本文探讨了如何将AI Agent的框架应用于工作，提出了“上下文、工具箱、大模型和提示词”四个关键要素，以此来审视和优化工作方式。文章强调了构建上下文、拓展工具箱、提升大模型认知和明确个人提示词的重要性，旨在帮助读者更结构化地思考自身，从而提升工作效率和个人价值。

🗂️ **上下文为王：** 强调了上下文（Context）在工作中的核心地位，如同AI Agent依赖上下文一样，员工的工作深度和广度也依赖于对工作上下文的掌握。文章强调，构建和理解工作上下文，包括系统目标、业务流程、技术支持等，对提升工作效率至关重要。

🧰 **工具箱拓展：** 鼓励员工拓展其“工具箱”，将专业技能、新技术、沟通协作、资源整合等都视为可调用的工具。文章建议像扫描mcp.so等集合站一样，检视职场环境，充分利用各种工具来提升工作效能。

🧠 **大模型认知：** 强调了大脑作为“大模型”在工作中的作用，以及不断训练和优化的重要性。文章从大模型训练中获得启示，建议优化学习系统、重视信息摄取，并根据任务需求调节“温度值”，从而提升工作产出。

🎭 **提示词设定：** 强调了个人“提示词”（Prompt）的重要性，即对工作中的个人使命、职业目标、行为模式、职业操守等进行清晰设定。文章鼓励个体根据自身情况，调整角色设定、行动空间、行为模式、个性化风格和审美偏好，以提升工作满意度和产出质量。

原创 Ace人生 2025-06-15 13:22 浙江

AI Agent给工作带来的启示：上下文（Context）、工具箱（Tools）、大模型（LLM）和提示词（Prompt）。

1. 题记最近工作的一部分内容是梳理公司整个自动驾驶数据平台的全景图，从而掌握现状，规划未来。同时在密集面试候选人🏃‍♂️。在这个过程中，我把「工作」本身放进 AI Agent 的框架里重新打量，冒出了不少启示，记录并与你分享📖。

2. Context：上下文为王Context is king for AI Agents.

-- Aaron Levie, CEO@Box 🗣️

对AI Agent来说，上下文（context）为王：

对Cursor/Windsurf这样的编程智能体来说，代码库就是其上下文 🗂️；

对Manus/Devin这样的通用智能体来讲，包含浏览器、IDE、工作笔记本等组件的运行时安全沙盒，就是其上下文🔒；

对于数据Agent来讲，能访问到的企业数据就是其上下文📊。

Agent不能脱离context（上下文）而孤立存在，恰如水之于鱼；不同的context也孕育不同的Agent，就像不同的水域产不同的鱼一样。

我之所以要花大力气去梳理公司整个自驾数据体系，是因为它是我工作的上下文。我往后的工作的深度和广度，会强烈依赖我对这个context的掌握和理解。要了解的内容包括而不仅限于：该系统的核心目标、整个业务流程、基于业务流的数据流、支持整个数据流的技术系统、整个链路上的团队分工、参与其中的有哪些人、使用和操作数据的产品界面、系统演化的历史、其他相关系统的概貌和团队以及接口人...围绕着这些内容，我细读了几十个飞书文档、看了若干关键模块的代码、反复在看十来个公司同事之前的视频分享、约了好多个同事面聊或者在线会议、使用了不同系统的各种产品。最后的最后，我结合自己过往的知识和经验，整合我能触达的信息，正在写一个长篇的文档📚，期望呈现出我所理解、最新版本的系统样貌。这将是我接下来工作最核心的上下文。

比较幸运的是，公司给了我去了解和构建context的可能性。我们有丰富的文档资料、系统关键模块都有分享的视频留存🎥、代码库可按需申请，以及乐于分享的同事。如果上述环节的摩擦力比较大，获取难度较高，甚至没有相关的渠道，可以想见其对工作效率的妨害巨大。因此，可以从context的获取难易的角度来评价一个公司的治理水平。如果对于新手，context获取丝滑，那公司治理是好的；如果context获取艰难，多半治理不怎么样。好公司促进信息和知识的沉淀和传播；坏公司妨害它们。

