Prompt Engineering
Prompt Engineering（提示工程）是一种面向大型语言模型及生成式AI系统的交互设计方法论，核心在于通过系统性地构建、调整和优化输入提示词（Prompt），引导模型产生准确、相关且符合预期的输出结果。其关键特征包括：对语言模型行为的精细控制、对任务指令的结构化表达，以及在不修改模型参数的前提下提升模型性能与可用性。广泛应用于文本生成、问答、代码生成、推理等多类AI任务场景。
核心事实
时间轴 (近 90 天)
提示词工程仍是经验性技术而非精确科学,不同模型对相同提示词反应差异大,模型更新可能使旧提示词失效
在Harness架构中系统提示词（System Prompt）定义智能体的身份、能力边界、行为准则和输出格式
提示词工程（Prompt Engineering）兴起于2022-2023年大语言模型大规模落地之后，其核心是通过设计输入文本的结构、措辞和格式引导模型产生期望输出
先通过解释性任务验证模型对问题域的理解，再逐步过渡到生成性任务，这种分阶段提示能降低最终产出偏离预期的概率
内省指令本质上是元认知提示技术，属于Prompt Engineering中链式思维的延伸，核心原理是通过指令强制模型在输出结论前增加验证步骤
在内省指令中，模糊的'请确认完成'几乎无效，而'打开生成的文件并读取前三行内容'这样的具体操作指令才能真正触发验证行为
从记忆中检索相关信息动态组装成当前调用上下文的工程实现被称为上下文工程（Context Engineering）
基于 LLM 的信息抽取通过提示词工程即可快速适配不同业务场景，无需重新训练模型
Vibe Coding入门思路是先学会清晰表达需求而非先写代码，涉及Prompt Engineering技能，包括Zero-Shot、Few-Shot和System Prompt等技巧
提示词工程（Prompt Engineering）的理论基础可以追溯到人机交互（HCI）和信息检索领域的研究
还有 25 条时间轴事件
全部知识事实 (20)
Skill是将多步骤的交互逻辑、上下文管理、输出约束打包成一个可调用单元的概念，区别于单次交互的提示词模板
80%已验证AI工程化经历了从Prompt Engineering到Context Engineering再到Harness Engineering的三层进化
80%已验证Prompt Engineering作为一门学科兴起于2020年前后，随着GPT-3的发布而逐渐成型
80%已验证结构化的提示词设计可以将模型在特定任务上的表现提升30%以上
70%已验证高质量的提示词通常包含四个要素：明确的目标、清晰的约束、具体的上下文和期望的输出格式
65%已验证提示词工程的方法体系包括零样本提示、少样本提示、思维链提示（Chain-of-Thought）和树状思维（Tree of Thoughts）等技巧
65%已验证AI辅助编程的推荐流程为：先讨论需求再开发、分步推进（先界面后逻辑）、精确描述需求、迭代优化
65%已验证研究表明高质量的提示词可以将模型输出准确率提高30%-50%
65%待验证DeepLearning.ai的短课程通常与OpenAI、Anthropic、谷歌、Meta等公司合作，课程内容完全免费
90%部分验证大语言模型的输出质量高度依赖于输入上下文的质量和相关性
80%待验证AI大语言模型的输出质量更多取决于上下文信息的完整性，而非特定的魔法词汇或固定模板
75%待验证角色化插件的核心技术实现是将Prompt Engineering、RAG和Agent工作流封装为标准化的可安装包
70%待验证高质量Prompt的三个核心原则是：具体、丰富、少歧义
70%部分验证与AI协作时需求描述的准确性至关重要，模糊描述会导致AI在错误方向上浪费推理资源
65%待验证将最重要的指令放在prompt的开头或结尾通常效果更好，因为注意力机制对特定位置的信息赋予更高权重
60%待验证CLAUDE.md本质上是Prompt Engineering在工程化场景中的落地实践，将零散的提示词固化为可版本控制的项目资产
60%待验证提示词工程仍是经验性技术而非精确科学,不同模型对相同提示词反应差异大,模型更新可能使旧提示词失效
50%待验证在Harness架构中系统提示词（System Prompt）定义智能体的身份、能力边界、行为准则和输出格式
50%待验证提示词工程（Prompt Engineering）兴起于2022-2023年大语言模型大规模落地之后，其核心是通过设计输入文本的结构、措辞和格式引导模型产生期望输出
50%待验证先通过解释性任务验证模型对问题域的理解，再逐步过渡到生成性任务，这种分阶段提示能降低最终产出偏离预期的概率
50%