简介:本文对比 AI 应用开发中先后兴起的三种工程范式——提示词工程、上下文工程与循环工程。三者并非互相替代,而是作用层次不同的方法论:提示词工程优化"单轮指令",上下文工程优化"单次任务的输入组织",循环工程优化"多轮自主迭代的整体流程"。文章从定义、相同点、核心差异、适用场景到迁移注意事项逐层展开,帮助开发者与架构师判断在何时该停留在提示词层、何时需要引入上下文管理,以及何时才值得投入设计自动化循环。
当 AI 能自己写代码、自己测试、自己修 bug,人类工程师该做什么?近一两年,AI 编程领域几乎同时出现了一个共识:去设计循环。从”提示词工程”到”上下文工程”,再到”循环工程”,表面上是名词的更替,实质上是人类在系统中的位置发生了变化——从每一轮都要亲自下场的”操作员”,变成设计规则、观察系统自行运转的”架构师”。
本文不讨论某个具体工具或平台,而是把这三者当作三种工程范式来做横向对比,回答几个开发者最关心的问题:它们分别解决什么、有何异同、在什么场景下该选哪一种,以及从一种范式迁移到另一种时需要注意什么。
AI 写代码这件事,短短两三年间大致经历了三个阶段:
这三个阶段并非彼此割裂。它们回答的是同一件事的不同层次问题,因此放在一起对比,才能看清”到底该在哪个层面投入精力”。
提示词工程(Prompt Engineering):研究如何编写指令,让模型在单次调用中产出符合预期的结果。核心手段包括角色设定、任务拆解、示例引导、输出格式约束等。它的作用对象是”一次请求—一次响应”。
上下文工程(Context Engineering):研究如何在有限的上下文窗口内,组织和管理输入给模型的信息。它不只关心”指令怎么写”,更关心”该给模型看什么、按什么顺序放、放多少、何时清理”。核心手段包括信息检索、摘要压缩、结构化组织、上下文裁剪等。它的作用对象是”一次任务所需的全部背景信息”。
循环工程(Loop Engineering):研究如何设计一个自主运行的工作流,让智能体从某个触发器出发,围绕一个可验证的目标,调用工具与记忆,评估进展,并持续迭代,直到满足停止条件。它的作用对象是”多轮、可自我修正的完整流程”。
值得注意的是,循环工程在原理上并不是编程专属的。它的内核是一种看待任何”重复性、目标导向流程”的方式:一个系统能自己找活、自己干活、自己验活、自己记账、自己决定下一步。编程只是它最典型的应用场景之一。
尽管作用层次不同,三种范式共享一批基础认知:
| 对比维度 | 提示词工程 | 上下文工程 | 循环工程 |
|---|---|---|---|
| 作用层面 | 单次请求 | 单次任务的输入 | 多轮迭代的整体流程 |
| 关注核心 | 指令如何表达 | 信息如何组织与裁剪 | 流程如何自我推进与收敛 |
| 人类角色 | 操作员:逐轮下达指令 | 编排者:组织任务输入 | 架构师:设计规则并旁观 |
| 自动化程度 | 低,依赖人工触发 | 中,单次任务内自动 | 高,可持续自主运行 |
| 复杂度 | 低,改一句话即可 | 中,需检索/压缩/结构化 | 高,需状态、评估、停止条件 |
| 可验证性 | 靠人工判断输出 | 靠输入质量与任务结果 | 靠内置评估与退出机制 |
| 失败代价 | 输出不佳,即时可见 | 任务偏航,较易发现 | 可能持续空转,消耗资源 |
| 主要风险 | 指令歧义 | 上下文污染、窗口溢出 | 循环不收敛、成本与失控 |
从上表可以看出,三者的关键差异来自”人类介入的密度”。提示词工程要求人类高度在场,每一轮都要参与;上下文工程把人类的工作前置到”准备输入”环节;循环工程则试图把人类从”每一轮”中解放出来,只在”设计规则”和”异常处理”时介入。
这种差异带来一个容易被忽视的代价:自动化程度越高,失控时的破坏面越大。一次糟糕的提示词,结果就是一次错误输出;而一个设计不当的循环,可能在无人值守的情况下反复执行错误动作,持续消耗算力与调用配额。因此,循环工程对”可验证目标””停止条件””外部状态记录”的要求,远比前两者严格。
一个循环工程的最小骨架,大致可以用如下伪代码描述(通用示意,非特定工具):
function run_loop(goal, stop_condition, tools, memory):trigger_or_seed() # 触发:定时、事件或人工启动while not stop_condition.met():task = plan_next(goal, memory) # 规划:决定下一步做什么result = execute(task, tools) # 执行:调用工具完成动作memory.record(task, result) # 记账:把进展写入外部状态score = evaluate(result, goal) # 评估:判断是否在正确方向上if not score.acceptable:task = revise(task, score) # 自我修正:根据评估调整return summarize(memory) # 收敛:汇总最终结果
这段伪代码里,plan_next 和 revise 内部依赖的,仍然是一次次的提示词与上下文组织——这正是”循环工程包含前两者”的直接体现。
判断是否可以上升到循环工程,有一个简单的检验:目标能否被程序自动判定”是否完成”?如果只能靠人的主观判断,循环就缺少了可靠的停止条件,容易空转。
不做绝对推荐,而是给出条件化判断:
从”手写提示词”迁移到”设计循环”,不是简单换个说法,而是要补齐一整套工程能力:
如果考虑将这类能力落到具体产品上,可优先评估云上成熟的通用能力组合,例如容器平台(承载智能体运行)、日志服务与监控告警(可观测性)、消息队列(触发与调度)、对象存储(外部状态持久化)、身份认证与权限控制(安全边界)等,以托管化方式降低自建循环基础设施的运维负担。
提示词工程、上下文工程、循环工程,本质上是同一目标的三个作用层次:一个管”指令”,一个管”输入”,一个管”流程”。它们不是新旧替代,而是层层包含、按需叠加。
决策的核心只有一句话:先看任务的不确定性有多高、目标能否被自动验证,再决定你在哪个层次投入精力。指令层面的问题留在提示词,信息层面的问题交给上下文,只有当任务足够重复、目标足够可验证、且你愿意承担自动化带来的复杂度与成本时,设计循环才真正划算。真正变化的从来不是工具,而是人类的角色——从亲手操作的”操作员”,逐步走向设计规则、设定边界、观察系统自行运转的”架构师”。