大多数人对 Prompt 的理解，它是一段提前写好的文字描述。在 AI 兴起的早期，包括现在，我们要让一个模型更好地分析并修复一段代码时，我们会写清角色、任务和几条要求。参考下面的示例：

```Plain
# 角色
你是一名专业的软件工程师。
# 任务
请分析下面这段代码，找出问题并修复。
# 要求
要求： 
1. 保持现有功能不变；
2. 补充必要的测试；
3. 给出修改说明。
```

对于一次性的任务（问答），这样一段固定指令就够用了。但当 LLM 进入到 Agent 的执行循环中时，情况就变了。一个 Coding Agent 要完成一次修复，要先理解项目结构、读取相关代码，调用搜索工具来定位问题，再修改多个文件后跑测试，最后再根据失败结果继续调整方向。这个过程中，每一个环节模型要面对的问题都不一样，一开始写好的那段固定 Prompt 根本覆盖不了整段任务。

而 Agent 真正依赖的是一份随着任务推进、不断重新组装出来的上下文。这就是本文今天要讲的动态 Prompt 拼装。

![](https://developer.qcloudimg.com/http-save/yehe-12464096/927c66b1e4e87d5f843e09ebaa1602e2.png)

## 从固定文本到动态组件

传统的 Prompt Engineering 关心的是如何写清楚一句指令，让这一次的模型输出得更准。Agent 场景则关心在当前这个任务阶段，模型最需要看到哪些信息。

以修 Bug 为例，第一轮，模型要知道用户目标、项目背景和当前代码结构，先定位出来问题；第二轮，问题的候选范围缩小了，模型要看到相关文件的具体实现和错误日志；第三轮，已经修改完代码，模型需要测试结果和失败原因，好决定下一步动作。

如果每一步都把完整的项目背景、全部历史对话和所有工具信息一股脑塞进去，上下文会迅速膨胀；如果什么额外信息都不给，模型又没法继续往下做。因此，Prompt 从一段写死的文字描述，变成了按当前状态实时构造的系统组件。

## Prompt 里的四类信息

一次 Agent 调用的输入，一般不是用户输入的某条单独消息，而是一段按结构拼出来的上下文：

```Plain
System Prompt
+ 任务目标
+ 当前状态
+ 相关上下文
+ 工具信息
+ 历史结果
+ 当前行动要求
```

上面这些信息的生命周期并不相同，我们可以大致可以分成这四类：

**稳定信息**，这类信息会长期存在、贯穿整个任务，包括不限于：Agent 的身份、行为规则、安全限制、输出格式。这种信息一旦确定，基本上不会随着执行过程变化：

```Plain
你是一名 Coding Agent。
修改代码前必须先理解现有结构。
完成修改后必须运行测试。
```

**任务信息**，这类信息的生命周期和一次任务绑定，任务结束就消失，像“修复登录接口中的 Token 过期问题”就属于此类信息。

**状态信息**，这类信息会随着 Agent 的执行不断刷新。在定位阶段，它可能是“当前发现 auth.py 中存在 Token 判断逻辑”，改完代码后状态又变成了“已修改 auth.py，测试用例 test_login_expired_token 失败”。

**外部信息**，这类信息是临时加入的内容，按需加载，包括不限于：某个文件的内容、一次搜索结果、一段文档、一次工具返回。这种信息用完之后，往往可以移出上下文清出空间。

```JavaScript
Agent 输入上下文

┌────────────────┐
|  稳定信息       |
|  角色 / 规则    |
├────────────────┤
|  任务信息       |
|  用户目标       |
├────────────────┤
| 状态信息        |
| 当前执行进度     |
├────────────────┤
| 外部信息        |
| 文件 / 工具结果  |
└────────────────┘
```

而动态 Prompt 拼装的核心，就是在每一次模型调用前判断：这四类信息中哪些该进入当前输入，哪些不该被使用。

## 上下文膨胀与信息关注偏移

用户提问 - 模型回答 - 结束，这种普通聊天是一次性的。与它不同，Agent 运行在一个持续的循环里：理解任务 - 规划 - 调用工具 - 观察结果 - 调整计划 - 继续执行。每循环一次，系统都会产生新的信息，如果 Prompt 始终保持不变，会同时面临两个问题：

一个是**上下文膨胀**。一个 Coding Agent 刚开始执行任务时，只带有用户需求、项目说明和几个代码文件，执行几十轮之后，历史记录里堆满了所有的修改记录、所有的工具返回信息，以及所有的错误日志和执行过程记录。过去的信息占据了大量的 token，模型真正该关注的当前状态反而被稀释了。

另一个是**信息关注偏移**。Agent 最初关心的是“这个项目是什么”，执行中会变成“这个函数为什么报错”，最后又会变成“测试为什么失败”。每个阶段所需的上下文都不一样，一份写死的 Prompt 没办法跟着任务重心一起移动。

动态拼装就是为了解决这个问题，让每一次调用都只带上这一步真正需要的信息。

## 动态 Prompt 和 Agent Harness

绝大多数人会把模型之外的这层工程支架称作为 Agent Harness，并把它拆成几块相互配合的职责：上下文窗口管理、Prompt 架构、工具集成、编排、状态管理、错误处理。动态 Prompt 拼装属于其中的 Prompt 架构部分，它和上下文窗口管理是一种紧密协作的关系。

![](https://developer.qcloudimg.com/http-save/yehe-12464096/b1f8be757f760fce2b91687ab986b2c1.png)