一个基本的标志就是文档是否齐全；更进一步，视频分享是否充分（视频分享的信息维度会远大于文档，它会展开很多文档没有写出来的细节：更充分的背景信息、更细节的设计考量、更深入的明细讨论，以及提问和回答提供的丰富补充）。无论是对员工，还是将来接入的AI Agents，这些都很重要🤝。

每个公司有自己的上下文：所在行业、竞争格局、愿景使命、文化价值观、规章制度、业务矩阵、技术系统、员工等等；每个员工有自己的上下文：除了要获取公司的上下文，还包括职位职能、业务目标、技术体系、部门、直属领导、同事、合作上下游、组内风气等等。员工继承公司上下文，也将自己的实践汇集到公司上下文。

上下文是动态的，流动的🔄。竞争格局、战略调整、业务扩张、降本增效、技术更迭、上司调动、同事离职、转岗等都会改变员工的处境，从而需要我们更新自己的上下文。有人对此敏感，有人对此顿感。

我这次花大力气去梳理和构建对整个数据系统的上下文，主要是因为上司变动，部门正在重组，我自己的职能会发生重大变化。而这些变化，目前看尚不明确，因此我需要主动去梳理，看清超出我现在工作范围的整个系统的现状和问题，找到自己比较确定能做事的空间，增加确定性。同时，新的leader正在落地过程中，他有新的设想，也需要系统性的输入，我自己对整个系统也没有全面的、深入的了解，于是被动+主动两方面都需要我扩大自己的context。我的目标是写一篇综述性的文章，将我司自动驾驶数据系统的全貌呈现出来，成为新员工的101教程。这是现在还没有人做过的一件事情，之前的文档基本上都是局部的、关于子系统的。这个全局性和大局观是我的差异化，是一个独特的context。这一方面能刷新和加深我自己的认知，另一方面可以塑造影响力。从这个意义上讲，每个人都需要且可以通过阶段性地重构自己的上下文去刷新认知；同时分享出去，增加自己的影响力。

3. Tools：拓展你的工具箱AI Agents可以简单理解为：在一定的上下文（Context）环境中，能使用（甚至发明）工具（Tools）的大模型（LM，可以是大语言模型LLM，也可以是多模态模型）。

在公司的宏观视角看：员工的专业技能是公司看重的Tools，是招聘来解决问题的工具箱🧰。不同岗位的工具箱不一样：对程序员来说是编程，对产品来说是市场洞察和产品设计，对运营来说是业务拆解和数据驱动。

在员工的微观视角看，除了已经掌握的专业技能，我们还有很多其他工具可以调用。新技术引入，可以使用更先进的技术，是工具；沟通协作，以调用其他同事的技能，是工具；招聘新员工，可以补充人力，是工具；技术采购，可以解决自己搞不定的问题，是工具；贴近战略主线，可以顺势而为，是工具；发掘用户需求，可以挟天子以令诸侯，是工具......

在Tools视角，将关注范围从自身技能拓展开来，将自己能发挥主观能动性的所有方面都加入到工具箱中。这是更加有威力的心态和意识。我们要像逛mcp.so这样的mcp集合站一样扫描所处的职场环境，检视我们可以调用的工具。它一定比我们自己设想的空间更大、范围更广、威力更强。

4. 大模型：压缩与生成AI Agent的核心是大模型，特别是大语言模型LLM，它的出现才导致了现在Agent的繁荣。大模型是智能的来源🧠。

在工作中，大脑就是我们的大模型，是个体智能的核心，它是公司聘用我们的根本原因。

大模型分为训练和推理两个阶段：训练阶段是信息压缩，将互联网级别的海量数据压缩到大模型的参数中；推理阶段是token生成，根据用户的需求生成不同的回应🌀。

在工作中，我们一方面在不断训练自己，将自身实践、同事八卦、公司宣导、行业动态等不同来源的信息持续压缩成自己的认知，不停刷新大脑的神经元连接；另一方面，根据业务目标、老板要求、同事需求、自我驱动等输入，生成产品设计、技术方案、汇报PPT、业务流程图、代码实现等各种token.

