AI工程范式学习笔记(一):提示词工程,把脑子里的“隐形需求”翻译成AI能执行的“显性指令”
- 2026-04-08 03:54:40
AI工程范式学习笔记(一):提示词工程,把脑子里的“隐形需求”翻译成AI能执行的“显性指令”Claude Code源码泄露事件相信大家都已经知道了吧，51 万行代码泄露后，Claude Code 的护城河还在吗? 源码泄露之后，大家发现，泄露的源码揭示的不是一个简单的聊天机器人，而是一套完整的生产级AI Agent工程架构。Harness、控制平面、查询循环、多智能体协调……每一处设计都写着四个字：工程思维。 一时间，GitHub上相关备份仓库收获了数千星标，Hacker News和Reddit同时冲上热榜。开发者们一边围观，一边疯狂学习——Claude Code的系统提示词怎么写？工具调用怎么设计？Agent怎么协调？ 顺着这个热点，我开始了我的学习。学着学着，发现了一个我并没有了解过的概念——AI工程范式。它不是某个具体的技术，而是一套系统化、可复用的AI交互与应用方法论。理解了它，才算真正理解了“怎么让AI干活”。 下面，就是我学习“AI工程范式”的第一篇笔记：提示词工程。 你有没有过这样的体验： 同一个AI，为什么用起来差距这么大？ 答案很简单：AI是一匹野马，驾驭它是让自己加速的前提。 会写代码的人和不会写代码的人，面对同一台电脑，产出是天差地别的。AI也是一样——你需要一套工程化的方法，来驾驭它。这正是“AI工程范式”要解决的核心问题：一套系统化、可复用的AI交互与开发方法论。 我目前了解到的主流AI工程范式有三个层级，层层递进： 提示词工程 → 上下文工程 → 驾驭工程 在深入之前，先快速了解一下这三大范式分别是什么： 核心问题是“怎么跟AI说话”。通过设计清晰、结构化的指令，让AI一次就能理解你的意图。这是最基础的入门功夫。 核心问题是“该给AI看什么信息”。当任务变复杂，单靠一条指令已经不够了——你需要管理对话历史、注入知识库、构建共享记忆，让AI真正理解你的“经验”和“思维方式”。 核心问题是“怎么让AI系统稳定干活”。当AI Agent需要自主执行多步骤的复杂任务时，你需要设计一套“缰绳”——包括任务规划、反馈回路、安全控制、异常处理等——让Agent跑起来不翻车。 它们的区别： 先澄清一个常见误解：提示词工程不是“魔法咒语”。不是你以为找到了某个神秘句式【CRISP框架、RTPO框架等】，AI就会突然变得聪明。它的本质是“清晰沟通技术”——把人类脑子里模糊的意图，翻译成大语言模型可以理解的结构化指令。 AI的“阅读理解”能力远没有你想象的那么强。 它本质上是一个模式匹配机器。你给的信息越模糊，它就越容易根据概率“猜”一个最常见的回答。“Garbage in, garbage out.” 举个直观的例子： 模糊提示： 工程化提示： 这就是工程化思维和“随便问问”的区别。 下面这5个技巧，是我在实践中反复验证、最实用的方法。 给AI一个“人设”，它会自动带入相应的专业视角。 示例：“你是一位资深产品经理，请用用户故事格式描述……” AI的输出格式是可以“定制”的。明确告诉它怎么排版。 示例：“输出markdown表格，列包括：痛点、解决方案、优先级” 复杂任务不要指望AI一步到位。把它拆成若干个小步骤，每一步都给清楚指令。 示例：“第一步：列出5个选题；第二步：选出最吸引人的一个并解释理由” 这是所谓的“少样本学习”。给AI看一个你想要的输出范例，它就会模仿这个风格。 示例：“例如：‘产品A的slogan是极致简约’，仿照这个风格为产品B写一句” 限制AI的发挥空间，反而能得到更精准的结果。 示例：“不要使用专业术语，控制在200字以内” 小技巧：2026年提示词工程的一个关键实践——将系统指令与用户提示清晰分离。约束条件、输出格式和角色设定可以固定在系统提示中，用户提示只保留问题和数据，这样更稳定。 