“ 大模型就是大模型，它和具體的應用場景無關，唯一有關的就是提示詞。”

關于大模型應用開發有幾個不同的方向，但從本質上來說大模型應用開發就是在封裝提示詞；原因就在于從用戶的角度來說，提示詞是與大模型交互的唯一接口；因此也有人說提示詞就是針對大模型的編程語言。

下面我們以智能體為例，解釋說明一下為什么說大模型應用開發就是在封裝提示詞；當然，這句話并不是很準確，更加準確的說應該是：

大模型應用開發的核心是圍繞提示詞進行業務能力封裝，但提示詞只是應用開發的底座。完整的大模型應用開發還包括上下文管理、工具集成、結構化輸出、狀態流程管理和性能優化等工程化工作。

大模型應用開發與提示詞封裝

開發一個智能體一般需要那幾個模塊？

首先要有大模型，提示詞，工具集，記憶，結構化輸出，用戶輸入處理等；但如果我們仔細觀察或分析就會發現，除了大模型和提示詞之外，其它所有功能處理的結果最終都是要帶入到提示詞中，原因就在于大模型只接收幾個固定輸入；而提示詞是大模型處理的基礎，大模型的所有操作都是基于提示詞開始的。

工具集

在智能體開發中，如果需要使用外部工具，首先需要給大模型配置幾個工具集，也可以說是函數；而形式即可以是本地的函數，也可以是遠程的MCP服務；通過函數簽名的方式告訴大模型這些工具的參數和作用。

而對大模型來說，大模型并不會真正執行這些工具的代碼，大模型需要做的是根據用戶需求，理解用戶需求，然后再根據工具的描述去選擇合適的工具來解決用戶的問題；其對工具的處理，實際上是輸出需要調用那個工具，以及生成工具所需要的參數列表。

最后由代碼執行器去執行具體的函數代碼并獲取結果，然后再把返回結果輸入到大模型中。

記憶

由于大模型是無狀態的，因此每次對話對大模型來說都是一次全新的對話，因此就需要一種方式給大模型增加記憶功能。而這種方式就是把每次的對話內容保存下來，然后在下次對話中把保存下來的對話記錄插入在上下文中。

結構化輸出

在一些日常對話場景中，確實不需要結構化輸出，但在一些工具使用和一些業務場景中，結構化輸出就變得很重要；比如說，你想讓模型根據你提供的資料生成一份圖表數據，而這時如果不是結構化數據就沒辦法處理。

但我們也知道大模型的輸出是不穩定的，因此我們需要有一種方式來約束大模型的輸出；而這就是結構化輸出，簡單來說就是給大模型一個輸出模板，然后讓大模型按照這種模板格式進行輸出，而不是讓大模型隨意進行輸出。

結構化輸出的好處就是，可以讓大模型與我們的業務系統相切合，并且更加方便處理。

用戶輸入

至于用戶輸入就更簡單了，只需要把用戶問題和一些可變參數進行拼接即可。

然后我們仔細觀察后會發現一個問題，那就是以上所有的操作并沒有和大模型直接交互，而是把所有的結果都拼接到提示詞中，最終再把這拼接完成的提示詞輸入到模型中。

所以，在這里得出一個結論，那就是大模型應用的開發就是在封裝提示詞。

大模型的“智能”完全由提示詞引導，提示詞相當于大模型的“軟編程接口”。

在實際應用開發中，大部分時間都在：

• 優化提示詞
• 設計提示詞結構
• 進行提示詞版本管理
• 根據不同場景切換提示詞

本文轉載自??AI探索時代?? 作者：DFires