）、劣势（比如价格、服务）、市场份额。
  子任务3：用户调研
• 输入：用户问卷（比如“你为什么学Python？”“你愿意支付的学费是多少？”）、访谈记录；
• 输出：用户需求（比如“想学习AI方向”“需要实战案例”）、用户痛点（比如“课程太贵”“内容太理论”）。
  整合结果：将三个子任务的结果整合为一份结构化的市场调研报告，包含：

1. 引言：调研背景与目标；
2. 行业分析：规模、增长趋势、驱动因素；
3. 竞争对手分析：优势、劣势、市场份额；
4. 用户调研：需求、痛点；
5. 结论与建议：行业机会、进入策略。
   注意：如果需要获取输入数据（比如行业报告、用户问卷），请告诉我，我会提供。”

结果，AI会按照步骤完成市场调研，生成一份结构化、全面的报告。

四、进阶实践：Agentic提示工程的最佳实践

通过以上对比，我们总结了提示工程架构师的5个核心技能：

1. 清晰认知AI的能力边界；
2. 用“上下文锚点”管理多轮对话；
3. 用“工具调用规则”精准调用工具；
4. 用“错误处理流程”让AI自我修复；
5. 用“系统抽象”设计复杂任务。

接下来，我们将分享Agentic提示工程的最佳实践，帮你快速提升技能。

最佳实践1：“以终为始”——先明确目标，再设计提示

核心原则：在设计提示前，先问自己：“我希望AI输出什么结果？”“为了得到这个结果，AI需要做哪些事？”

案例：如果你希望AI“帮你写一篇关于Python的博客，目标读者是新手”，你需要先明确：

• 结果：一篇“面向新手的Python博客”，包含“基础语法”“列表操作”“实战案例”；
• AI需要做的事：“收集用户需求→生成大纲→写内容→检查语法→调整语言”。

然后，你可以设计这样的提示：

“你是一个Python教程博主，需要写一篇面向新手的博客，主题是‘Python入门：从0到1学会列表操作’。目标：

1. 让新手理解列表的用途（比如“整理购物清单”“管理学生成绩”）；
2. 掌握列表的基本操作（创建、添加、删除、切片）；
3. 能完成一个实战案例（用列表管理学生成绩，计算平均分）。
   步骤：
4. 生成大纲：包含引言、列表基本操作、实战案例、总结；
5. 写引言：用“整理购物清单”的场景引出列表的用途；
6. 写列表基本操作：每部分配简单代码示例（比如lst = [1,2,3]）；
7. 写实战案例：包含输入成绩、计算平均分、输出结果的代码；
8. 检查内容：确保语言通俗易懂，没有高级语法；
9. 调整内容：根据检查结果修改，比如把“切片”的例子改得更简单。
   需要我提供更多信息吗？比如“实战案例的具体要求”。”

最佳实践2：“分层提示”——把复杂任务拆分成“高层指令+底层细节”

核心原则：将复杂任务拆分成“高层指令”（What to do?）和“底层细节”（How to do?），让AI既能理解目标，又能掌握步骤。

案例：如果你希望AI“帮你规划北京三日游”，你可以设计这样的分层提示：

• 高层指令：“帮我规划北京三日游，预算5000元，想去故宫、长城、颐和园。”
• 底层细节：“1. 每天的行程不超过8小时；2. 酒店选择地铁附近的快捷酒店；3. 包含早餐和晚餐的推荐；4. 避开雨天（如果有雨，调整行程）。”

然后，你可以把这些信息整合到提示中：

“你是一个旅游规划师，需要帮我规划北京三日游。要求：

• 预算：5000元（包含往返机票、酒店、门票、餐饮）；
• 想去的景点：故宫、长城、颐和园；
• 每天的行程不超过8小时；
• 酒店：选择地铁附近的快捷酒店（比如如家、汉庭）；
• 餐饮：推荐当地特色小吃（比如北京烤鸭、炸酱面）；
• 避开雨天（如果未来三天有雨，调整行程）。
  步骤：

