3.1.1 什么是提示词工程
经过本节学习，你将掌握
- 提示词工程的真正含义：不是「提问的艺术」，而是「提供上下文的艺术」
- 2025 年的最新趋势：从 Prompt Engineering 到 Context Engineering
- 传统编程与提示词工程的核心差异
先破除一个误解
你可能听过「提示词工程」这个词，觉得它听起来很高深。
很多文章会告诉你：提示词工程是一门「提问的艺术」，需要学习各种「魔法词汇」和「技巧公式」，才能让 AI 给出好答案。
这种说法把事情搞复杂了。
提示词工程的本质很简单：告诉 AI 足够的背景信息，让它理解你想要什么。
没有魔法，没有咒语。只有一个核心原则：你提供的信息越清晰完整，AI 的输出就越符合你的期望。
一个帮你理解的比喻
想象你刚招了一个实习生。
这个实习生非常聪明，学习能力极强，几乎什么任务都能完成。但有一个问题：他今天才入职，对你的项目一无所知。
现在你需要让他帮你写一段代码。你会怎么做？
方式 A：直接说「帮我写个登录功能」，然后等着看结果。
方式 B：先花 5 分钟介绍项目背景，说明用的技术栈，解释这个登录功能要实现什么效果，有什么特殊要求，然后再让他动手。
显然，方式 B 的结果会好得多。
AI 就是这个实习生。它的能力很强，但需要你提供足够的「上下文」才能发挥出来。
从 Prompt Engineering 到 Context Engineering
2025 年，行业内出现了一个有趣的转变。
根据 Gartner 的研究报告，越来越多的 AI 从业者开始用「Context Engineering」（上下文工程）来替代「Prompt Engineering」（提示词工程）这个说法。
这不只是换个名字。它反映了一个认知升级：
| 旧认知：Prompt Engineering | 新认知：Context Engineering |
|---|---|
| 关注「怎么问」 | 关注「告诉 AI 什么」 |
| 寻找「魔法词汇」 | 构建「信息环境」 |
| 一次性输入 | 系统性设计 |
| 依赖技巧 | 依赖清晰度 |
Anthropic（Claude 的开发公司）的工程师这样解释：
"与其花时间研究怎么措辞，不如花时间思考 AI 需要知道什么才能完成任务。"
这意味着什么？
你不需要学习复杂的「提示词技巧」，你需要学习的是：如何把你脑子里的背景信息，清晰地传达给 AI。
传统编程 vs 提示词工程
如果你完全没有编程背景，这里有一个对比帮助你理解：
| 维度 | 传统编程 | 提示词工程 |
|---|---|---|
| 语言 | 编程语言（Python、JavaScript 等） | 自然语言（中文、英文） |
| 精确度 | 必须精确到每个符号 | 允许一定模糊性 |
| 容错性 | 一个字符错误就报错 | AI 会尝试理解你的意图 |
| 核心能力 | 语法和逻辑 | 清晰表达和提供上下文 |
| 学习曲线 | 陡峭 | 平缓 |
传统编程要求你用机器的语言和机器对话；提示词工程允许你用人类的语言和 AI 对话。
但这不意味着你可以随便说说。AI 虽然能理解自然语言，但它理解的质量取决于你表达的质量。
从「精确指令」到「意图传达」，门槛降低了，但清晰表达的能力变得更重要了。
你已经具备这项能力
好消息是：提示词工程需要的核心能力，你已经具备了。
还记得第二章学的内容吗？
- 灵魂三问：用户是谁？痛点在哪？为什么选你？
- 用户画像：描述用户的表面属性、行为习惯、深层动机
- 减法思维：明确什么要做、什么不做
这些思考的成果，就是你要告诉 AI 的「上下文」。
第二章教你「想清楚」，本章教你「说清楚」。你在第二章积累的思考，会在本章转化为高质量的 AI 对话。
本节要点
✓ 提示词工程的本质是提供上下文，不是寻找魔法词汇。
✓ 2025 年趋势：从「提示词工程」到「上下文工程」，关注点从「怎么问」转向「告诉 AI 什么」。
✓ AI 就像聪明的实习生：能力很强，但需要你提供足够的背景信息。
✓ 第二章的思考成果（灵魂三问、用户画像、减法思维）就是最好的上下文素材。
接下来，我们深入探讨：到底应该告诉 AI 哪些信息？这就是「三层上下文模型」要解决的问题。