光说理论不够直观，来看两个真实场景的对比： 案例1：写周报 ❌ 初级版：“帮我写周报” → 输出：“本周我们努力工作，完成了一些项目……”——废话文学大师。 ✅ 工程版：“我本周完成了A项目原型设计、B客户方案会议。请用OKR风格写周报，分为：关键结果、完成进度、下周计划、所需支持。” → 输出：结构清晰、数据明确、可直接复制粘贴。 案例2：生成小红书标题 ❌ 初级版：“帮我写几个美妆标题” → 输出：“春季美妆推荐”“快来试试这款粉底液”——毫无吸引力。 ✅ 工程版：“你是美妆博主，为‘油皮粉底液测评’生成5个标题，要求：包含emoji、制造焦虑或反转、带数字” → 输出：“💥油皮救星来了！实测3款粉底液，第2款真的封神🔥”“⚠️警告！这5款油皮粉底千万别买错！”——情绪到位、点击欲望拉满。 可以看到，同样是用AI，输出质量的差距完全取决于你的输入质量。 结合我踩过的坑，总结3条避坑指南： 坑1：指令过于复杂 一次性塞进太多要求，AI会“顾此失彼”。比如又要求角色扮演、又要求特定格式、又要引用外部数据、还要分步推理……AI大概率会在某一环节出错。 ✅ 避坑：把复杂任务拆解成多轮对话。第一轮确认角色和框架，第二轮填充内容，第三轮调整格式。 坑2：遗忘约束条件 你辛辛苦苦写的约束，AI可能在一长串指令中“忽略”了——尤其是约束放在中间位置时。 ✅ 避坑：把最重要的约束放在开头或结尾，并且最后再强调一遍。例如：“请记住：总字数控制在200字以内。” 坑3：没有测试迭代 很多人在AI第一次输出不理想后，就放弃了。但事实上，好的提示词需要2-3轮优化。第一次调结构，第二次调细节，第三次调语气——这是正常流程，不是失败。 ✅ 避坑：把提示词当代码一样维护——版本管理、持续迭代。每次看到不满意的地方，就反问自己：“下一次的提示词可以怎么改进？”
为什么你总觉得AI“不够聪明”？可能是你还没掌握这套工程思维，文末有彩蛋哦~
一、你与AI之间，只差一套“工程范式”
别人用AI，半天搞定一周的工作量；
你用AI，提一个问题，出来一堆泛泛而谈的空话，来回改五六次还是不对味。
二、整体鸟瞰：三大AI工程范式是什么？
1. 提示词工程（Prompt Engineering）
2. 上下文工程（Context Engineering）
3. 驾驭工程（Harness Engineering）
提示词工程= 给下属写“明确指令”（比喻：对马喊话的技巧）
上下文工程= 给下属“共享工作笔记”（比喻：给马看的地图）
驾驭工程= 你同时指挥多个专家+工具完成一个项目（比喻：给马造一条告诉公路，配上护栏、限速牌和加油站）
三、第一篇重点：提示词工程——让AI听懂你的“言外之意”
3.1 什么是提示词工程？
3.2 为什么需要提示词工程？
“写一篇关于AI的文章”
输出：万金油式的套话，什么“人工智能正在改变世界”，哪儿都能用，哪儿都没用。
“以科普博主口吻，写一篇800字文章，介绍AI的三个发展阶段，每个阶段用生活案例说明，最后加一个总结表格”
输出：有结构、有细节、可直接使用的成品。
3.3 提示词工程的5个基础技巧
1. 明确角色
2. 给出格式
3. 拆分步骤
4. 提供示例
5. 加入约束
3.4 实战案例：从“无效提问”到“高效应答”
3.5 提示词工程的常见坑与避坑指南
tips:你完可以在想清楚你要让AI做的事情、目的、你可以给的输入后，告诉AI让它给你写提示词，再用他它的提示词让AI干活。
🎁 最后：彩蛋来了！
两个我发现的提示词学习资源，分享给你：
📘线上免费书籍：https://prompts.chat/book/00a-preface
系统讲解了提示词工程的核心理念和实战技巧，非常适合入门和进阶。
🧒游戏式提示词学习网站（适合8-14岁的小朋友）：https://prompts.chat/kids
如果你也有AI使用上的困惑，或者在提示词工程方面有独家心得，欢迎在评论区留言交流。下期见！
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
