从 传统 Prompt Engineering → 高级 Prompt → 自动化 Prompt → Context Engineering → Agent/系统级工程 的完整脉络。 每一种方法都按：① 方法 ② 示例 ③ 优缺点 来讲。下一篇博客我们来讲讲很火的Context Engineering。

一、第一代：传统 Prompt Engineering（人工写提示词）

这是 ChatGPT 爆火早期最典型的方式，本质就是： 靠人为语言技巧“诱导”模型行为

---

1️⃣ 指令型 Prompt（Instruction Prompt）

✅ 1. 方法

直接给模型下清晰命令，告诉它“你要做什么”。

✅ 2. 示例

你是一名资深市场分析师，请分析2024年新能源汽车行业趋势，并给出3条投资建议。

✅ 3. 优缺点

✅ 优点：

• 简单直接

• 学习成本极低

• 适合新手

❌ 缺点：

• 输出质量不稳定

• 对复杂任务控制力弱

• 容易“跑题”

---

2️⃣ 角色设定 Prompt（Role Prompt）

✅ 1. 方法

先给模型一个身份人格，再提任务。

✅ 2. 示例

你是一名10年经验的产品经理，请从用户体验角度优化这个APP功能。

✅ 3. 优缺点

✅ 优点：

• 输出更专业

• 风格更稳定

• 适合内容创作与咨询

❌ 缺点：

• 本质仍是“心理暗示”

• 无法约束事实准确性

• 对逻辑复杂任务帮助有限

---

3️⃣ 示例驱动 Prompt（Few-shot Prompt）

✅ 1. 方法

先给输入-输出示例，再让模型模仿。

✅ 2. 示例

输入：今天天气很好
输出：情绪积极

输入：我一点也不想上班
输出：

✅ 3. 优缺点

✅ 优点：

• 显著提升格式稳定性

• 适合分类、标注、风格模仿

❌ 缺点：

• 占用 Token

• 泛化能力有限

• 示例选不好会“带偏模型”

---

二、第二代：推理型 Prompt Engineering（让模型“想清楚”）

标志性突破：让大模型显式“思考”

4️⃣ Chain of Thought（CoT，思维链）

✅ 1. 方法

要求模型 一步一步推理 再给答案。

✅ 2. 示例

请一步一步思考：如果一个商品成本是100，利润率是30%，最终售价是多少？

✅ 3. 优缺点

✅ 优点：

• 逻辑正确率大幅提升

• 适合数学、推理、分析任务

❌ 缺点：

• 输出变长

• 推理过程可能是“编的”

• 消耗更多上下文

---

5️⃣ Self-Consistency（自洽性采样）

✅ 1. 方法

让模型用多条思维链同时推理，再投票选最优答案。

✅ 2. 示例

请用三种不同推理方式计算该问题，再给出你认为最可靠的答案。

✅ 3. 优缺点

✅ 优点：

• 极大降低逻辑错误率

• 工程化推理最稳定方案之一

❌ 缺点：

• 成本高

• 推理慢

• 日常对话没必要用

---

6️⃣ ReAct（推理 + 行动）

✅ 1. 方法

把模型输出拆成：

Thought（思考） → Action（调用工具） → Observation（观察） → 再思考

✅ 2. 示例（搜索型 Agent）

Thought: 我需要知道今天黄金价格
Action: 搜索“今日黄金价格”
Observation: 645元/克
Thought: 用户想投资建议…

✅ 3. 优缺点

✅ 优点：

• 是 Agent 的基础核心

• 能连接搜索、数据库、代码执行

❌ 缺点：

• Prompt 结构复杂

• 对工程实现要求高

• 向“系统设计”过渡

---

三、第三代：自动化 Prompt Engineering（模型自己优化提示词）

标志：

人不再手调 Prompt，而是模型调模型

---

7️⃣ Auto Prompt / Prompt Optimization

✅ 1. 方法

用算法自动搜索最优 Prompt，而不是人工写。

✅ 2. 示例（抽象示意）

系统自动测试：

• Prompt A → 准确率 68%

• Prompt B → 准确率 74%

• Prompt C → ✅ 最优

✅ 3. 优缺点

✅ 优点：

• 工业级稳定

• 不依赖“提示词玄学”

• 可规模化

❌ 缺点：

• 需要数据集

• 算力消耗大

• 普通用户几乎用不到

---

8️⃣ DSP / Prompt Compiler（提示词编译）

✅ 1. 方法

你只描述任务目标，系统自动生成最优 Prompt + 推理结构。

✅ 2. 示例

你只写：

目标：提升问答准确率
系统自动生成：

• 角色 +

• CoT +

• 示例 +

• 结构化输出

✅ 3. 优缺点

✅ 优点：

• 企业级标准方案

• Prompt 进入“工程结构化”

❌ 缺点：

• 黑盒化

• 需要配套框架

• 调试门槛高

---

四、第四代：Context Engineering

这是如今最重要的跃迁：

❌ 过去：我怎么“说服”模型
✅ 现在：我给模型“喂什么上下文系统”

---

9️⃣ Context Engineering（上下文工程）

✅ 1. 方法本质

不再专注“一句提示词怎么写”，而是系统性设计：

• 任务指令

• 用户画像

• 历史记忆

• 外部知识（RAG）

• 工具状态

• 规则约束

共同组成一个 “动态智能上下文”

---

✅ 2. 示例（客服系统）

系统上下文自动拼接为：

• 你是某银行智能客服

• 当前用户是 VIP

• 最近投诉过到账延迟

• 账单数据如下：……

• 当前时间是晚上11点

• 公司话术规范如下：……

然后用户只问一句：

我的钱怎么还没到账？

---

✅ 3. 优缺点

✅ 优点（关键优势）：

• ✅ 稳定性极高

• ✅ 可控性极强

• ✅ 支持多轮长期记忆

• ✅ 支持企业级业务

• ✅ 不依赖“提示词天赋”

❌ 缺点：

• 工程成本高

• 需要系统级架构

• 不适合普通轻量用户

👉 本质结论一句话：

Prompt Engineering 是“话术”，Context Engineering 是“系统架构设计”。

---

五、第五代：Agent Prompt Engineering（智能体时代）

这是 Context Engineering 的高级形态：

---

🔟 Agent Prompt / Multi-Agent Prompt

✅ 1. 方法

不是一个模型，而是：

• 规划 Agent

• 执行 Agent

• 校验 Agent

• 反思 Agent

多模型协作，每个 Agent 都有自己的 Prompt + Context。

---

✅ 2. 示例（自动写论文）

• Planner：拆章节

• Writer：逐章生成

• Reviewer：查重 & 修正

• Critic：提出改进建议

---

✅ 3. 优缺点

✅ 优点：

• ✅ 接近“数字员工”

• ✅ 可完成复杂长任务

• ✅ 能自我修正

❌ 缺点：

• 系统复杂度极高

• 成本高

• 稳定性依赖工程质量

---

✅ 一张总结表

代际	名称	本质
第一代	指令 / 角色 / 示例	人工话术
第二代	CoT / ReAct	控制推理路径
第三代	Auto Prompt	机器调参
第四代	Context Engineering	构建“认知环境”
第五代	Agent Engineering	构建“多智能体系统”