X记录空间前言
很多 AI 项目最开始都是这样实现的：
const prompt = `
系统提示词
历史消息
RAG 内容
用户问题
`
然后直接发送给模型。
Demo 阶段没问题。
但是当系统开始支持：
- 多轮对话；
- RAG；
- Memory；
- Tool Calling；
- 多 Agent；
问题会越来越严重。
例如：
- Prompt 越来越长；
- 上下文顺序混乱；
- Tool 输出污染 Prompt；
- Token 成本失控；
- 很难维护；
- 不同模块互相耦合。
这时候，Prompt 已经不应该被看成一个字符串。
而应该被看成：
一个动态生成的上下文系统。
Prompt Builder 正是解决这个问题的核心组件。
Prompt 不应该是字符串
很多开发者：
prompt += memory;
prompt += rag;
prompt += history;
不断 append。
最后：
Prompt 变成几千行。
没有优先级。
没有结构。
没有可维护性。
实际上：
Prompt 应该是一棵树。
而不是字符串。
Prompt 的组成部分
一个成熟系统的 Prompt 通常包含：
System Prompt
↓
Safety Rules
↓
Working Memory
↓
Long-term Memory
↓
RAG Context
↓
Tool Result
↓
History
↓
Current Question
这些部分：
重要性不同。
生命周期不同。
更新频率也不同。
因此：
不应该混在一起。
System Prompt 是最稳定的一层
例如：
你是一名专业技术助手。
不知道时请明确说明。
不要编造答案。
System Prompt 变化频率最低。
通常：
几十天甚至几个月都不会变化。
因此：
可以缓存。
单独维护。
不要和用户消息混在一起。
Working Memory
工作记忆：
最近：
10～20 条消息。
负责：
当前任务。
生命周期：
几分钟。
通常：
Redis。
动态生成。
Long-term Memory
长期偏好。
例如：
使用 TypeScript。
使用 Vue3。
喜欢 Feature First。
不需要每次都加载。
推荐：
Embedding 检索。
按需注入。
否则：
Prompt 会不断膨胀。
RAG Context
知识库内容。
特点：
变化快。
数量大。
不应该全部加入。
推荐：
TopK：
3~5。
控制：
1000 token。
否则：
容易污染上下文。
Tool Result
最容易出问题的一层。
错误做法：
把：
数据库结果。
文件内容。
搜索结果。
全部放进去。
正确方式：
先压缩。
再注入。
例如：
不要：
1000 行 SQL。
而是：
最近 7 天新增订单 35 条。
这样：
Prompt 更干净。
Prompt Builder 的核心思想
不是：
字符串拼接。
而是：
节点组合。
例如：
System Node
Memory Node
RAG Node
Tool Node
History Node
User Node
每个节点：
独立生成。
最后：
统一排序。
生成 Prompt。
这样：
维护成本大幅降低。
Token Budget
Prompt Builder 最重要的能力：
预算。
例如：
总预算：
8000 token。
其中：
System：
1000
Memory：
1000
RAG：
2000
History：
3000
Current Question：
1000
超出预算时：
自动裁剪。
而不是：
无限增长。
Prompt Builder 与 Agent
未来：
Prompt Builder 很可能成为：
Agent Framework 的核心。
因为：
Planner。
Memory。
RAG。
Tool。
最终都需要通过 Prompt Builder 进入模型。
它相当于：
LLM 的操作系统。
总结
Prompt 不应该是字符串。
而应该是：
上下文编排系统。
未来优秀 Agent 的竞争，
很大程度上会变成：
谁拥有更好的 Prompt Builder。
