#上下文工程

共 6 篇内容，涉及 2 个模块

Prompt5案例1

代码库问答的上下文切片与锚定：让 AI 在 20 万行仓库里找对地方，把幻觉引用率从 23% 降到 3%

代码库级问答最常见的失败，不是模型不够聪明，而是你喂的上下文没切对。喂整个仓库，模型会在 32 万tokens 里稀释掉你要找的那 40 行；喂太少，它靠猜补全，于是编出一个根本不存在的函数。真正有效的是「切片 + 锚定」两段式：先用检索把范围收窄到符号级，再用行号锚点把引用钉死。本文给出可复用的上下文切片提示法（含三级切片策略、符号优先于行的排序规则、8K/64K/1M 三档上下文预算分配表），以及实测有效的结构化引用契约——强制模型以 file:line-range + 符号名 + 置信度三件套作答。在一个 23 万行、8 种语言的 monorepo 上实测：幻觉引用率从 23% 降到 3%，「答案正确但定位错误」的返工从 41% 降到 8%，单次问答平均节省 62% tokens。含三个真实失败案例拆解（为什么「把文件都贴进去」必然失败）、检索召回与切片边界的取舍表、以及 Claude Opus 5.5 / GPT-6 / DeepSeek V4.1 Flash / Qwen3-Max 四款模型的实测差异。

2026-10-13

#上下文工程#代码库问答

Prompt编程开发

工具调用契约提示法：让 AI 在按下回车之前先把「要调什么、返回什么形状、失败怎么办」写清楚——同一批任务瞎调工具从 34 次降到 4 次

Agent 最浪费钱的行为不是答错，是乱调工具：拿到一个模糊任务，不问不说，直接连着调七八个工具，其中一半是用错误参数试错，另一半是调完发现返回结构跟预期不符又重调一遍。2026 年 Agent 形态普及之后，工具调用成本已经超过文本成本，成为 token 消耗的主体。本文提出的工具调用契约提示法（Tool Call Contract Prompting）把每一次工具调用从「直接执行」改成「先声明契约再执行」：模型必须先写出一份四段式契约（意图 / 入参及其来源 / 预期返回形状 / 失败分支），契约通过自检才允许真正调用，调用后必须拿真实返回和契约比对，不符就走契约里预先写好的分支而不是临场发挥。在一个 23 个工具的企业运维 Agent 上实测：无效调用从 34 次降到 4 次，单任务平均调用轮次从 11.2 降到 5.6，token 消耗降低 41%，任务一次通过率从 47% 升到 79%。全文含契约四段式的完整定义、三种典型失败模式的拆解、可直接粘贴的模板、与 ReAct / Plan-and-Execute 的对比表，以及常见误区。

2026-10-12

#提示词工程#工具调用

Prompt编程开发

多文件重构锚点提示法：给 AI 一个不会漂移的坐标——跨 14 个包的重命名实测，漏改从 23 处降到 0 处

跨文件重构是 AI 编码助手失效率最高的一类任务：不是模型不会改，而是改到第 8 个文件时它已经忘了第 2 个文件为什么这么改。2026 年 10 月，Cursor / Claude Code 这类 Agent 形态普及之后，多文件编辑从「能不能做」变成了「敢不敢信」。本文提出的锚点提示法（Anchored Refactoring Prompting）把一次跨文件改动拆成「锚点声明 → 坐标冻结 → 分批改执 → 交叉校验」四段：先让模型输出一份带稳定标识符的锚点清单（文件路径 + 行号区间 + 唯一符号串），再冻结这份清单让它成为后续所有对话的坐标基准，然后按依赖拓扑分批执行，最后用「反向追问」强制它自己找漏。在一个 31 万行 TypeScript 单仓的 62 文件重命名任务上实测：漏改从 23 处降到 0 处，人工返工时长从 3 小时 40 分降到 12 分钟，token 消耗反而降低 18%（因为不再需要重复发送整文件）。全文含四种锚点模式的完整提示词、一组逐项对比数据表、可直接粘贴的模板、常见误区。