两者的分工是上下文窗口管理负责“预算怎么分”，它要在有限的窗口里，决定要保留哪些信息、该压缩哪些信息，哪些信息又该被丢弃。动态 Prompt 拼装则负责“怎么组装”，它要把这些被选中的信息，按结构拼成模型这一次调用真正读到的输入。前者管的是可见性，后者管的是组织方式，二者共同决定了 Agent 每一步的表现。

## 一个 Coding Agent 的三次调用

把上面的概念落到一次具体的修复任务中，Agent 三次调用的 Prompt 会明显不同。

![](https://developer.qcloudimg.com/http-save/yehe-12464096/6a034eafc86201b56bfc686e277b1231.png)

在定位阶段，第一次调用 Prompt 只会给出角色、目标和项目背景，让模型先分析：

```Plain
角色：你是代码维护 Agent。
目标：修复用户反馈的登录异常。
项目：一个 Python Web 项目。
任务：分析问题原因。
```

搜索到相关代码后，第二次调用 Prompt 会补进定位结果和下一步指令：

```Plain
相关文件：auth/login.py
发现：Token 校验逻辑位于 validate_token()
错误：过期 token 被误判为有效。
下一步：分析该函数的实现。
```

改完代码后，第三次调用 Prompt 换成了测试反馈：

```Plain
已修改：auth/login.py
测试结果：2 个通过，1 个失败。
失败原因：数据库 Mock 数据缺少字段。
下一步：修复测试问题。
```

虽然上面三次模型调用对应的任务 Prompt 各不相同，但它们都会共享一套稳定信息（角色、规则等）。变化的是当前任务状态和外部信息，这些内容会随着 Agent 的执行过程不断更新。每次都重新拼装 Prompt 是 Agent 和普通聊天机器人在输入侧最直接的区别之一。

## 动态 Prompt 的工程实现

真正落地时，很少会有人去手写一个巨大的 Prompt 字符串，常见的做法是把它拆成可管理的模块，运行时再按当前任务组合：

```Plain
prompt/
├── system.md
├── role.md
├── rules.md
├── tools.md
├── memory.md
└── task_template.md
```

而组装逻辑本质上是一次模板渲染：

```Plain
final_prompt = render(
    system  = system_prompt,
    rules   = rules,
    goal    = current_task,
    context = retrieved_files,
    history = short_memory,
    tools   = available_tools,
)
```

到了这一步，Prompt 就从一段固定文本变成了 Agent 系统里一个有明确输入、可以被单独维护和测试的组件。

拆模块时，还有个和成本相关的细节要留意下，那就是拼装顺序。现在的推理服务大多都支持 Prefix Cache，相同的开头前缀可以复用计算结果、省去重算。而我们之前提到的稳定信息（System Prompt、规则、工具描述）恰好每步都不变，把它们固定放在最前面，让变化的状态和工具返回排在后面。前缀就能稳定命中缓存，省下延迟和费用；反之，如果每轮都要改动开头，缓存就整段失效了，成本也就上去了。

## 信息筛选的取舍

看到这里我们容易产生一个误解：既然 Agent 需要更多信息，那 Prompt 是不是越丰富越好？答案是否定的。上下文越长，Token 成本就越高，推理也会越慢，关键信息越容易被淹没，模型的注意力也会越分散。

好的动态 Prompt，每一步的关键动作都是在做减法。要及时移除已经用不上的信息，只保留当前目标、当前状态，以及这一步决策真正需要的那部分上下文。这和人工作时整理桌面很像——桌面越堆越满，并不会让手头的事更好办。

## 小结

在 Chatbot 时代，Prompt 更像一次性的提问。进入 Agent 时代，它变成了一个随任务持续变化的工作环境。真正稳定的 Agent 靠的不是一条写得极其精巧的超级 Prompt。而是它背后的状态管理、上下文筛选、工具反馈和信息组合，让模型在每一次行动时都只看到最相关内容。

下一期，我们将继续讲 Agent 的工具调用：工具为什么需要明确的输入输出契约，以及一个好的工具设计如何帮助 Agent 更稳定地完成任务。

大多数人对 Prompt 的理解，它是一段提前写好的文字描述。在 AI 兴起的早期，包括现在，我们要让一个模型更好地分析并修复一段代码时，我们会写清角色、任务和几条要求。参考下面的示例：

Agent 小知识：把动态 Prompt 做成一个系统组件

本文详解Agent时代Prompt的范式升级：从静态文本迈向动态拼装。它将Prompt拆解为稳定、任务、状态、外部四类信息，按执行阶段实时组合，兼顾上下文精简与关键信息聚焦，是支撑ReAct循环、保障Agent稳定性的核心工程能力。

人工智能

编程语言

开发工具

动态Prompt拼装是AI Agent执行复杂任务的关键技术，通过实时调整上下文信息提升模型效率。它将Prompt分为稳定信息、任务信息、状态信息和外部信息四类，根据任务阶段动态组合，避免上下文膨胀和信息过载。这种技术让AI在代码修复等持续任务中，始终聚焦当前关键信息，显著提升执行效果。

聊天机器人

软件工程

代码解释

数据库

Agent

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

Agent 小知识：把动态 Prompt 做成一个系统组件-腾讯云开发者社区-腾讯云

Agent 小知识：把动态 Prompt 做成一个系统组件

Agent 小知识：把动态 Prompt 做成一个系统组件

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