什么是 Prompt Engineering？“如今决定AI智能体成功或失败的关键因素，不再是模型本身，而是你提供给它的上下文质量。大多数智能体的失败，其实不再是模型的失败，而是上下文的失败。” by 宝玉
Prompt Engineering是早期在ChatGPT时代的产物，这意味着用户需要在聊天框里输入一些奇怪的内容，然后观察模型的输出效果，接着不断调整输入的提示词，直到满意为止。不过写Prompt没有统一的范式，只有一些模糊的经验可供参考，因此还诞生出很多提示词工程师的岗位。
Prompt Engineering 的本质，是一句话搞定模型：“你是一位 X 专家，请像 Z 一样完成任务 Y。”它依赖语言的表达技巧，通过优化提示的措辞、结构、语气甚至加入几个示例（few-shot）来引导模型生成想要的输出。
常见用途包括：
● 写文案（如广告 slogan、邮件模板）
● 模拟某个风格（如“像知乎大V一样发一条微博”）
● 一次性生成代码片段或小脚本
Prompt Engineering 非常像“即兴写作”或“自然语言编程”，它是 LLM 使用的起点，但也有明显的局限性。
什么是 Context Engineering？Context Engineering，是 Prompt Engineering 的“进化版”，是LLM发展到如今智能体阶段的要求。
它不仅仅关注一句提示词，而是设计整个模型所感知到的信息——包括：
● 系统提示（System Prompt）
● 历史对话记录
● 内存模块与用户画像（Memory）
● 文档检索（RAG / Retrieval Augmented Generation）
● 工具调用（Function Calling）
● 上下文窗口管理（Token Selection）
换句话说，Prompt Engineering 是在对话中“说什么”；Context Engineering 则是在决定“模型看到什么、什么时候看到、为什么要在意”。
Context Engineering 构建的是长期对话、一致性行为和任务自动化的基础架构。
举个例子说明两者的差异Prompt Engineering 场景：
你问 ChatGPT：
你是产品经理，请用幽默风格总结“苹果 Vision Pro 的产品定位”。
这是一条经典的 Prompt Engineering，它可能一次就能给你一个风格不错的答案。
Context Engineering 场景：
你构建一个企业内部助理，并为此设计了至少以下关键节点：
● 用户问问题前，模型自动从已有知识库中检索相似答案；
● 系统提示设定了对话风格和角色；
● 用户的过往提问会作为memory注入；
● 工具链决定模型在不确定时是否调用知识库或触发外部 API；
● 所有信息被按优先级动态注入上下文窗口。
在这个系统中，Prompt 只是一个输入，而整个上下文配置系统才是模型稳定表现的关键。
两者的对比与联系
Prompt Engineering 是我们与 LLM 交互的原始技巧，但随着智能体的开发，我们需要的不再是简单的文本生成器，而是一个智能助手。因此，Context Engineering可以说是现如今所有Agent不可缺少的设计思维。
正如 Andrej Karpathy 所说： “未来的提示，不再是prompt，而是context。”
