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)
在LLM时代，RAG、Prompt Engineering、Agent框架等应用层技术使应用AI入门门槛降低，但对工程集成能力和领域知识要求提高
编程提示工程中常用的模式包括Chain-of-Thought、Few-shot和Constraint-based，核心目标是减少AI的自由发挥空间使输出更可控
向LLM提供结构化需求描述（函数签名、类型约束、前置条件和后置条件）能显著提高生成代码的正确率
在提示词中加入表达氛围和情感的词汇，往往比单纯描述物体更能产出打动人的作品
对复杂需求进行分步拆解并在迭代修改时保留上下文，能显著减少AI生成代码的偏差率
三种工程范式存在包含关系：提示词工程 ⊂ 上下文工程 ⊂ Harness工程
使用Plan模式（先规划后执行）能显著提升AI输出代码的可用性，避免反复返工
通过精心设计的系统提示词+RAG（检索增强生成）就能解决80%以上的场景需求，无需微调
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
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
还有 5 条时间轴事件
全部知识事实 (15)
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%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
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%待验证通过精心设计的系统提示词+RAG（检索增强生成）就能解决80%以上的场景需求，无需微调
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%待验证在LLM时代，RAG、Prompt Engineering、Agent框架等应用层技术使应用AI入门门槛降低，但对工程集成能力和领域知识要求提高
50%待验证编程提示工程中常用的模式包括Chain-of-Thought、Few-shot和Constraint-based，核心目标是减少AI的自由发挥空间使输出更可控
50%待验证向LLM提供结构化需求描述（函数签名、类型约束、前置条件和后置条件）能显著提高生成代码的正确率
50%待验证在提示词中加入表达氛围和情感的词汇，往往比单纯描述物体更能产出打动人的作品
50%待验证对复杂需求进行分步拆解并在迭代修改时保留上下文，能显著减少AI生成代码的偏差率
50%待验证三种工程范式存在包含关系：提示词工程 ⊂ 上下文工程 ⊂ Harness工程
50%待验证使用Plan模式（先规划后执行）能显著提升AI输出代码的可用性，避免反复返工
50%