提示词工程 vs Agent 系统:系统性对比
面试口径一句话:两者不是对立,而是不同抽象层级的工程手段。提示词是给单次 LLM 调用的”静态激励”,Agent 是围绕多次 LLM 调用的”多步控制流”。Agent 内部每一环仍然在用提示词——提示词是 Agent 的积木/零件,Agent 是提示词的应用形态。
一、提示词工程(Prompt Engineering)是什么
定义
通过设计输入给模型的指令文本,来引导 LLM 在单次调用中给出期望输出。它只作用于”模型 + 一次性文本上下文”,不改变模型权重,不动外部世界。
涵盖的主要手段
| 手段 | 说明 |
|---|---|
| 指令 / 角色 | 明确任务目标、格式要求;用系统提示设定角色、风格、边界(如”你是一名资深算法工程师”) |
| Few-shot(少样本示范) | 在上下文中给几个输入-输出对的例子,让模型模仿格式与推理方式 |
| CoT 思维链(Chain-of-Thought) | 引导模型展示中间推理步骤(Let's think step by step),提升复杂推理准确率;进阶有 Self-Consistency、CoT-SC 等 |
| 结构化输出 | 要求 JSON / 固定字段 / 用工具定义 schema 强制格式(如 function-calling 的参数 schema) |
| 模板 / 变量的系统化 | 把指令拆成可复用模板(系统提示 + 用户变量),保证一致性与可维护 |
| 提示词管理 / 版本化 | 版本管理、AB 测试、评估集(eval set)回归,防”改一处坏一片” |
能达到什么
- 在不调权重的前提下明显提升单次输出的质量、格式稳定性、领域能力(靠检索/in-context 示例增强)。
- 成本低、见效快、易迭代,是绝大多数应用的”第一层优化”。
- Anthropic 原文明确建议:“For many applications, optimizing single LLM calls with retrieval and in-context examples is usually enough.”(多数应用,优化单次调用就够。)
局限(关键:答”为什么还要 Agent”)
- 静态、一次有效:提示词是一次性文本激励,语境固定,不能随过程调整。
- 无状态:默认不带记忆/跨步骤持久状态(除上下文窗口内的文本)。
- 无外部行动:只输出文本,不能调 API、读写文件、操作工具/世界。
- 无自我纠正:单次生成错了就是错了,无法自己发现、重试、兜底。
二、Agent 系统是什么
定义(Anthropic 权威口径)
Agent = 让 LLM 动态地自主决定自己的流程与工具使用,去达成一个任务。与之相对的 Workflow(工作流)= 由预定义代码路径编排 LLM 与工具。
Agent 的本质结构(业界通行):
LLM(核心推理)
+ 规划 Planning(拆解目标、决定下一步)
+ 工具 Tool use(调用外部工具 / API)
+ 记忆 Memory(短期上下文 + 长期持久记忆)
+ 环境交互 / 反馈循环(看结果 → 决定下一步 → 循环直到完成)
+ 控制流(多步 + 循环 + 分支,潜在地由代码/编排层兜底)
关键组成部分
- 基础积木 = 增强型 LLM(Augmented LLM):给 LLM 加上 Retrieval(检索)+ Tools(工具)+ Memory(记忆)。Anthropic 原文:“The basic building block of agentic systems is the augmented LLM… such as retrieval, tools, and memory.”
