---
title: "Prompt Engineering（提示词工程）"
created: 2026-06-29
updated: 2026-06-29
type: concept
tags: [prompt-engineering, LLM, methodology]
sources: [[prompt-to-loop-engineering-2026]]
confidence: high
---

# Prompt Engineering

> AI 开发范式四次浪潮的第一阶段（2022–2024）：核心问题是"如何跟 AI 沟通"。

## 经典方法论

- **Zero-shot / Few-shot**：不给或给少量示例
- **Instruction Prompting**：结构化指令引导
- **Chain-of-Thought / Tree-of-Thought**：多步推理提示策略
- **APE（Automatic Prompt Engineering）**：自动搜索最优 Prompt

## Prompt Engineering ≠ Blind Prompting

正确的 Prompt Engineering 是一套包含"定义问题 → demonstration set → 候选 prompt → 实测准确率 → 成本/精度权衡 → 持续迭代"的工程方法论。[[blind-prompting|盲提示（Blind Prompting）]] 则是纯 trial-and-error、缺乏测试的反模式。

## 声明式框架：DSPy

[[dspy|DSPy（Declarative Self-improving Python）]] 将 Prompt 从"人工手写"变为"可编译、可学习的程序"：开发者声明输入输出签名，优化器自动搜索最优 Prompt + Few-shot 组合。底座模型切换时一键重新编译。

## 瓶颈

1. 上下文窗口限制，无法承载海量上下文
2. 缺乏记忆与工具调用，无法多步执行
3. 容错率极低，需不断人工介入
4. 技术债务：应用规模稍大就需维护成百上千条模板，模型升级时集体失效

## 嵌套定位

Prompt ⊂ [[context-engineering|Context]] ⊂ [[harness-engineering|Harness]] ⊂ [[loop-engineering|Loop]]

## 相关概念

- [[blind-prompting|盲提示]]
- [[dspy|DSPy]]
- [[prompt-engineering-vs-fine-tuning|Prompt Engineering vs Fine-tuning]]
- [[prompt-to-harness-evolution|三阶段工程演进]]