2023 年有人说提示词工程师要失业，2024 年有人说程序员要被替代，2025 年所有人都在谈 Agent。但如果你愿意把这些花哨的外壳剥开，会发现一个事实：AI 底层的交互逻辑，这两年根本没变过。
所谓的复杂框架、自主决策、智能体生态——拆到最底层，不过是 12 个核心原理的排列组合。就像乐高积木，零件就那么几种，但你也可以拼出任何东西。
看完这 12 块积木，Agent 对你来说就不再是魔法，而是一套有迹可循的工程手艺。
Message数组到上下文窗口
唯一通道：Message 数组
跟 AI 聊天感觉很自然，但底层根本没有"聊天"这回事。所有交互只走一条路——Message 数组。每次请求不是只发当前这句话，而是把完整的对话历史打包成 JSON 一起丢过去，大模型读完后推测下一句。
[
{ "role": "user", "content": "帮我写一段 React 代码。" },
{ "role": "assistant", "content": "好的，你需要什么组件？" },
{ "role": "user", "content": "一个待办事项列表。" }
]发空数组？AI 一个字都不会蹦。
AI 没有记忆
这是最颠覆认知的真相：AI 其实是个健忘症患者，每次请求都是完全失忆的重新开始（Stateless）。
你说"太长了缩短点"，AI 不是自己记住了上次说的啥。是后台把上轮对话 + AI 回复 + 你的新指令全部重新打包发过去。这个打包容量就是上下文窗口。
窗口太小聊两句就"失忆"，全塞进去又贵又容易乱。平衡上下文窗口的使用，是 AI 开发的基本功。
系统提示词（System Prompt）
System Prompt 放在 Message 数组最顶部，模型被训练成把它当作最高优先级的行为指令。
没有它时问"什么是 API"，AI 给你一段干巴巴的教科书定义。加上一句 你是面对5岁小孩的幼教老师，同样的问题 AI 就会说"API 就像餐厅里的服务员小熊，他会..."。
一句话给 AI 戴上面具，不管后面聊什么都带着这个人设思考。这是锁死行为风格的第一步。
思维链（Chain of Thought）
大模型没有内置计算器，算数学本质上是用概率"猜"下一个数字。直接要结果，错的概率非常高。
但只要加一句 "Think step by step"，强迫它先写出中间推理过程再给答案，准确率就能暴涨。原理很简单：它写出来的思考过程，其实是在自己给自己提供正确的上下文。
直接问 = 瞎蒙
一步步想 = 准确率大幅飙升
这就是为什么一句"神仙提示词"能让数学题对错天差地别。
少样本提示（Few-Shot）& 预填充（Prefill）
好例子顶十句废话
跟 AI 说"只输出一个词不要解释"，它大概率还是要加一段废话。但直接给它看几个 输入→输出 的例子，格式瞬间精准。
输入：今天天气真好！ 输出：正面
输入：随便吧，我都行。 输出：中性
输入：这电影太难看了。 输出：AI 乖乖输出"负面"，干净利落。你告诉 AI 怎么做，不如直接给它看怎么做。
预填充：一个符号消灭废话
需要 AI 输出 JSON 但担心它加开场白？在 Assistant 位置先写上 {，它只能接着写 JSON 属性——没机会说废话了。强行替 AI 开头，做 Agent 不可或缺的技巧。
停止序列（Stop Sequence）
AI 在调用工具时有个危险习惯：它会"幻想"工具的返回结果，自己编造答案继续往下写。
解法是设置 Stop Sequence。比如让 AI 遇到"Observation"这个词就强制停下来，控制权交回你的代码。你拿着它输出的 Action 去调真实 API，再把真实结果拼回去。
不设停止词 = AI 自编自导，产生严重 Bug。设了停止词 = 在它瞎编前强行踩刹车。
Tool Use 协议
"AI 能联网能查天气能操作数据库"——这些全是错觉。
大模型本身连不上网，只会吐字符串。所谓的"工具调用"是这么回事：
- AI 输出一段 JSON：
{ "tool": "Weather", "city": "北京" } - 你的代码解析 JSON，调用真实 API
- 真实工具返回数据
- 你的代码把结果拼回给 AI
- AI 基于真实结果回答用户
从头到尾 AI 只是大脑在输出指令，你的代码才是手脚在干活。
RAG（检索增强生成）
AI 为什么能回答你公司的内部问题？不是它真的知道，是有人给它开了小抄。
RAG 的本质就是一场开卷考试：
- 用户问"公司报销额度多少"
- 系统从向量库里搜到相关文档片段
- 把文档 + 用户问题一起拼成 Prompt 发给 AI
- AI 基于"小抄"回答
它不是真懂你的业务，只是你递了一张写着正确答案的纸条。
ReAct 循环框架
Agent 的"自主决策能力"听起来很玄，拆开看就是一个 while 循环：
While (!Finished) {
Thought → Action → Observation
}- Thought：AI 想想下一步做啥
- Action：输出工具调用 JSON
- Observation：你的代码执行后把结果喂回来
三步不断转圈，直到任务完成。复杂的自主决策，本质上就是一个简单到离谱的循环结构。
幻觉（Hallucination）& 多 Agent 编排
幻觉：AI 没有"不知道"
大模型的底层机制是自回归生成——永远在猜下一个最可能的字。它被迫文字接龙，必定输出点什么给你，哪怕根本不知道答案。
"鲁迅和周树人打过架吗？"
AI："鲁迅和周树人曾在上海打过一架……"
鲁迅就是周树人，但 AI 一脸认真地编了。幻觉是机制不是 Bug，你永远不能完全消灭它，只能用 RAG + 人工核查来压制。
多 Agent：职场分工的 AI 版
一个大任务拆给不同 Agent：包工头负责统筹，打工仔各管一摊（查机票、查酒店、排行程）。每个 Agent 提示词更精准，还能并行处理。
本质就是人类职场那套老板带打工仔的逻辑，只不过换成了 AI。
写在最后
回头看这 12 个原理，你会发现它们之间有一条清晰的脉络：
- Message 数组和上下文窗口定义了 AI 感知世界的方式——一个没有记忆的、只能读入文本的函数。
- System Prompt、思维链、Few-Shot、Prefill 是我们驯服这个函数的手段——给它人设、教它思考、塞给它格式。
- Stop Sequence 和 Tool Use 让 AI 从"只会说话"变成"能动手做事"。
- RAG 给了它外部知识，ReAct 给了它自主循环的能力。而幻觉提醒我们它终究不完美。
- Multi-Agent 则说明了当单个 AI 不够用时我们该怎么扩展。
从第一个原理到最后一个，本质上都是在合拍同一个故事：人类如何一步步把一个只会文字接龙的概率机器，改造成能自主完成复杂任务的智能体。 没有魔法，全是工程。而工程是可以学会的。
