提示工程
核心事实
时间轴 (近 90 天)
相比提示工程，微调能让模型更稳定地掌握领域术语、输出格式和判断标准，但也要求团队具备高质量数据构建与评测能力，否则容易过拟合或引入偏见。
给Agent的提示必须包含限制条件和期望的输出格式两个要素。
“让AI反向提问”的提示策略可要求模型输出“问题清单—选项—优缺点—推荐理由—需要我确认的决策”，并明确在关键信息缺失时先提问而不是直接写代码。
过多的强制来源数量要求可能导致模型拼凑低质量来源，因此建议同时要求“优先权威来源”并核对引用。
在提示中明确指定来源数量（如“至少10个来源”）能激活模型更系统的推理路径，触发更多搜索查询和更长的信息整合链。
对多数创业公司来说，通用模型加少量微调或提示工程已能满足相当一部分场景。
提示工程通过设计输入指令、示例和输出格式引导通用模型完成任务，无需改动模型参数，迭代成本最低。
提示工程层面的修补可以缓解症状，却不足以构成可靠的安全边界；当设计空间扩展时，措辞层面的改进会失去稳定性。
改写“何时应当拒绝”的措辞和改变答案格式两种干预手段都提升了原始梁设计上的拒绝率，但在新设计上并未一致奏效。
实践建议：在提问时明确要求AI列出反对意见、争议点和不确定性，以补位多样性缺口。
还有 40 条时间轴事件
全部知识事实 (20)
提示词工程指通过精心设计输入文本来引导AI模型输出更高质量、更符合预期的结果
80%已验证提示工程（Prompt Engineering）的关键技巧包括角色扮演设定、少样本学习、结构化约束和链式思考
80%已验证微调能深层改变模型的行为模式，而提示工程只能在模型现有能力的边界内进行调度
75%已验证作者将大模型商业落地归纳为四个阶段：原生大模型、提示工程、RAG检索增强生成、Agent全面爆发
70%已验证Agent在用户和大模型之间起到沟通协调作用，理解用户需求、调用工具处理并返回结果
65%已验证提示词工程和RAG解决的是让大模型回答好问题，而Agent解决的是让大模型主动思考并解决问题
65%已验证提示工程存在无法访问企业私有数据、无法处理复杂业务问题、输出质量严重依赖人工调优水平三大核心缺陷
65%已验证微调适合让模型学习特定输出风格或领域语气，而RAG通过外挂知识库实现即改即用，两者在工程中常结合使用
65%已验证需求表达和判断与迭代能力的核心本质上是提示工程（Prompt Engineering）的实践
65%已验证AI编程助手通常结合检索增强生成（RAG）和上下文感知机制，能够理解整个项目的代码结构
65%已验证上下文工程是2024年以来业界对提示词工程的重要升级概念，由Anthropic等机构率先提出
65%已验证AI开发正在从'Prompt工程'走向'Agent工程'，前者核心技能是写自然语言指令，后者核心技能是设计系统架构
65%待验证吴恩达认为过去几年行业注意力集中在提示工程和上下文工程上，但对于需要持续运行数天甚至数周的Agent来说这远远不够
90%待验证AGENTS.md的实践与'上下文工程'（Context Engineering）的理念密切相关，代表了从提示工程到上下文工程的演进
85%待验证该框架要求提供MVP（最小可行产品）代码作为参考锚点，以降低AI的幻觉问题，原理类似于Few-Shot Prompting
85%待验证在企业级应用中，一个生产可用的系统提示词往往需要经过数十次迭代，涵盖角色定义、行为边界、异常处理、输出格式等多个维度
75%待验证任务提取不准确可通过专门的信息抽取提示词、two-step验证和微调任务识别模型来改进
70%待验证运行时策略定义是一种提示工程与少样本学习相结合的技术,允许在每次推理调用时用自然语言临时描述需要拦截或允许的内容
60%待验证上下文工程被定义为一种超越提示工程的系统化方法论，提示工程是上下文工程的一个子集
60%待验证相比提示工程，微调能让模型更稳定地掌握领域术语、输出格式和判断标准，但也要求团队具备高质量数据构建与评测能力，否则容易过拟合或引入偏见。
50%