Prompt Engineering，用自然语言给AI编程的技术

这个系列写到现在，我聊了Fine-tuning、Function Calling、MCP、AI Agent，基本上把AI的「底层技术栈」给过了一遍。

但我一直觉得少了一块。

这几篇文章讲的都是「AI系统怎么搭建」的问题，是工程师和技术团队关心的事情。但对于大多数人来说，你不需要自己去搭RAG系统，不需要自己去做Fine-tuning，不需要自己去部署MCP Server。你跟AI打交道的方式，就是打开一个对话框，打字。

而这个「打字」的质量，很大程度上决定了你能从AI那里拿到什么。

今天聊Prompt Engineering。

我知道，一说这个词很多人就要翻白眼了。「提示词工程」这个概念从2023年ChatGPT火了之后就被炒烂了，各种课程、各种教程、各种「万能提示词模板」满天飞。搞得好像学会几个固定句式就能让AI给你打工了。

坦率的讲，那些东西99%是垃圾。

但Prompt Engineering本身，作为一种跟AI有效沟通的能力，我觉得是真的重要。而且它在2025到2026年已经进化成了一个跟两年前很不一样的东西。

让我先把一个核心认知讲清楚。

你跟AI说的每一句话，都是在编程。

这句话听着有点夸张，但你仔细想想。传统编程是什么？是用代码告诉计算机该做什么。Prompt是什么？是用自然语言告诉AI该做什么。形式不同，但本质一样，你在给一个强大的系统下达指令。

区别在于，代码是精确的、确定性的，你写什么它就执行什么。自然语言是模糊的、多义的，同一句话在不同语境下可能有完全不同的意思。所以用自然语言「编程」的难度，某种程度上比用代码编程更高。因为你不仅要说清楚你想要什么，还要确保AI不会误解你的意思。

这就是为什么同一个模型，不同人用出来的效果天差地别。不是模型一会聪明一会笨，是你给的指令有时清楚有时模糊。

我跟你说一个我自己的经历。

有一段时间我让AI帮我写文章摘要，我就说「帮我总结一下这篇文章」。结果每次出来的东西长短不一、角度不同、有时候还掺杂AI自己的评价。我很烦，觉得这AI不靠谱。

后来我把prompt改成了「用3-5个要点总结这篇文章的核心论点，每个要点不超过30个字，只陈述事实不加评价」。出来的东西立刻稳定了，每次都是我想要的格式和风格。

模型没变，变的是我跟它说话的方式。

这个事情看起来很简单，但背后其实有一个更深的道理。大语言模型的工作方式是「根据上文预测下文」。你给它的上文越精确、越具体、越有结构，它预测出来的下文就越符合你的期望。你给它一句模糊的话，它就有无数种方向可以预测，你觉得不满意是必然的。

好了，具体到操作层面，2026年写好prompt有几个我觉得真正管用的原则。

第一个，明确你要什么格式。 这个听着简单但太多人忽略了。你想要列表就说要列表，想要表格就说要表格，想要JSON就说要JSON。你想要多少字、分几段、用什么语气，全部提前说好。AI非常擅长遵循格式要求，但你不说，它就自己发挥了。

第二个，给身份。 告诉AI它是谁。「你是一个有10年经验的产品经理」「你是一个严谨的学术论文审稿人」「你是一个毒舌但专业的代码审查者」。这不是玄学，这是在帮模型锁定一个输出分布。当你说「你是审稿人」的时候，模型生成内容的倾向就会向「严谨、挑剔、注重证据」的方向偏移。

第三个，给例子。 这在业内叫Few-shot prompting。你想让AI写一种特定风格的东西，最有效的方式不是用一大段话描述那个风格，而是直接给它两三个例子。「像这样写」比「用简洁、有力、口语化、偶尔带点幽默的方式写」有效十倍。模型看到例子之后能瞬间理解你要的模式，比看一堆形容词强太多了。

第四个，让它想一步再答。 这就是著名的Chain-of-Thought。你遇到一个需要推理的问题，不要让AI直接给答案，让它先把思考过程写出来。「请一步一步分析这个问题，然后给出你的结论」。这个简单的指令能让模型的准确率提升10%到30%，在数学、逻辑、复杂分析这些任务上效果尤其明显。

为什么有效？因为大语言模型是一个token一个token往外吐的。如果你让它直接给答案，它第一个token就要做出最终判断，相当于还没想就开始说。但如果你让它先把分析写出来，它在写分析的过程中，后面的token可以基于前面已经写出来的分析来推进。其实就是给它一个「草稿纸」。

第五个，也是我觉得2026年最重要的一个，说清楚约束和边界。 告诉AI什么不该做，跟告诉它什么该做一样重要。「不要编造事实」「如果你不确定就说你不确定」「不要超出我提供的材料范围」「回答中不要包含免责声明」。很多人只说了想要什么，没说不想要什么，然后AI输出里夹了一堆你不要的东西，你还得手动删。

这五个原则说到底，其实就一件事，降低模型输出的随机性。

模型本身是一个概率机器，它有无数种可能的输出。你的每一条指令，都是在收窄那个可能性空间。你给的约束越多、越具体，输出就越确定、越可控。你啥也不说让它自由发挥，那结果就是开盲盒。

说到这里，我想聊一个2025年开始在业内非常火的概念。

Context Engineering，上下文工程。

2025年年中，Andrej Karpathy在推特上发了一段话，大意是说，「Prompt Engineering」这个词已经不够用了。大家一听这个词，想到的就是「怎么措辞一个问题」，太窄了。真正决定AI系统表现的，是整个上下文窗口里装了什么。

