Latest

深度剖析 Claude Sonnet 4.5 的系统提示词设计：从角色定义、行为规范到安全边界，揭示 Anthropic 如何通过精心设计的结构化提示词，将一个通用语言模型塑造成具有明确个性、遵循特定规范且安全可靠的 AI 助手。

系统化的结构化提示为 LLM/Agent 提供清晰的“操作契约”：通过分隔符分区与组件化设计（role/context/instructions/output），为模型建立注意力锚点，降低歧义并提升一致性；文中对 XML 与 Markdown 作为分隔符的取舍给出实践建议，说明何时追求强结构锚定、何时优先 token 效率。

将上下文工程定义为一套“动态信息编排”的系统方法：在正确时间以正确格式为 LLM 提供正确信息与工具，以获得稳定、可控、可预期的输出；文章阐明其与 Prompt Engineering、RAG 的关系，并总结动态构建、压缩优化与排序策略。

上下文腐烂 (Context Rot) 是 LLM应用，特别是多轮长上下文对话应用如RAG，Agentic AI 系统在运行时面临的核心结构性挑战。文章分析了其根本原因——Transformer注意力机制的$N^2$复杂度制约，及其表现形式如位置偏差、语义模糊等，并分类总结了上下文腐烂的来源类型。

本文探讨了如何评估RAG系统的性能，提出了一系列量化指标，并分析了这些指标在实际应用中的意义和计算方法。