上下文工程与循环 Agent 提示词工作流指南

[Goal]
你的核心目标是自主分析、执行并完成任务：{{task_description}}。

[Context]
- 工作区当前状态：{{workspace_state}}
- 核心参考数据与约束：{{reference_data}}

[Output Format]
请按以下结构输出每轮执行结果：
1. **状态更新**：记录关键决策与持久化数据。
2. **执行动作与产出**：详细说明调用的工具与中间结果。
3. **自我校验**：依据质量标准进行检查，若未达标请列出修正策略。
4. **最终交付物**：符合要求的结构化输出。

[Boundaries]
- 严禁违背以下边界条件：{{boundary_constraints}}
- 遇到未确定的边缘异常时，触发隔离与回退机制，严禁臆测数据。

适用场景

随着前沿大语言模型推理能力的提升，传统的逐句微观提示词正在转向上下文工程（Context Engineering）与循环工程（Loop Engineering） [1], [2]。本工作流适用于构建自主编程 Agent、复杂长文本推理以及具备验证机制的自动化 LLM 流水线。

工作流步骤

1. 上下文持久化写入 (Write)：在启动自主循环前，将长文本状态与关键记忆写入外部存储，避免模型因上下文膨胀而引发上下文腐化（Context Rot）[1]。
2. 动态检索与空间隔离 (Select & Isolate)：针对当前子任务只选择性加载必要的上下文，并将复杂任务分发至独立的子 Agent 工作区，防止无关噪声干扰推理 [1]。
3. 自主执行与验证循环 (Loop & Verify)：替代繁琐的人工单步提示，部署包含验证 Agent 的自动循环，利用 OpenAI 倡导的 Goal、Context、Output Format、Boundaries 四大核心要素引导模型自主修正 [2], [4]。
4. 轨迹压缩与更新 (Compress)：在循环完成后，对多轮执行轨迹进行自动摘要与压缩，更新持久化记忆 [1]。

变量说明

• {{task_description}}：Agent 需要完成的具体任务目标及交付要求。
• {{workspace_state}}：系统的当前状态、项目代码或前置步骤的输出。
• {{reference_data}}：动态检索到的领域知识、数据库快照或参考文档。
• {{boundary_constraints}}：明确的合规要求、安全红线及禁止操作。

使用方法

对于 Claude 或 GPT 系列前沿模型，精简系统提示词中的冗余指令（Anthropic 实验表明移除 80% 以上的冗余指令不会降低基准表现）[1]。但在使用小参数开源模型时，仍需保留具体的 Multi-shot 示例与明确的步骤 Scaffolding [1]。对于生产级流水线，可结合 DSPy GEPA 等自动提示词编译工具，基于执行轨迹进行自然语言反思与结构编译 [3]。

质量检查

• 上下文腐化检测：当处理超过 5 万 Token 的长文本时，检查模型是否出现忽视初始指令或精度下降现象 [1]。
• 收敛与终止判断：确保验证 Agent 具备清晰的退出条件，防止因逻辑死循环导致 Token 消耗激增 [2]。
• 领域边缘案例审核：在医疗、法律或金融等高风险场景，需人工确认上下文压缩阶段未误删关键边缘细节 [1]。

参考来源

1. Anthropic / Bosio Digital (2026-07-24): https://bosio.digital
2. The New Stack (2026-06-09): https://thenewstack.io
3. Particula Tech (2026-06-23): https://particula.tech
4. The AI Career Lab (2026-07-13): https://theaicareerlab.com