- 工具接入:现在主流是 MCP(Model Context Protocol),一个统一客户端实现即可接入第三方工具生态。
- 编排层:决定”谁在控制”——代码预设(Workflow)还是模型自主(Agent)。
能力层级(由低级到高级的教学框架)
- 单次 LLM 调用(提示词) → 静态问答/生成。
- 增强型 LLM(检索+工具+记忆的单次能力增强)。
- Workflow(提示链接 / 路由 / 并行化 / 编排者可 / 评价者-优化者)——行为可预期,代码控制。
- Agent(自主规划 + 工具 + 反馈循环)。
- 多 Agent(Multi-Agent):多个角色各司其职、协作/分工/评审。
三、系统性对比(面试重点,能背能展开)
| 维度 | 提示词工程 | Agent 系统 |
|---|---|---|
| 本质 | 静态文本激励(对单次调用的一次性引导) | 多步控制流(对多次调用 + 工具 + 状态的编排) |
| 状态 / 记忆 | 无记忆 / 单次有效 | 有记忆、可持久状态(上下文 + 长期记忆) |
| 行动能力 | 只输出文本 | 可调用工具 / API,作用于外部世界 |
| 是否循环 | 否(一次性) | 是(反馈循环,直至完成或终止) |
| 自我纠正 | 无 | 可基于环境反馈重试/调整路径(仍需编排兜底) |
| 复杂度 | 低,简单可预测 | 高,行为可能发散,需编排、容错与兜底 |
| 确定性 | 高(同一输入输出相对稳定) | 低(多步自主决策,路径不确定,需 guardrail) |
| 成本 / 时间 | 低;单次 token | 高;多次调用 × 多轮循环,延迟与成本均上升 |
| 可维护性 | 模板 + eval + 版本管理相对容易 | 需工具文档、调度、日志、可观测、回滚策略;抽象层多难调试 |
| 失败模式 | 输出偏离格式 / 幻觉 / 答非所问 | 死循环、越权调用、级联错误、工具误用、成本失控 |
| 适用场景 | 明确、单步、格式化任务(分类、抽取、改写、问答) | 需要工具/外部世界、多步骤、不确定性决策、长任务 |
协同关系(必答点)
- Agent 内部全是提示词:每个节点都是一次”prompt + LLM 调用”。规划器、执行、生成、评审——每一环都在做提示词工程。
- 提示词是 Agent 的”积木/零件”:基础积木就是”增强型 LLM”= 检索 + 工具 + 记忆,而工具的调用仍依赖提示与 schema。
- even 读 Anthropic 原文:它的《附录2:Prompt engineering your tools》专门讲”工具定义要像给 Junior 写优秀 docstring 一样,要写示例用法、边界、输入格式”。工具即提示词的一种形态。
演进路线(能力↑ ⇒ 复杂度/成本↑)
提示词工程 → Function Calling(工具调用) → Agent → 多 Agent
(静态文本) (单次可行动) (多步自主) (群体协作)
- 关键判断:先”简单回调”再上”复杂 Agent”。Anthropic 最佳实践明确:“Start with the simplest solution possible, and only increase complexity when needed.”
- 取舍:agentic 系统用延迟和成本换更好地完成任务表现。能用单次调用 + 检索搞定,就别上 Agent。
四、面试分层答法(“低→高”口径,能接追问)
- 先立关系:“两者不是 rival 关系,是不同抽象层级。提示词是单次调用的’微观工程’,Agent 是多次调用的’宏观编排’。”
- 提示词讲”稳”:静态、无状态、低成本、确定性高;靠指令/CoT/结构化/示例提升单次质量。
- Agent 讲”活”:有状态、能行动、能循环、能纠错,代价是复杂度/成本/不确定性。
- 讲桥:base building block 就是”增强型 LLM(检索+工具+记忆)“;工具(尤其 MCP)与提示词 schema 是承上启下的衔接点。
- 讲选型:任务明确→提示词即可;需要外部世界/多步/不确定性→上 Agent;能用简单就别复杂(先简单后复杂)。
- 收口追问:
- “Agent 内部用不用提示词?” → 用,每个节点都是 prompt + 调用。
- “提示词和 function calling 关系?” → function calling 是”让模型声明要调什么工具”的能力,其参数 schema 本身就是要精心设计的提示。
- “什么时候 Agent 是过度设计?” → 单步、可枚举、确定性任务;成本/延迟敏感。
附:已核实 vs 存疑
- 已核实(Anthropic《Building effective agents》2024-12-19):Workflow vs Agent 定义;基础积木=增强型 LLM(检索/工具/记忆);MCP 是工具接入方式;“优化单次调用通常就够”/“先做最简单的方案”;“Agentic 系统以延迟和成本换性能”;五类 workflow(提示链接/路由/并行化/编排者可/评价者-优化者);附录2”为工具做提示词工程”。
- 存疑 / 未严格核实(业界通行但非单一权威出处):CoT 具体收益数值、工具示例;“提示词→function-calling→Agent→多 Agent”这条演进名词链与”每个节点都是 prompt+调用”这类概括性表述,属通识框架,建议面试以讲逻辑为主,不引用具体数字。