🧭 Prompt 即代码 → Context Engineering

AI 辅助开发的工程实践已从「调 Prompt」进化为 Context Engineering——系统性地管理 AI 看到什么、被什么约束、如何编排、如何验证。四层架构是其工程化表达。

🔍 为什么「调 Prompt」的时代结束了

2023-2024 年的主流思维模式：Prompt 是「咒语」——找到正确的措辞就能让 AI 产出正确的结果。2025-2026 年的工程实践否定了这个前提：

• 同一个 Prompt，在不同模型的同一版本下产出可以不同。同一 Prompt 在不同上下文长度下产出可以不同。Prompt 不是函数——它没有确定性输出。Andrej Karpathy（前 Tesla AI 总监、OpenAI 联合创始人）在 2025 年 6 月将其命名为 Context Engineering：「Context engineering is the delicate art and science of filling the context window with just the right information for the next step。」
• Prompt 只控制「AI 被问了什么」——它不控制「AI 在回答时能看到什么、不能看到什么、被什么约束、产出后如何验证」。真正的工程杠杆在 Prompt 之外。
• 实践层八条 KB 条目的共同主题：高质量的 AI 辅助开发不是靠一句 Prompt 实现的——是靠一个系统性的工程架构。Prompt 是这个架构中最薄的一层。

🏛️ 四层架构：从指令到验证的完整链路

八条 KB 条目的整合产出四层架构：

🧱 第一层：Prompt 即代码（指令工程化）

把 Prompt 当作软件工程的「函数」来写——有明确的输入参数、控制流、异常处理和自检验证。五个工程组件：

• 组件1·接口定义：SKILL 名称、版本、输入参数、AI 角色定义。角色不是「你是专家」，而是具体的领域上下文——「你是熟悉 Java 17 并发编程的后端架构师」。
• 组件2·控制流（SOP）：不是给 AI 一个「目标」，而是给 AI 一份「伪代码」——按序号一步步思考。强制 Chain-of-Thought，消除随机游走。
• 组件3·异常处理（Do-Not + Guardrails）：Negative Prompts——「找不到怎么办」「绝对禁止做什么」。守住输出的下限。
• 组件4·自检验证（Reflexion）：在输出最终结果前，强制 AI 扮演 Reviewer 角色自我纠错。
• 组件5·少样本注入：1-2 个极其标准的输入-输出示例。再好的描述不如一个具体的例子对 LLM 的约束力强。

🧱 第二层：约束即规范（Project Rules + Do-Not 体系）

将团队隐性共识显式化为可检索的约束文件。Severity 分级：MUST（强制）/ SHOULD（建议）/ MAY（可选）/ DEPRECATED（废弃）。每个约束三段式：DO NOT 声明 → Why 解释 → Alternative 替代方案。 维护原则：只追加不插入、不删除只废弃、Tag 收敛（优先复用已有 Tag 避免近义词泛滥）。约束文件的价值不在于「限制 AI」——在于「给出边界让 AI 在边界内做到极致」。这和元层的 Asset 2（约束即自由）是同构的：约束不是监狱，是跑道。

🧱 第三层：架构即编排（SKILL 微服务化）

不要让一个 SKILL 包揽多领域任务 → 注意力机制崩溃。按单一职责原则拆分——复杂任务 = 多个小 SKILL + 一个大 SKILL（工作流引擎）串联。SKILL 的本质是「上下文隔离」——当主进程 Context 太满太杂时，抽离独立 SKILL 为其提供纯净输入上下文。 Agent 工程化架构 = 边界清晰的问题域 + 工程框架（业务流+编排流+规划反馈流）+ 资料体系（约束资料+渐进资料+状态记忆）+ 保障体系（度量+容错+HITL+合规）+ 成本 ROI 约束。90% 的场景是混合使用：大模型做意图识别，规则做校验，传统接口做执行。

🧱 第四层：反馈闭环

四步排查 SOP：问题是否超出 Agent 边界？→ 意图识别/路由是否错误？→ 工具/外部返回是否错误？→ 记忆/上下文是否串了？→ 知识库召回是否质量差？→ 最后才看 Prompt。 排查顺序反映了一个核心洞察：Prompt 是最后一个要被怀疑的环节，但大多数人的第一反应是「调 Prompt」。反馈闭环的价值不在于「发现问题后怎么做」——在于「训练你先看哪里」。

❓ 伏笔：Context Engineering 是终点吗？

Context Engineering 的框架是正确的——它抓住了 Prompt 之外的控制面。但它有一个隐含假设：上下文充足 = 产出正确。如果上下文充足但产出仍然偏离目标——不是因为信息不够，而是因为意图没有被编码——那么 Context Engineering 就缺了一层。

_{实践层 · 第一篇 | sources: KB-007/014/015/020/049/070/075/095 | dialectical position: Thesis | next: Antithesis}