前阵子翻自己的笔记，发现一个有意思的现象：2023 年我记的关键词是 "prompt engineering"，2024 年底变成了 "context engineering"，到了今年，满屏都是 "agent"。
同一拨人、同一批模型厂商，每隔一年就换一个词。一开始我以为是炒概念，后来想明白了——这三个词其实是同一件事在不同阶段的名字：我们是怎么一步步学会"用好"大模型的。
模型本身当然在变强，但这条线我觉得更值得讲：不是模型突然变乖了，是我们学会了怎么喂它、怎么放手。
按时间，正好是三级跳。
第一幕：Prompt Engineering——把话说清楚
最早大家发现一件反直觉的事：同一个模型，你换种说法问，答案质量天差地别。
于是有了 prompt engineering。说白了就一句话：怎么跟一个聪明但完全没脾气、没记性的实习生交代任务。
你不能甩一句"帮我搞一下"就指望他懂。你得说清楚要什么、给两个例子、让他别急着下结论先一步步想。最经典的发现就是那句"让我们一步步思考"（Chain-of-Thought）——就加这么一句，复杂推理的正确率能大幅往上跳。我第一次试的时候是真的有点震惊，模型不是不会，是你得给它留出"想"的空间。
这一阶段官方的东西其实已经够用了，不用看花里胡哨的技巧贴：
- Anthropic 官方 Prompt Engineering 指南
- OpenAI 官方指南
- Lilian Weng 的综述（想系统看就看这篇，写得最清楚）
- 想看源头：Chain-of-Thought 论文、ReAct 论文
但很快就撞墙了：话说得再漂亮，一句提示里也塞不下一个真实任务需要的所有东西。 我要它改我的代码，得让它先看到代码库吧？要它写报告，得让它读到那几份文档吧？
问题就从"怎么说"，变成了"该让它看到什么"。
第二幕：Context Engineering——管好它的"工位"
这是我觉得最有技术含量、也最被低估的一幕。
打个我自己最受用的比方：模型的上下文窗口（context window）就是它的工位桌面，而你是那个帮它收拾桌面的人。
桌面就那么大。你以为把所有资料都堆上去它就能干得更好？恰恰相反。这里有个特别违反直觉的事实，叫 context rot（上下文腐烂）：喂进去的内容越多，模型从里面准确捞出关键信息的能力反而越差。 它不会"崩"，但会悄悄变笨——就像一个人桌上堆了两百份文件，他还在，但你让他找一张特定的纸，他就开始翻半天找错。
所以 context engineering 的核心不是"塞得多"，是"永远只放最少、最关键的东西"。LangChain 把所有手段归成了四类，我觉得记这四个动词就够了：
- Write（写出去）：让模型把笔记记到桌面外面，比如存成一个文件、一份待办，需要时再拿回来。
- Select（选进来）：每一步只把这一步用得上的资料拉到桌面上，而不是全摊开。
- Compress（压一压）：聊太长了就做个摘要，把前面几十轮浓缩成一段，腾出桌面。
- Isolate（拆开）：一个人忙不过来的活，拆给几个人分别干，各看各的资料。
我自己踩过最深的坑就在这——给一个子任务的 AI 连了太多工具和资料，结果它直接被信息淹死，啥也干不成。后来想通了，这其实就是没做好 Isolate 和 Select。那一刻我才意识到，我天天在干 context engineering，只是之前没这个词。
两篇权威的，我建议都读：
- Anthropic：Effective Context Engineering for AI Agents（讲透了"为什么 context 是稀缺资源"）
- LangChain：Context Engineering for Agents（上面那四个动词的出处）
但桌面收拾得再干净，模型还是被动的——你问一句，它答一句。下一步很自然：能不能别让我一步步喂了，给它个目标，让它自己跑？
第三幕：Agent Engineering——把方向盘交出去
这就是现在进行时。
如果说前两幕是"怎么把任务交代给一个被动的助手"，这一幕是让助手变成一个能自己规划、自己动手、还能带几个小弟的同事。
核心是一个循环：规划 → 动手（调工具）→ 看结果 → 再规划，一直转到把事办成。你不再盯着每一步，你给目标，它自己决定下一步干嘛、要调哪个工具、要不要拆几个子任务并行。
更有意思的是多智能体这套玩法：一个主 agent 负责统筹，派出去好几个子 agent 各干各的脏活累活，每个子 agent 可能烧掉几万 token 去翻资料，但最后只回传给主 agent 一两千 token 的"干货摘要"。这不就是个项目经理带团队么——老板只要结论，不要你查资料的全过程。
这一幕"现在"到什么程度？给几个上个月的真实数据感受一下：Devin（一个编程 agent）背后的公司说，他们自己 89% 的代码是 agent 写的；Supabase 这种数据库平台估值翻倍，原因是平台上大多数新数据库已经不是人建的，是 agent 建的。
我的体感是：agent 正在从"一个工具"变成"一类用户"。 这句话对做产品、做增长的人冲击挺大的——你的下一批用户，可能根本不是人。
要入门 agent，这几篇是公认的圣经：
- Anthropic：Building Effective Agents（必读，讲清楚了什么时候该用 agent、什么时候不该）
- Anthropic：How we built our multi-agent research system（多智能体怎么搭）
- OpenAI：A Practical Guide to Building Agents
三幕背后其实是同一件事
把这三幕摆一起看，那条暗线就很清楚了——我们对模型的控制粒度，一直在往上放：
一句话（Prompt）→ 整个工位（Context）→ 整条自主轨迹（Agent）
从"管好我说的每个字"，到"管好它看到的所有信息"，到"管好它自己跑的整个过程"。每一跳，我们都往后退一步、把更多东西交给模型，同时把自己的精力挪到更高的地方。
最后留一个我自己最受用的判断，也是最容易被忽略的一点：这三层不是替代关系，是嵌套关系。
agent 时代了不代表 prompt 就不重要了——恰恰相反，你在搭 agent 的时候，照样要把每个子任务的提示写清楚（第一幕），照样要管好每个 agent 的上下文别让它过载（第二幕）。
所以真要学，顺序别反。先会把话说清楚，再会收拾桌面，最后才谈得上放手。跳着学的人，搭出来的 agent 往往就是个套了壳的、说不清话的实习生。
相关：工具越强，越要警惕自己的判断力被一起外包出去——关于怎么用 AI 提效的同时自己也真的在长，写在《AI 时代如何真正提升自己，而不是成为 Prompt 指令师》。