大模型的训练讲究算法、算力和数据；对应着个人大脑的刷新中的学习系统、“智商”和信息摄取。我们可以从大模型训练中获得下面的一些启示：

尽管算法上都是使用Transformer架构，但在具体实现上差异非常大。特别是DeepSeek的横空出世，让大家感知到在训练过程中有巨大的优化空间。我们也可以不断优化和精进我们的学习系统，包括而不仅限于：学习的意愿和心态的强弱、学习率的调节、学习方式的迭代、更新的频率。

如果将个人的算力简化为“智商”，那很固定，很难改；但如果相信“多元智能”，那你会去主动寻找自己的差异化，探索适配自己智能特点的空间。

大模型公司最不透明的就是数据：有哪些数据集，是怎样的配比。哪怕是公开程度最高的DeepSeek，这也是他们的核心机密。足见数据的重要性。因此，要充分重视自己的信息摄取：是前沿的吗、是一手的吗、是基础的还是衍生的、是长的还是短的、是信息还是噪声、是增量还是回声、是单一还是多元......

大模型的生成可以通过“温度值”调节回应的“创新性”和“稳定性”；我们也需要有这方面的意识，能识别这个任务需要的是“新颖”还是“稳定”，从而去调节自己的“温度”。个人的“温度值”不是指你的体温，而是面对一个问题时的兴奋程度，它取决于你和问题之间的做事欲望、技能匹配、挑战性、兴趣浓度等等🧩。

5. Prompt：你对自己的设定上面讲的上下文、工具箱、大模型，都是相对客观的，基本上由你的工作职位、环境因素和过往历史决定；而有一件事，是主观的、充满个人意志的：那就是Prompt。对AI Agent来讲，Prompt是规范其任务目标、工作方式、行为规范、工具范围、结果标准的系统设定；对人来讲，也一样。我们需要对自己在工作中的个人使命、职业目标、行为模式、职业操守、交付标准、审美偏好等方面进行设定，最好能像Prompt一样清晰地表达出来。这个设定是非常个性化的，跟自己对工作的期待和诉求息息相关。既可以是追求工作和生活平衡的心态，也可以是追求升职加薪的最大化收益的状态。这一切都取决于根据当前生命状态的自身设定🎭。

Prompt的好坏往往决定Agent的产出质量；个人的自我界定也决定工作的产出。这是个人意志在工作中的体现，是最值得个体在意的地方。在某时某地，我们很难改变当前的Context、Tools和Model，但可以改变我们的Prompt，它包含很多可以调节的部分，包括：

角色设定。我在这份工作中，应该扮演什么角色？这是可以不断调整的，今天和明天都可以不同。

行动空间。跳出来你日常的工作模式，看到自己可以采取行动的空间，看看有没有重新界定的可能。

行为模式。是被动相应还是主动推动？这是可以争取的点。

个性化风格。在工作上，带点自己的个人化风格，可能是文档风格、时间切分粒度、办公室隔间的布置、表达的习惯等等，都可以增强自己的风格，从而获得更多的自由感。

审美偏好。对自己产出的要求、评审会对他人设计的反馈、对文档的评论等等，都可以有意识输出自己的价值主张和审美偏好。

......

6. 小结AI Agent的体系结构，我觉得是反观自己在工作场景的个体存在的好类比。借由上下文（Context）、工具箱（Tools）、大模型（LLM）和提示词（Prompt）等概念，我们可以更结构化地去思考自身，从而通过新技术的发展照一照镜子，获得对人类自己的更进一步认识🚀。

欢迎加入「AI行动派」，"用AI做点什么"。

我在公众号「无人之路」每周更新"AI启示录"，输出"学AI，用AI"的最新实践与心得。不过这只是冰山一角。

在知识星球「AI行动派」中，有更多更丰富"学AI，用AI"的各种资源、技术、心得，每天更新，最近主要集中在AI Agent上💡。欢迎加入，一起行动！

AI行动派

阅读原文

跳转微信打开