模型应用
随着模型能力的演进，仅仅在网页上对话已经无法发挥出其全部实力了，需要结合一些工程策略来彻底释放 AI 的能力。目前已经演化出了以下几种工程策略：
快速开始¶
一个最小应用从模型 API 开始：发送 Messages，接收文本或结构化输出。随后加入 Function Calling 连接外部能力，再按任务需要引入提示词工程、上下文管理、RAG 或 Agent。最后使用任务成功率、延迟与成本评测系统，并针对提示词注入、越权调用和隐私泄露设置防护。
建议依次阅读 应用基础、提示词工程、上下文工程 和 检索增强生成，再进入 智能体 与具体产品形态。
内容地图¶
| 主题 | 主要内容 | 已有文章 |
|---|---|---|
| 应用基础 | 模型 API、Messages、Structured Output 与 Function Calling | 应用基础、API 服务商 |
| 提示词工程 | Zero-shot、Few-shot、CoT 与 Prompt Template | 提示词工程 |
| 上下文工程 | 上下文管理、压缩与选择 | 上下文工程、记忆系统 |
| RAG | Embedding、Chunking、向量检索、混合检索、Reranker 与 Graph RAG | 检索增强生成 |
| Agent | ReAct、工具使用、规划、记忆、MCP、多 Agent 与 Agent Harness | 智能体、Agent Harness |
| 应用形态 | Chatbot、AI Search、Copilot、Coding Agent 与 General Agent | 应用形态、Code Agent 产品 |
| 应用评测 | RAG、Agent、Coding Agent、任务成功率、延迟与成本 | 模型能力评测 |
| 应用安全与治理 | 幻觉、越狱、提示词注入、RAG 投毒、工具滥用、权限与沙箱、隐私、公平、内容安全、伦理与合规 | 应用安全与治理 |
工程方法¶
提示词工程 (Prompt Engineering)。人们需要手动优化输入的提示词。例如：
- 思维链推理 (Chain of Thought, CoT) 提示词：Let's think step by step。
- 角色扮演 (Role-Play) 提示词：You are a XXX Master。
上下文工程 (Context Engineering)。人们希望简化上述流程，一句“帮我修一下现在的 bug”，整个系统就会把所有必要的信息聚合起来，和这句提示词一起输入模型。例如：
约束工程 (Harness Engineering)。一个 AI 系统不止需要丰富的输入，还需要稳定地运行，在长上下文场景下，模型很容易出现信息漂移、幻觉增加等负面效应。为此，自我约束、自我验证的 AI 系统范式 Harness Engineering 应运而生。例如：
- Anthropic 推出的智能体 Claude Code。
- OpenAI 推出的智能体 Codex。