学习提示工程、工具利用、知识管理和多Agent系统设计
指令必须高度具体、描述性强且详细，涵盖Agent响应所需的上下文、结果、长度、格式和风格。模糊或不明确的指令是误解和不正确响应的主要来源。
指令应放置在提示的开头，并使用分隔符（如 ### 或 """）与上下文信息清晰地分开。使用Markdown格式可以显著提高LLM对指令的解析和理解能力。
通过具体示例清晰地表达所需的输出格式和行为。可以从零样本提示开始，如果效果不佳，则通过提供几个已解决的示例进行改进。
指令应明确说明Agent"应该做什么"，而不是"不应该做什么"。积极的措辞提供了更高的特异性和清晰度。
复杂任务应分解并分步概述。这种细粒度的方法可以提高Agent的性能，并对其执行流程进行更精确的控制。
鼓励Agent采用"思维链"提示，这涉及在生成最终答案之前进行逐步推理。此过程可提高问题解决能力并带来更准确的结果。
工具利用是LLM Agent超越单纯对话能力，真正实现"Agentic"行为的主要机制，使其能够与现实世界互动。
工具的定义和规范应像整体提示一样，受到同等程度的提示工程关注。清晰的工具描述对于Agent理解其功能至关重要。
通过改变参数来"防呆"（poka-yoke）工具，使其更难出错。一个好的工具定义应包括使用示例、边缘情况、输入格式要求。
Agent可以使用预构建工具（如搜索、代码执行）、模型上下文协议（MCP）工具，或集成第三方库，甚至将其他Agent作为工具使用。
有效的知识管理和数据集成对于将AI Agent建立在事实性、领域特定信息的基础上至关重要，能够有效缓解幻觉问题。
集成Agent可以访问的相关知识库，内容应逻辑组织、使用分类，并避免冲突或重复信息。定期审查和更新知识。
元数据增强了数据的上下文和质量，有助于AI系统改进训练、理解、推理和响应生成能力。包括添加上下文、描述数据结构、解决歧义。
在上传前检查文档质量，必要时将大文件拆分为小文件。预先组织数据、清理内容存储库和建立治理，可以提高Agent的准确性。
强大的状态管理和长期记忆对于Agent从单轮交互转向真正智能、个性化和自适应行为至关重要。
摘要：最简单的方法，逐步总结对话
向量化：将记忆分段并向量化，通过向量搜索实现精确检索
提取：从对话历史中提取关键事实并存储在外部数据库中
对于防止记忆膨胀和保持效率至关重要；可以使用逐出/过期策略或时间戳。结合多种方法可实现实用平衡。
LLM具有固定的上下文窗口；状态管理策略必须考虑这些限制，以确保相关性而不超出令牌限制。
多Agent AI系统通过结合LLM与多轮状态跟踪、外部工具使用和协作交互，解决超出单个LLM范围的任务。
主Agent充当管理者，将小任务委托给专业子Agent。适用于客户服务、复杂项目管理。优势：集中控制、任务分解、专业化。
Agent通过将任务传递给下一个专家进行协作。适用于团队交接、复杂工作流。优势：灵活、减少单点故障、并行处理。
将任务分解为一系列步骤，每个LLM调用处理前一个的输出。优势：可预测性、高准确性、易于调试。
对输入进行分类并将其导向专业化的后续任务。适用于客户查询分类、任务分派。优势：关注点分离、专业化提示。
多个LLM同时处理任务，输出通过程序聚合。适用于代码审查、评估LLM性能。优势：速度快、多视角、提高置信度。
中央LLM动态分解任务，委托给工作器LLM并合成结果。优势：动态适应、处理不可预测的任务、模块化。