第 1.2.3 节:把模型、Prompt、工具和数据串成工程能力链
本节围绕“把模型、Prompt、工具和数据串成工程能力链”展开,先建立直观判断,再进入工程细节。完成本节后,你应该能够把模型、Prompt、工具和数据拆成能力项、训练任务、项目证据和自查标准。
实现步骤或决策流程
读图重点:先把模型输出、工具和失败处理做稳,再扩展 RAG、MCP 与编排,最终落到可部署、可监控和可交付的系统。
客服工作台能力落地路径
学习路线不要按“哪个框架热门”排序,而要按客服工作台的业务闭环排序。
| 落地环节 | 要先学的能力 | 项目证据 | 常见失败 |
|---|---|---|---|
| 用户提问进入系统 | Prompt(提示词)、模型调用、会话编号 | 输入字段和 trace_id(追踪编号) | 只保留聊天文本,无法追踪。 |
| 回答企业资料问题 | RAG(检索增强生成)、引用、资料权限 | 带来源的回答和无答案拒答 | 模型凭印象回答政策。 |
| 查询订单或物流 | Tool Calling(工具调用)、API(应用程序接口)、权限校验 | 查订单工具字段契约 | 模型编造订单状态或越权查询。 |
| 创建工单或转人工 | Workflow(工作流)、状态、人工协作 | 工单草稿、确认记录、转人工原因 | 直接写入系统或重复建单。 |
| 主管复盘质量 | 日志、评估、可观测性 | trace_id(追踪编号)、失败案例、成本记录 | 出错后不知道模型和工具做了什么。 |
这条路径的原因很简单:企业只会为能进入业务流程、能复盘、能维护的系统买单。单独会一个模型 API 或一个框架,还不足以证明你能交付 Agent(智能体)项目。
AI Agent(人工智能体)工程师和普通开发者的差异
普通 Web(网页)开发通常围绕确定逻辑写系统:用户提交表单,后端校验,数据库保存,前端展示结果。
AI Agent 项目多了一个不完全确定的模型组件。模型会生成语言、判断意图、选择工具、总结结果。它强大,但也可能:
- 理解错用户意图。
- 输出格式不稳定。
- 编造不存在的资料。
- 过度调用工具。
- 在高风险场景给出不该给的建议。
所以 AI Agent 工程师必须同时具备两种思维:
只懂模型,不懂工程,项目无法稳定交付。只懂工程,不懂模型,系统会退化成普通自动化流程,发挥不出 AI(人工智能)的价值。
AI(人工智能)工程必备 Python(编程语言)能力
虽然不讲语法入门,但 Python(编程语言)仍然是本书的主线语言。你需要重点掌握:
- 虚拟环境与依赖管理。
.env配置和环境变量。- 类型提示。
- Pydantic(数据校验库) 数据模型。
- 异步编程和 HTTP(超文本传输协议)请求。
- JSON(结构化数据格式)、CSV(逗号分隔表格格式)、Markdown(轻量标记语言)、PDF(便携式文档格式)、Excel(电子表格)等文件处理。
- pytest(测试框架)测试。
- FastAPI(后端接口框架)服务。
- 日志和异常处理。
这些能力的价值不在于“写 Python(编程语言)更优雅”,而在于让 AI 项目可测试、可部署、可维护。
学习路径
这也是本书的推进方式。先讲清模型和接口,再讲工具和状态,然后进入 RAG、MCP(模型上下文协议)、LangGraph(智能体状态图框架)、多智能体和商业交付。
能力证据字段契约
准备作品集或面试时,可以为每个项目准备一张能力证据表。
| 字段 | 说明 | 客服工作台示例 |
|---|---|---|
| 业务问题 | 项目解决的真实问题 | 客服重复问题多,售后处理不透明。 |
| 用户角色 | 谁使用系统 | 客户、客服、主管、管理员。 |
| 核心能力 | 用到哪些 AI 工程能力 | RAG、Tool Calling、状态管理、日志审计。 |
| 输入数据 | 系统读取什么 | 用户问题、订单号、知识库资料、工单历史。 |
| 输出结果 | 系统交付什么 | 回答、引用、下一步动作、工单、转人工原因。 |
| 风险控制 | 如何避免错误扩大 | 权限校验、人工审批、拒答、审计日志。 |
| 验收方式 | 如何证明有效 | 典型问题集、引用准确率、工具成功率、转人工准确性。 |
| 面试亮点 | 值得重点讲的工程点 | 工具治理、失败兜底、可追踪日志、资料更新机制。 |
这张表的价值是把“我会某技术”变成“我用某技术解决了某类业务问题”。
能力自测
你可以用下面的问题判断自己现在处在哪一层。
模型层
- 能否解释上下文窗口和 Token(文本计量单位)的关系?
- 能否估算一次请求的输入和输出成本?
- 能否说明为什么模型不能直接当企业数据库?
Prompt(提示词)层
- 能否把一个模糊指令改写成稳定的任务说明?
- 能否设计结构化输出格式?
- 能否为 Prompt 建立回归测试样例?
工具层
- 能否把一个业务动作封装成函数工具?
- 能否设计工具输入输出 schema(结构定义)?
- 能否处理工具调用失败?
数据层
- 能否解释 RAG 的基本流程?
- 能否设计文档分块和元数据字段?
- 能否判断资料质量是否足够支撑问答?
编排层
- 能否描述 Agent 的状态字段?
- 能否设计停止条件?
- 能否区分 Workflow 和 Agent 的适用场景?
服务层
- 能否把 Agent 暴露成 HTTP(超文本传输协议) API?
- 能否写日志、测试和配置说明?
- 能否设计 Mock(模拟)模式和真实模型模式?
交付层
- 能否把客户一句话拆成需求文档?
- 能否写验收标准?
- 能否估算工期和报价范围?
版本与资料来源
本章是能力地图章。具体 API、框架和工具用法以后续章节、求职模块及官方资料为准。
主要资料入口:
- OpenAI(模型服务商) API 文档:https://developers.openai.com/api/docs
- OpenAI(模型服务商) Agents SDK(智能体软件开发工具包)文档:https://openai.github.io/openai-agents-python/
- FastAPI(后端接口框架)文档:https://fastapi.tiangolo.com/
- Docusaurus(静态文档站框架)文档:https://docusaurus.io/docs
- 求职与面试模块:BOSS(招聘平台名称)岗位要求分析与能力矩阵