1. 查北京未来三天的天气（调用天气API）；
2. 根据天气调整行程（比如雨天去故宫，晴天去长城）；
3. 选择酒店（符合预算和位置要求）；
4. 规划每天的行程（包含景点、交通、餐饮）；
5. 生成行程表（包含每天的时间安排、费用预估）；
6. 询问我是否需要调整（比如“是否需要增加其他景点？”）。”

最佳实践3：“反馈循环”——用用户反馈调整提示

核心原则：AI的输出不是“一次性的”，而是“可迭代的”。你需要根据用户的反馈，不断调整提示，让AI输出更符合需求的结果。

案例：如果你让AI“帮你写一篇关于Python的博客”，用户反馈“内容太简单，需要加一些高级技巧”，你可以调整提示：

“之前的博客内容太简单，需要加一些高级技巧，比如“列表推导式”“生成器表达式”。请修改内容，增加这些部分，并保持语言通俗易懂。”

常见陷阱：避免“过度指定”与“过度自由”

• 过度指定：给AI太多限制，导致AI无法发挥自主性（比如“帮我写一篇关于Python的博客，必须包含‘列表操作’‘字典操作’‘函数’，每部分必须有3个例子，每个例子必须有5行代码”）；
• 过度自由：给AI太少限制，导致AI输出不符合需求（比如“帮我写一篇关于Python的博客”，没有说明目标读者、主题、结构）。

平衡技巧：用“约束+弹性”的提示设计，比如“必须包含列表操作的例子（至少2个），但可以自由选择例子的主题（比如‘购物清单’‘学生成绩’）”。

五、结论：如何从“初级”晋级为“提示工程架构师”？

核心差距总结：从“用AI”到“设计AI”

• 初级工程师：被动使用AI，让AI“做什么”；
• 提示工程架构师：主动设计AI，让AI“如何做”。

具体来说，初级工程师与架构师的差距在于：

维度	初级工程师	提示工程架构师
对AI的认知	工具化，不知道能力边界	清晰认知能力边界，按需调用
上下文管理	单轮思维，忽略连贯性	多轮闭环，用“上下文锚点”管理
工具调用	乱用药，不知道怎么用	精准调用，用“工具调用规则”引导
错误处理	被动接受，不知道调整	主动设计，用“错误处理流程”修复
系统思维	解决具体问题，碎片化	设计系统，用“系统抽象”处理复杂任务

晋级路径：从“初级”到“架构师”的3个步骤

1. 学习AI的能力边界：阅读大模型的文档（比如OpenAI的《GPT-4 Technical Report》），了解AI的优势与局限性；
2. 练习多轮上下文管理：用LangChain、ChatGPT Plugins等工具，设计多轮对话的提示；
3. 培养系统思维：尝试设计复杂任务（比如“市场调研”“旅游规划”），用“系统抽象”拆分任务，引导AI完成。

行动号召：现在就开始设计你的第一个Agentic提示！

如果你想从“初级”晋级为“提示工程架构师”，现在就开始行动：

1. 选择一个你日常工作中的任务（比如“写文档”“数据分析”“项目规划”）；
2. 用本文学到的技巧，设计一个Agentic提示；
3. 用AI执行这个提示，观察输出结果；
4. 根据结果调整提示，重复迭代。

延伸学习资源

• 工具：LangChain（构建Agentic AI系统）、ChatGPT Plugins（调用工具）、AutoGPT（自主AI代理）；
• 文档：OpenAI的《Prompt Engineering Guide》、LangChain的《Documentation》；
• 书籍：《Prompt Engineering for Generative AI》（尚未出版，预计2024年）、《The Art of Prompt Design》。

最后：提示工程架构师不是“天生的”，而是“练出来的”。只要你不断练习，不断总结，就能从“用AI”的初级工程师，成长为“设计AI”的架构师。

欢迎在评论区分享你的Agentic提示设计经验，我们一起交流进步！

---

作者：[你的名字]
公众号：[你的公众号]
知乎：[你的知乎账号]
GitHub：[你的GitHub账号]

（注：本文中的案例均基于ChatGPT 3.5/4、LangChain等工具，实际效果可能因工具版本而异。）