他的原话是，「context engineering是精妙的艺术和科学，在于把恰好正确的信息填入上下文窗口，为下一步做好准备」。

Shopify的CEO Tobi Lütke也站出来说，这是「一项核心技能」，是「提供所有让任务可被LLM合理完成的上下文的艺术」。

这两个人一前一后把「Context Engineering」这个概念推到了台面上。

那Context Engineering跟Prompt Engineering有什么区别？

我自己的理解是这样的。Prompt Engineering关注的是「你怎么措辞你的问题」，是用户这一句话本身。Context Engineering关注的是「在你问问题之前，AI的上下文窗口里已经装了什么」。

你想想看，一个生产级的AI应用，用户输入只是整个上下文里很小的一部分。剩下的是什么？是系统提示词（告诉AI它是谁、该怎么表现）、是RAG检索回来的相关文档、是之前几轮对话的历史、是可用工具的描述、是各种约束和规则。

Karpathy用了一个很好的类比。他说LLM就像一个CPU，上下文窗口就像RAM。你的工作就是当这个操作系统，把正确的代码和数据加载到内存里，让CPU能正确执行。 你不会把硬盘里所有文件都塞进内存吧？那电脑就死机了。你也不会什么都不加载吧？那CPU就没活干了。关键在于，在恰当的时机，加载恰当的信息。

这个视角的转变对我自己的触动还挺大的。

以前我想的是「怎么把这句prompt写得更好」。现在我想的是「在AI回答之前，它需要看到哪些信息，这些信息应该以什么顺序、什么结构呈现」。

这两个问题的复杂度完全不是一个量级的。

第一个问题是措辞问题，是遣词造句。第二个问题是信息架构问题，是设计一个系统。

我举一个具体的例子。你让AI帮你写一份产品需求文档。

低级玩法是，「帮我写一份需求文档」。AI会给你一个泛泛的模板，跟你的业务八竿子打不着。

中级玩法是，「你是一个资深产品经理，帮我写一份关于XX功能的需求文档，要包含背景、目标用户、核心功能点、验收标准」。好了一些，但内容还是AI自己编的。

高级玩法是什么？你先把相关的用户调研数据、竞品分析、技术约束、之前的产品规划文档全部整理好，喂给AI。然后给它明确的角色、格式要求、输出约束。这时候AI输出的东西就不是凭空编的了，是基于你给的真实材料组织的。

从「帮我写」到「基于这些材料帮我写」，这个差距就是Prompt Engineering和Context Engineering的差距。前者是问一个好问题，后者是准备一整个好的工作环境。

但说真的，对于大多数人来说，你不需要焦虑什么Context Engineering。那更多是给构建AI产品的工程师看的。对于日常使用AI的人来说，把前面那五个原则做好，你就已经超过90%的用户了。

因为我看到的现实是，绝大多数人跟AI交互的方式还是2023年那一套，丢一句话过去就等着AI给答案。稍微不满意就说「AI还是不行啊」。很少有人会去想，是不是我的问题本身就不够好？是不是我应该给更多信息？是不是我应该换一种方式表达我的需求？

AI的能力上限是由模型决定的，但你能用到多少是由你的prompt决定的。

最后把Prompt Engineering放到整个系列的大图里看一看。

前面几篇我分别聊了Fine-tuning（让AI有专业能力）、Function Calling（让AI能动手）、MCP（让AI能连接万物）、Agent（把这些串成自主系统）。这些都是技术栈的事情，是「AI能做什么」的问题。

Prompt Engineering / Context Engineering解决的是「你怎么让AI做到」的问题。

再厉害的Agent，如果你给它的目标描述不清楚、约束不明确，它也会跑偏。再强大的模型，如果你的上下文里塞了一堆无关信息，它也会迷失。

技术栈决定了AI的能力天花板。而你跟它沟通的方式，决定了你能把它发挥到什么程度。

我自己觉得，这可能是未来几年每个人都需要学的一项基础能力。不是因为它多难，恰恰因为它不难，门槛很低，但回报很高。你花十分钟想清楚怎么跟AI表达你的需求，可能比你花两小时跟它来回拉扯强十倍。

大时代啊，朋友们。工具已经摆在桌上了，就看你怎么用。

永远对世界保持好奇。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章，我们，下次再见。

延伸阅读

• AI Agent，当AI学会自己搞定一整件事：AI Agent是Fine-tuning、Function Calling、MCP三大技术的集大成者。这篇文章从聊天机器人和Agent的本质区别讲起，拆解Agentic Loop的工作机制，坦诚讨论复合错误率的现实挑战，最终回答一个问题：当AI学会独立完成任务，什么能力变得更重要了？
• MCP，给AI一个通用的万能接口：MCP（Model Context Protocol）是AI世界的USB-C，解决了模型和工具之间N×M碎片化问题。这篇文章从USB-C类比讲起，带你理解这个正在重塑AI生态的开放协议。
• Function Calling，让AI学会动手干活的技术：AI什么都知道却什么都做不了？Function Calling让大模型从只会说话变成能动手干活。这篇文章用大白话聊透这个让AI Agent成为可能的核心技术。
• Fine-tuning，让AI学会「成为某个人」的技术：微调到底是什么？跟RAG和prompt有什么区别？LoRA和QLoRA又是什么？这篇文章用大白话聊透Fine-tuning，从概念到成本到实际应用场景。