2023年的某个深夜，一个产品经理打开ChatGPT，输入一句话，得到了一份完整的需求文档。他震惊之余，大概不知道，他输入的那句话，背后有一条10年多的技术暗线。

你可能也以为，Prompt Engineering是2023年ChatGPT火了之后才冒出来的新东西。

错了。

它有一条从2015年就开始的技术因果链，每一步都在改变人类和AI对话的方式。

先给一个定义，Prompt Engineering是通过设计语言提示来引导、控制和定制NLP（自然语言处理）系统输出的方法论。它不是咒语，不是玄学，是一门有学术根基的工程学科。

好，从2015年那个彻底改变一切的突破开始聊起。

---

2015年，模型终于能「看懂」prompt了

2015年，NLP领域的研究者正在苦苦挣扎一件事。

他们用RNN（循环神经网络）和LSTM（长短期记忆网络）处理长文本，模型处理到后面就会失忆，记不住前面写了什么。你想让模型关注prompt中最关键的几个词，它根本做不到。它看prompt就像翻一本没有目录的记事本，从头翻到尾，翻到哪算哪。

直到一篇论文出现。

八位Google研究者写了一篇叫「Attention is All You Need」的论文。他们提出了一个听起来很简单的想法，让模型在处理每个词的时候，自动判断输入里哪些词跟它最相关，然后给这些关键词分配更高的权重。

这个机制叫注意力机制，英文叫Attention。

它彻底改变了prompt和模型之间的交互方式。之前你写prompt，模型只能按顺序读，读到最后忘了前面。现在模型能注意到你prompt里最关键的词，不管你把它放在哪个位置。

没有它，后面所有的事情都无从谈起。

---

2018年，做NLP任务的门槛被拉低了

注意力机制之后，prompt设计进入了一个新阶段。

但当时还有一个大问题。你如果想让模型完成一个具体任务，比如情感分析，你得从零开始训练整个模型。准备几千条标注数据，训练几天，调十几个参数。像一个普通工程师想做这件事，成本太高了。

2018年，Google发布了BERT。

BERT做的事说起来也简单。它先用海量无标注文本预训练，学会通用的语言表示。然后你只需要在少量标注数据上微调少数参数，就能完成特定任务。

一个普通工程师发现，之前做一个情感分类任务，从零训练要几千条数据、几天时间。现在微调BERT，几百条数据、几小时就搞定了。

prompt设计也跟着变了。BERT时代出现了一种叫Cloze-style prompt的东西，就是填空式提示。你给模型一句话，中间留一个空，「这部电影太___了」，让模型去填。prompt从训练语料的一部分变成了任务描述。

这个阶段，prompt设计门槛被大幅拉低了。更多研究者开始尝试用不同的prompt让模型做不同的事。

---

2019年，prompt不再是训练的一部分

2019年，OpenAI发布了一篇论文，「Language Models are Unsupervised Multitask Learners」。主角是GPT-2。

论文发布后不久，一个研究者在Twitter上分享了一个惊人的实验。他不给模型任何任务示例，只给一句自然语言描述，「把这段英文翻译成法文」，GPT-2就真的完成了翻译。没有训练数据，没有示例，只有一句话。

这个能力叫零样本学习，Zero-shot learning。

坦率的讲，这是prompt设计理念的一个根本转变。之前prompt是训练语料的一部分，模型需要先用标注数据学会这个任务怎么完成。现在，prompt变成了引导工具。你只需要用自然语言告诉模型你想干什么，它就能干。

我觉得这是整个Prompt Engineering历史里最被低估的一个转折点。大家后来都在讨论GPT-3的1750亿参数有多震撼，但很少有人意识到，GPT-2已经悄悄证明了「引导」比「训练」更高效。

怎么说呢，这一步走完，prompt就不是训练的事了，它变成了对话的事。

---

2020-2021年，「Prompt Engineer」这个词出现了

2020到2021年，GPT-3发布了。

AI社区陷入了一场集体实验。大家疯狂尝试各种prompt写法，有的模板让GPT-3写代码，有的让它写小说，有的让它扮演心理咨询师。研究者和工程师们发现，同一个模型，prompt写得好不好，效果天差地别？？？

控制代码和模板式生成也开始被广泛使用。你可以在prompt里加入额外token，指定生成文本的情感、正式度、语言风格。prompt从一句话变成了带格式的模板。

就在这个疯狂的实验期，前OpenAI和Tesla的AI研究员Andrej Karpathy，在社交媒体上发了一条推文，提到了一个词，Prompt Engineer。

这个词迅速传播开来。Prompt Engineering从一个只有小圈子讨论的话题，变成了一个被独立讨论的领域。社区的推动力，在这个阶段，比学术论文的影响力还要大。

有一说一，我自己当时看到这个词的时候，也觉得有点好笑。一个「写prompt」的事，怎么就成了「工程」了，后来才知道，是我浅薄了。

---

2021年，从零散技巧到系统化研究范式

2021年，一篇综述论文发布了。

标题很朴素，「Pre-train, Prompt, and Predict，A Systematic Survey of Prompting Methods in Natural Language Processing」。（预训练，提示词，和预测：自然语言处理中提示方法的系统综述）

但这篇论文做了一件非常重要的事。它把之前散落在几百篇论文、几千条社区讨论中的prompt技巧，整理成了一个清晰的系统框架。

它提出了一个全新的范式，「预训练，提示，预测」。之前NLP的主流范式是「预训练，微调，预测」，你做每个任务都需要微调一次。现在，通过设计不同的prompt模板，同一个预训练模型可以解决不同类型的任务，不需要微调。

从此，Prompt Engineering不再是经验技巧的合集。它有了学术定义，有了系统框架，有了可以被研究、被教学、被传承的方法论。

---

方法论从哪来，三条路径

讲完学术脉络，你可能会问，那现在大家到底是怎么学Prompt Engineering的。

相对而言，有三条路径。

第一条，学术研究。读论文，跟着学术界的最新进展走。这条路最扎实，但也最慢。

第二条，工业实践。OpenAI、Anthropic这些公司通过API文档和博客分享案例，讲怎么在真实产品里用prompt。这条路最实用，但偏商业化。

第三条，社区贡献。GitHub上有个项目叫awesome-chatgpt-prompts，收集了500多个场景的prompt模板。Reddit上也有专门的社区讨论。这条路最鲜活，但质量参差不齐。

三条路径各有侧重，但共同构成了这门学科的方法论。产品经理和工程师通常结合这三条来学。

---

Prompt不是咒语

所以，讲完这条10年多的因果链。

下次当看到有人说「Prompt Engineering就是几句咒语」的时候，你可以告诉他。

它不是咒语，也不是玄学。不是「换个写法就好用了」的神秘技巧，是对「如何用自然语言引导大语言模型」这一问题的系统研究和工程实践。

从2015年注意力机制开始，经过BERT的预训练范式、GPT-2的零样本能力、GPT-3和社区的爆发，最终在2021年被一篇综述论文系统化定义。

是一条由几百篇论文、几千名研究者、几万名工程师共同推进的技术因果链。

而且它还在继续演化。多模态prompt、基于人类反馈的强化学习，这些新方向让prompt从纯文本扩展到了图像、视频、音频。

但那是另一个故事了。

---

本文的技术时间线主要参考了论文「A Brief History of Prompt: A Survey of Prompting Methods in Natural Language Processing」（arXiv:2310.04438）

---

如果你对 Prompt Engineering、AI Agent 这些方向感兴趣，也欢迎来群里一起学习交流。扫码即可加入