最近直播和社群里,被问到频率最高的一个问题:
提示词工程、上下文工程、Harness 工程…… 这些「XXX工程」到底啥区别?产品经理要学哪个?
先回答:所谓「XXX工程」,就是更规范做 XXX 的方式。
- • 提示词工程 = 更规范地写提示词;
- • 上下文工程 = 更规范地为模型构造上下文;
- • Harness 工程 = 更规范地为 Agent 搭建运行环境。
三个概念不是替代关系,是递进关系。它们共同回答一个核心问题:如何让 LLM 产出更好的结果?
今天这篇文章,帮你一次搞清楚。
提示词工程:一切的起点
为什么需要"提示"?
所有 LLM 都有一个共同特征:它不会主动行动。
不管模型多聪明,你不给它输入,它就只是参数文件里沉睡的几十 GB 权重。"提示"(Prompt)是一切的起点 — 没有提示,就没有输出。
而如何"提示"、"提示"什么,直接决定了 LLM 能为你创造多大的价值。
这就是 提示词工程(Prompt Engineering) 存在的意义:一套让"提示"更好地指导 LLM 工作的方法。
提示词工程的本质是什么?
听起来高大上,但提示词工程的核心其实就两件事:
1)把事情的背景信息交代全面
你得告诉模型:你是谁、你要解决什么问题、当前是什么场景、有哪些约束条件。
模型不了解你的业务、你的用户、你的上下文 —— 你不交代,它就猜。
2)把事情的要求约束清楚
你得告诉模型:输出什么格式、面向什么受众、用什么风格、长度多少、哪些是必须包含的、哪些是绝对不能出现的。
你不约束,它就自由发挥。
发现没有?这两件事,产品经理天天在干。
前者是需求分析、需求挖掘、问题定义 —— 这是产品经理的基本功之一。
后者是功能描述、功能拆解、边界界定 —— 这是产品经理的基本功之二。
提示词工程,本质上就是在写 PRD。
只不过这次的"开发人员"是大模型,而且它不需要你用技术语言,用自然语言就够了。
怎么真正掌握提示词工程?
背模板、抄别人的提示词,只能解决表面问题。
真正掌握提示词工程最好的方式,是理解大模型运行的底层原理。
关于 LLM 的底层原理,确保你理解了:LLM 生成的每一个 Token,都来自对前文的分析,但最终的选择是概率性的。
这意味着什么?
- • 前文越清晰,生成越精准。 模型会"模仿"前文的风格和逻辑。你给它一个结构化的提示,它就倾向于输出结构化的内容。
- • 约束越明确,随机性越小。 概率选择意味着模型有"跑偏"的可能。你要求越严格,它跑偏的空间就越小。
- • 示例比描述更有效。 与其用一千字描述你想要什么,不如直接给它一个例子。模型最擅长"模仿"。
一旦理解了这些特性,你就知道该怎么写提示词了 —— 因为你理解了要打交道的对象。
这就是提示词工程。
为 LLM 提供上下文最简单、最直接的方式,也是一切 AI 工程的基础。
🔑 一句话总结: 提示词工程 = 用 PRD 思维给模型交代清楚背景和要求,让它的概率输出更可控。
上下文工程
提示词工程解决了"怎么写好一条提示"的问题,随着 AI 应用越来越复杂,你会发现:一条提示词远远不够。
为什么提示词工程不够用了?
一个场景:你让 AI 客服回答用户问题。
如果只靠提示词,你得在提示里塞进产品文档、用户历史、FAQ、话术模板、合规要求……
很快,提示词就膨胀到几万字,模型的注意力被稀释,效果反而变差。
更麻烦的是,很多信息是动态的 —— 用户的订单状态在变、库存数据在变、最新的政策在变。
你不可能每次都把全量信息塞进提示词。
这时候,你需要的是上下文工程(Context Engineering)。
上下文工程是什么?
所有为 LLM 提供作业支撑信息的方式,都是上下文工程的一部分。
实际上,提示词工程本身就是上下文工程的一个子集 —— 它是最简单的那种:把所有信息直接写在提示里。
但上下文工程的范围远不止于此。
它要回答的问题是:在每次模型调用前,什么样的信息组合,最有可能让模型产出期望的结果?
这个问题的难点在于:
1)信息太多,窗口有限
大模型的上下文窗口就像人的工作记忆 —— 容量有限。
塞太多信息,模型反而"走神"。
随着上下文中的 Token 数量增加,模型准确回忆信息的能力会下降。这不是 bug,是架构限制。
所以,上下文工程的第一原则是:信息充分但紧致 ——…