PorterYuan · 个人学习博客

2024 Prompt Engineering 时代

9分钟阅读

2024 Prompt Engineering 时代：ChatGPT 级提示词技巧

本条目是「认知升级：四层模型」的第 1 部分，对应学习清单条目 1.1.1。

前置依赖：无（系列起点） 为以下铺垫：Context Engineering、Harness Engineering、Loop Engineering

一、核心观点

Prompt Engineering 解决「怎么把一句话问清楚」，是四层模型的底座，但只是 Context 的子集。 料不对，问得再好也白搭。

2.1 定义

Prompt Engineering（提示词工程）是研究「怎么把一句话问清楚」的技术。

  • 核心动作：设计输入文本，引导大语言模型（LLM）生成期望输出
  • 本质：人与 AI 的沟通界面，类似「给实习生写操作手册」
  • 时间窗口：2022–2024 年，随 ChatGPT 普及成为最核心的 AI 工程技能

2.2 核心技术

技术说明示例
角色设定给模型一个身份”你是一个资深 Python 工程师”
Few-shot 示例提供输入输出示例”输入：天气真好 → 输出：Positive”
Chain-of-Thought (CoT)引导模型逐步推理”请一步一步思考……”
输出格式约束指定返回结构”请用 JSON 格式返回”
温度控制调节随机性temperature=0.7

2.3 演进三阶段

阶段时间特征代表
手工调优2022–2023人工试错，难复用ChatGPT Playground
框架化2023–2024模板化、可优化LangChain PromptTemplate、DSPy、CRISPE
系统化2024–2025与系统设计结合System Prompt、Function Calling、多轮上下文管理

关键转变：从「手艺」走向「工程」，但优化边界始终停在单次 LLM 调用。

三、为什么 Prompt 仍然是基础

尽管 2025–2026 出现了 Context / Harness / Loop 三层，Prompt 并未过时：

  1. 它是 Context 的子集：Context ⊃ Prompt，写好 Prompt 是做好 Context Engineering 的前提
  2. 它是单次调用的最优解：简单任务（问答、分类、生成）只需好 Prompt，无需复杂架构
  3. 工程铁律——从最简方案起步：不是所有场景都需要 Agent 化

4.1 只管「怎么问」，不管「模型看到什么」

Prompt 只优化了输入措辞，但模型实际能看到的信息可能不完整：

类比：你给实习生写了一份完美的操作手册，但他桌上没有相关文档、没有访问权限、没有工具——手册再好也没用。

4.2 单次调用的天花板

  • ✅ 可优化：措辞、格式、示例、推理步骤
  • ❌ 无法优化：信息缺失、环境限制、系统性问题
  • ❌ 难以扩展：每次新任务都要重新设计 Prompt

4.3 脆弱且难维护

  • 对措辞敏感，微小改动可能导致输出剧变
  • 不同模型、不同场景需要重新设计
  • 散落在代码各处，缺乏版本管理

五、从 Prompt 到 Context 的认知跃迁

维度Prompt EngineeringContext Engineering
关注点怎么问模型看到什么
优化目标单次调用的措辞整个推理过程的信息
类比写操作手册准备工作台 + 文档 + 权限
局限只管输入管理整个信息环境

一句话总结：Prompt Engineering 解决「怎么问」，Context Engineering 解决「模型看到什么」。

六、最新研究与企业数据（2024–2026）

  • 权重转移已成共识：2026 年行业从 “写 Prompt” 转向 “设计 Loop”（详见 Loop Engineering 与 Prompt 权重变化）。Stanford HAI（2026-04）调研显示，已部署 AI 的企业在软件开发上获得 26% 生产率提升——但这主要源于系统化（Context/Harness/Loop）而非单点 Prompt 优化。
  • 模型越强，Prompt 越「轻」：Anthropic 在《Effective context engineering for AI agents》（2025-09）中指出，更聪明的模型需要更少规定性（prescriptive）的 Prompt，但「把上下文当作有限资源」这一原则始终成立。

七、学习资源

  • 经典论文
    • Chain-of-Thought Prompting Elicits Reasoning in Large Language Models（Wei et al., 2022, Google）
    • Large Language Models are Zero-Shot Reasoners（Kojima et al., 2022）
    • DSPy: Compiling Declarative Language Model Calls into Self-Improving Pipelines（Khattab et al., 2023）
  • 实践指南
    • OpenAI Prompt Engineering Guide
    • Anthropic Prompt Engineering Documentation
  • 进阶阅读

下一篇：2025 Context Engineering 兴起——下一层解决「模型看到什么」。

参考来源（一手链接 · 可溯源深挖）

速记卡（面试闪卡）

Q1：一句话讲清「2024 Prompt Engineering 时代：ChatGPT 级提示词技巧」到底是什么？ A：Prompt Engineering 是四层模型的底座：研究”怎么把一句话问清楚”，但只是 Context 的子集，管不了模型实际看到什么。

Q2：它包含哪些核心技术 —— 怎么理解？ A：像给实习生写操作手册的几种写法：角色设定（“你是资深 Python 工程师”）、Few-shot 示例（给输入输出样例）、Chain-of-Thought（CoT，引导逐步推理）、输出格式约束（“用 JSON 返回”）、温度控制（调节随机性）。演进从 2022 手工试错，到框架化（LangChain/DSPy），再到 2024 与系统设计结合。

Q3：为什么 Prompt 仍然是基础 —— 怎么理解？ A：三个理由：① 它是 Context 的子集（Context ⊃ Prompt），写好 Prompt 是做好上下文工程的前提；② 简单任务（问答、分类、生成）只需好 Prompt，无需复杂 Agent 架构；③ 工程铁律——从最简方案起步，不是所有场景都要 Agent 化。模型越强，Prompt 反而越”轻”，但”上下文是有限资源”始终成立。

Q4：它的致命局限 —— 怎么理解？ A：只管”怎么问”，不管”模型看到什么”——像给实习生写了完美手册，但他桌上没文档、没权限、没工具，手册再好也白搭。而且单次调用天花板明显：信息缺失、环境限制它优化不了；对措辞还敏感，微小改动可能输出剧变，散落代码难维护。

Q5：从 Prompt 到 Context 的认知跃迁 —— 怎么理解？ A：Prompt Engineering 解决”怎么问”，Context Engineering（上下文工程）解决”模型看到什么”——前者优化单次调用的措辞，后者管理整个推理过程的信息环境（工作台+文档+权限）。2026 行业共识已从”写 Prompt”转向”设计 Loop”，但 Prompt 仍是不可跳过的地基。

Q6：核心速记主线有哪些？

  • Prompt 管”怎么问”，是四层模型底座
  • 核心技术：角色/Few-shot/CoT/格式/温度
  • 局限：不管模型看到什么、单次天花板
  • Context ⊃ Prompt；2026 转向设计 Loop

口诀 A：Prompt 底座问清楚，角色示例 CoT 格式温 Context 包含 Prompt，模型看到才关键 只管怎么问不够，缺文档权限白搭 2026 转设计 Loop，地基 Prompt 仍要打

相关链接

关系图谱

反向链接

近期更新