2026-10-10

#提示词工程#多文件重构

Prompt编程开发

上下文预算控制提示法：给 Agent 长任务设一个 token 天花板——32 轮重构任务实测，完成率从 41% 拉到 88%，单任务成本降 63%

2026 年 10 月，「Agent 落地还是毛坯房」这句话在行业里传开了：模型能力够了，工程约束没跟上。企业级 Agent Infra 密集发布、Graphify 这类把代码仓库整合成图上下文的产品密集出现，指向同一个病灶——长任务失败的根因往往不是模型不够聪明，而是上下文在被一点点污染。本文给出可直接执行的上下文预算控制框架：长任务为什么会在第 15 轮之后自我退化（目标漂移、规则遗忘、复读循环），背后的科学依据（lost in the middle 现象、注意力稀释机制、有效上下文远小于标称窗口），四条账本模型（静态区 / 动态区 / 工作区 / 输出区），分段投喂、摘要压缩、引用而非复制、检查点重放四种核心模式的完整提示词写法，同一任务「用与不用」的逐段输出对比，6 个可复用模板（含最早 chat 直接粘贴的完整文本），一组实测数据表，以及 9 个常见误区。

2026-10-08

#提示词工程#Agent

Prompt编程开发

Cache-Friendly Prompting：把提示词重排一遍，输入成本直接砍半

2026 年 9 月 22 日，Anthropic 发布 Claude Opus 5.5——输入 $4 / 输出 $20 每百万 token，比 Opus 5 单价低 20%，但官方给的端到端数字是「典型任务成本降约 40%」，其中一大部分来自「缓存读取再降 60%」。90 分钟后 OpenAI 发布 GPT-6 Sol 与 Luna，Sol 的缓存输入 $0.20（标准输入 $2，差 10 倍），Luna 缓存 $0.01（标准 $0.10），并对 30 分钟内复用的合格共享前缀给到最高 90% 折扣。**缓存折扣是当前所有降本手段里投入产出比最高的一个**：不用换模型、不用改架构、不用等排期，把你写的提示词重排一遍就生效。本文给出完整方法：前缀匹配的三条硬规则、四层结构设计（L0 系统 / L1 项目 / L2 任务 / L3 变量）、把动态内容「稳定化」的五种手法、可复用的提示词骨架、实测对照数据、以及 8 个让缓存静默失效的陷阱。

2026-09-23

#Prompt技巧#提示缓存

案例企业应用

把 Agent 的账单砍掉 88.9%：一次复杂任务 40 次模型调用背后的成本治理实战

2026 年 9 月，云栖大会前后有一条被低估的工程数据：一次复杂的 Agent 任务往往涉及十余次到数十次模型调用，而通过模型路由等 Harness 层能力，可以在保留 99.96% 任务质量的同时把成本降低 88.9%。这个数字之所以值得单独写一篇，是因为它戳中了 2026 年所有 Agent 项目的同一个死穴——Demo 阶段每任务几毛钱，上线后每任务几块钱，规模化之后账单涨 10 倍以上，而团队的第一反应「换个便宜模型」几乎总是失败。本文是一家中型 SaaS 公司真实走过的 10 周：从「账单涨了 14 倍」到「单任务成本降到原来的 11.1%，质量回归集通过率 99.96%」。全文包含可复现的五把刀（模型路由 / Prompt Caching / 上下文预算 / 批处理 / 早停去重）各自的 ROI 实测占比、三层指标体系与评测集构建方法、灰度切流与回归监控的完整节奏、每一步的 Prompt 模板，以及 14 个真实踩过的坑。附完整效果数据表与回滚红线定义。

2026-09-23

#AI实战#Agent

#上下文工程

代码库问答的上下文切片与锚定：让 AI 在 20 万行仓库里找对地方，把幻觉引用率从 23% 降到 3%

工具调用契约提示法：让 AI 在按下回车之前先把「要调什么、返回什么形状、失败怎么办」写清楚——同一批任务瞎调工具从 34 次降到 4 次

多文件重构锚点提示法：给 AI 一个不会漂移的坐标——跨 14 个包的重命名实测，漏改从 23 处降到 0 处

上下文预算控制提示法：给 Agent 长任务设一个 token 天花板——32 轮重构任务实测，完成率从 41% 拉到 88%，单任务成本降 63%

Cache-Friendly Prompting：把提示词重排一遍，输入成本直接砍半

把 Agent 的账单砍掉 88.9%：一次复杂任务 40 次模型调用背后的成本治理实战

相关标签