初学者必看：揭秘AI Agent如何动态组装提示词，轻松掌握大模型核心技术！

本文深入浅出地解析了现代 AI Agent 的工作原理，特别是其提示词的动态组装过程。通过“三明治”架构，详细介绍了身份层、能力层（包括 Tools、Skills 和 MCP）以及上下文层的构成。文章以实际场景为例，展示了 Agent 如何在运行时根据当前需求组装 Prompt，并提供了代码层面的简化示例。最后，强调了动态上下文注入的重要性，为开发者提供了优化 Agent 性能的实用建议。

一、"三明治"架构：Prompt 的三层结构

Agent 最终发给模型的 Prompt，通常像一个三明治，由三层拼接而成：

第一层：身份层

这是最底层、最稳定的部分，定义了 Agent 的"人设"。比如角色是"资深软件架构师"还是"数据库管理员"，以及一些核心行为准则——像Always answer in JSON format、Be concise、Do not apologize这类指令。如果你用过 ReAct 或 Chain of Thought，这里也会写上对应的思考框架要求。

第二层：能力层（重点）

这是最关键的动态层。Agent 并没有提前"背诵"所有工具的文档，框架会在运行时把工具的定义（Schema）注入到提示词或 API 参数中。

Tools（工具）——在 OpenAI 或 Anthropic 的 API 中，工具定义通常作为独立的tools参数传入，并不会直接写在 System Prompt 文本里。但从模型的视角看，它们会被渲染成类似这样的结构：

## Available ToolsYou have access to the following functions. Use them when necessary:-function: get_weatherdescription: Get current weatherparameters: { location: string }-function: execute_sql_querydescription: Run a read-only SQL queryparameters: { query: string }

Skills（技能）——Skills 是比 Tools 更高一层的抽象，一个 Skill 可能包含多个 Tool 的调用序列。比如"数据分析"这个 Skill，实际上是"加载数据 → 清洗数据 → 可视化"这一串动作的组合。在提示词中，它们通常以能力描述的形式出现：

skills 注入示例：

## Your SkillsYou are equipped with the"DataAnalysis"skill.When asked to analyze data, break it down into:1.Load Data2.Clean Data3.Visualize

MCP（Model Context Protocol）——这是 Anthropic 推出的一种标准协议，用于连接 AI 和外部数据源。它通过 Client-Host-Server 架构工作，在 Prompt 组装时显得更为标准化。MCP 主要提供三类东西：

• Resources（资源）

  ：MCP Server 暴露的数据，比如文件、数据库表。框架会把当前可用的资源 URI 列表注入 Prompt，类似这样：## Connected MCP Resources: - postgres://db/users

• Prompts（预设提示词）

  ：MCP 允许 Server 提供预设的 Prompt 模板，Agent 可以直接挂载这些远程定义的提示词片段

• Tools（MCP 工具）

  ：MCP Server 提供的工具会自动转换为标准的 JSON Schema 格式，合并到上面的 Tools 列表中

第三层：上下文层

这一层随着对话实时变化，包括最近几轮的对话历史（短期记忆）、根据用户问题检索到的知识片段（RAG 结果），以及当前的工作区状态——比如在 Cursor 或 Windsurf 这类 IDE Agent 中，当前打开的文件、选中的代码块都会被注入进来。

二、一个具体的例子

说了这么多，我们来看一个实际场景：用户问"请帮我分析一下 users 表的结构"，Agent 后台是怎么组装 Prompt 的？

首先是检索阶段：框架发现用户提到了users表，于是通过 MCP 协议向 Database Server 查询这张表的元信息。

然后是构建阶段：框架把各个模块拼起来——Header 写上"You are a Database Admin Agent…"，Tools Block 注入execute_sql、list_tables等工具的 JSON Schema，MCP Context 注入资源描述，Memory 注入之前的对话历史，最后附上用户的原始问题。

最后是发送阶段：把这一大段拼接好的文本（或 Token 序列）发给 LLM，等待回复。

三、代码层面长什么样？

如果你好奇代码里是怎么实现的，下面是一个简化的 Python 示例（LangChain 风格）：

defassemble_prompt(user_query, mcp_client):# 1. 静态部分system_message="You are a helpful AI assistant."# 2. 动态获取 MCP 工具和资源mcp_tools=mcp_client.list_tools()mcp_resources=mcp_client.read_resource("db://schema")# 3. 格式化工具描述tools_schema=format_tools_to_openai_schema(mcp_tools)# 4. 组装最终 Payloadpayload= {"model": "gpt-4-turbo","messages": [ {"role": "system", "content": f"{system_message}\n\nContext:\n{mcp_resources}"}, {"role": "user", "content": user_query} ],"tools": tools_schema }returnpayload

可以看到，整个过程就是"拿静态模板 → 动态查工具和资源 → 拼成一个大 JSON → 发出去"。

写在最后

总结一下：现代 Agent 的系统提示词已经从"手写一段话"变成了"运行时编译"。Tools 变成了 API 参数里的 JSON Schema，Skills 变成了 System Prompt 中的流程指导或预制工作流，而 MCP 则充当了"驱动程序"——让 Agent 能够标准化地把外部数据和能力动态挂载到上下文中，不再需要硬编码。

如果你正在开发自己的 Agent，有一个建议：不要试图把所有 Skills 塞进一个 Prompt。更好的做法是根据用户意图（通过 Router 识别）动态加载相关的 Skills 和 Tools，这样既能节省 Token，也能提高回答的精准度。这就是所谓的动态上下文注入（Dynamic Context Injection）。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2026 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？