📚 喵喵的笔记库

AI交互三层框架：提示词→上下文→驾驭工程

10分钟阅读

AI交互三层框架：提示词→上下文→驾驭工程

阅读笔记整理自公众号文章《2026年了，AI提示词到底应该怎么学？》。核心观点：人与AI的交互经历了三次迭代，提示词工程只是最底层，上方还有上下文工程和驾驭工程，三者是叠加关系。

总体框架

| 层级 | 英文 | 核心问题 | 关键能力 | |------|------|---------|----------| | 第一层：提示词工程 | Prompt Engineering | 怎么把话说清楚 | 写作基本功 | | 第二层：上下文工程 | Context Engineering | 除了这句话，还该让AI知道什么 | 知识库、RAG、记忆 | | 第三层：驾驭工程 | Harness Engineering | 谁来调度、流程怎么自动跑 | Agent = Model + Harness |

这三层不是替代关系，是叠加关系。每一层建在前一层之上。

一、提示词工程（Prompt Engineering）

是什么

研究怎么跟AI沟通，让它给出更好输出的技术。核心一句话：把话说清楚。提示词工程的基础就是写作。

为什么有效

大模型只做一件事：预测下一个字。你的提示词就是它猜测时手上的全部线索。

三大有效机制：

  1. 思维链（CoT） — 2022年Wei等人论文

    • 让模型把推理一步步写出来，相当于把难题拆成简单题
    • 只在足够大的模型上有效
    • 思考模型（o1/o3、R1、extended thinking）本质是CoT训进模型里

  2. Few-shot示例 — In-context Learning

    • 给几个示例它就能照着做，不需要更新参数
    • 示例顺序有讲究：越靠后影响越大（近因效应）
    • 示例之间要均衡，避免同一类过多导致方向偏移

  3. 精准措辞与结构

    • 每个用词都在改变模型走的路
    • 写得越精准，路越短越清晰
    • 通用提示（如"let's think step by step"）反而可能拖坏表现

怎么写好提示词

指令型方法：

  • Zero-shot：直接下指令，适合简单查询
  • Few-shot：给示例，比抽象要求管用
  • CoT：新一代思考模型已默认在做

结构化框架：

  • COSTAR：Context、Objective、Style、Tone、Audience、Response
  • CRISPE：Capacity & Role、Insight、Statement、Personality、Experiment
  • RTF：Role、Task、Format
  • 3W1H：Who（角色）、What（写什么）、Why（为什么写）、How（怎么写）

能力边界

  1. 上下文腐烂：多轮对话后信息过载，AI理解力下降
  2. 迭代无积累：每次重新输入，没法沉淀成系统，永远像临时工

二、上下文工程（Context Engineering）

是什么

控制模型上下文窗口里装什么、装多少、怎么装的工程。

提示词研究"我这句话怎么说"，上下文工程研究"除了这句话，还应该让模型知道什么"。

2025年6月正式出圈：Shopify CEO Tobi Lütke 提出 → Karpathy 转发补充 → "比起提示词工程，上下文工程更准确地说出了工业级AI应用真正在做的事。"

为什么有效

四大机制：

  1. 模型不知道你的事 — 公共语料没有你的素材库、过往作品、用户画像
  2. RAG检索增强 — 向量检索把相关文档片段拼入上下文，动态配"专属图书馆"
  3. 窗口物理约束 — 128K~1M token，塞得越精准越好，无关内容稀释注意力
  4. 事实性约束（Grounding） — 依据来自你提供的文档，编造概率显著下降

五种实现方式

  1. 把材料塞给AI — 手动贴文档或放进知识库（GPTs/Projects/Gems）
  2. 让AI自己读文件 — 编程工具中@文件，项目配置文件（CLAUDE.md/AGENTS.md）
  3. 让AI记住你 — ChatGPT/Claude记忆功能（作者评价：最差，不够精准且难修改）
  4. 让AI自己出去找 — 联网搜索、MCP协议接外部工具
  5. 管好窗口本身 — 摘要压缩、分段处理、/compact命令

写作者的三件套

  1. IP属性文件 — 方向、用户属性、发展方向、对标账号（回答"我是谁、服务谁、往哪走"）
  2. 写作风格文件 — 用词偏好、句式、表达风格（解决声音问题）
  3. 过往优质内容 — Few-shot样本，上下文工程和提示词工程的接口

能力边界

解决了"信息从哪来"，没解决"什么时候用、谁来调度、整个流程怎么自动跑"。

上下文工程是准备工作间里的材料，下一阶段是把工作间本身搭起来，让它能自动运转。

三、驾驭工程（Harness Engineering）

是什么

2026年初正式叫响。公式：Agent = Model + Harness

模型是发动机，提示词是怎么踩油门，上下文是加什么油。Harness就是车架、底盘、方向盘、刹车——让发动机变成能跑的车。

Harness核心组件

  • 编排循环：拿到目标后自己一步步跑
  • 工具调用：读文件、写文件、查网络、调外部服务
  • 记忆系统：跨会话保留信息
  • 上下文管理：自动决定加载哪些文件、何时摘要压缩

为什么有效

  1. 隐性流程显性化 — 流程从脑子里写成文件、做成skill
  2. 工具调用能力 — 质变：AI直接去素材库拿东西，不用等你喂
  3. 多步骤自主执行 — 拿到目标自己拆解，中间不需要你传话
  4. 规则跟着你迭代 — Skill/CLAUDE.md是活的，用得越久越懂你

怎么用

自定义指令：

清晰简洁是第一要义。拥有主体性，不要附和。使用地道流畅自然的中文。

写好CLAUDE.md的五个原则：

  1. 要短（官方建议≤200行，每行问：删掉AI会不会犯错？）
  2. 只写AI猜不到的东西（风格偏好、禁忌词、工作习惯、容易踩的坑）
  3. 具体的禁忌比泛泛的要求管用（"禁止用破折号" > "写自然流畅的中文"）
  4. 给它一个灵魂（不只是一堆规则，定义人格）
  5. 持续迭代（犯错加规则，自觉遵守了就删）

设计专属Skill的5步：

  1. 找高频场景（反复出现的才值得固化）
  2. 先跟Agent跑几圈（发现稳定步骤和有效指令）
  3. 跟Agent聊出skill（它最清楚哪些表达能理解）
  4. 测试迭代几轮（重点测边界情况和容易翻车的地方）
  5. 持续进化（每次犯错补规则，手动改过的地方让它学习）

小技巧：Claude Code里输入/insight，生成使用分析报告，帮你归纳可做成skill的重复操作。

能力边界

跟外部世界联通还不够好（联网体验、跨应用操作）。下一步方向：

  • Computer Use / Browser Use
  • 多Agent协作
  • 物理世界接入（MCP协议）

关键金句

Quote

会被替代的，是那些只学了一些表层技巧、没有真正沉淀出自己系统的人。而一个建立了自己系统的写作者，AI会放大他的能力，成为他的杠杆。

与现有实践的对照

这篇文章讲的三层框架，xdx 在 OpenClaw 上的实践已经覆盖了全部三层：

  • 提示词 → 日常对话、skill中的prompt设计
  • 上下文 → SOUL.md / MEMORY.md / USER.md / 知识库检索
  • 驾驭 → Skill系统、cron心跳、HEARTBEAT.md、subagent编排

原文存档：/tmp/ai-prompt-article.md

关系图谱