吐槽ChatGPT后，竟催生新提示技术
半夜3点，很多人还在和AI苦战，在ChatGPT、Claude、Gemini等平台间来回切换，却始终无法让AI写出理想的邮件，这并非段子，而是不少人的真实经历。
有位开发者想用ChatGPT写一封没有「机器人腔」的销售邮件，连改带问试了147次，输出内容依旧死板空洞。在第147次时，他崩溃地吐槽：「你就不能问问我需要什么吗？」没想到，这句吐槽带来了灵感。他思考，如果AI能主动提问、索要完成任务的细节会怎样？随后，他用72小时开发出名为「Lyra」的元提示。
简单来讲，Lyra就像给ChatGPT换了人设，让它在回答请求前先采访用户，获取关键信息后再撰写内容。例如，以前对ChatGPT说「写一封销售邮件」，它只会给出干巴巴的模板；使用Lyra后，它会追问产品、目标客户、痛点等细节，然后根据回答写出贴合需求的邮件。
这则帖子在Reddit上迅速爆火，收获近万点赞和上千评论。有人称赞这是个「很棒的点子」，也有人吐槽折腾147次提示词，还不如自己写邮件快。
有人觉得「都试了一百多次了，有那功夫早就写完了」。
这场「147次失败召唤GPT」的经历，反映出让AI完成一件简单的事，有时比想象中复杂、滑稽得多，提示词技术也到了变革的时候。
AI协作新路线：营造「氛围」、提供「上下文」
Lyra的诞生看似偶然，实则体现了提示词技术的演进思路。过去，人们热衷于优化提示词来保证输出效果，有时提示词比AI的产出还长。而Lyra受到的质疑，也是对这种旧做法的反思，背后是AI社区兴起的新趋势，如context engineering。
Context engineering是一种编程与系统设计活动，被视为AI系统设计的「下一代基础能力」。它在AI应用场景中搭建背景、工具、记忆、文档检索等全流程体系，让模型在可靠上下文支持下执行任务。
其内容包括：
-记忆结构：如聊天历史、用户偏好、工具使用历史；
-向量数据库或知识库检索：生成前检索相关文档；
-工具调用指令schema：如数据库访问、执行代码、外部API格式说明；
-系统提示/system prompt：为AI设置角色、边界、输出格式规则；
-上下文压缩与摘要策略：管理长期对话内容压缩，确保模型高效访问。
写提示词时，就像是在一个填好历史、主题文件、用户偏好等信息的环境中操作，提示词是「指令」，上下文是「指令背后的材料与背景」。
这是工程师的工作，虽借鉴了提示词工程的理念和技巧，但应用场景在软件的工程和架构系统设计上。与提示词微调相比，上下文更适用于实际生产，能实现版本控制、追踪错误、模块复用等效果。
有人会问，工程师的工作和用户有什么关系？简单来说，如果提示词是点火键，那么context engineering就是设计整个打火机，确保一点就有火苗。从复杂角度看，context engineering为构建、理解和优化未来复杂AI系统提供了规范化系统框架，将关注点从提示词技巧转向信息流通与系统优化技艺。
中科院的一篇论文指出了两者的关键差别：
目前，业界将context engineering视为agent建构的重要实践，尤其是上下文和工具调用等，能有效提升模型表现。
更简洁的提示词，更清晰的结果
还是回到那个问题：工程师的工作和普通用户有什么关系？
普通用户写提示词时，Context Engineering与Prompt Engineering虽不完全相同，但实质关联紧密，理解它们的关系有助于写出更有效、上下文更贴切的提示词。
传统提示词方法常失败，原因在于很多人用AI像用搜索引擎，几句指令就想得到满分答案。但大模型生成内容依赖理解上下文和模式匹配，若提示含糊、信息匮乏，模型只能硬猜，产出往往千篇一律或答非所问。
这可能是提示词写得模糊、需求不清晰，也可能是提示词所处的上下文环境不够结构化，如被冗长的历史聊天、图片、文档、混乱格式掩盖，模型容易「抓不到重点」或「回答跑题」。
以Lyra写邮件为例，在结构化完善的窗口中，包含用户沟通历史、语气偏好等信息，模型就能组织出更贴合用户口吻的邮件草稿，用户甚至无需写复杂的提示词。
即便用户无法开展context engineering，也可借鉴其中思路。例如，Reddit社群ChatGPTPromptGenius的「Synergy Prompt」，就是在提示词层面结构化上下文。
它有三个核心构件：
- 元框架Metaframe：为对话添加特定视角或焦点，是AI构建的「基础认知模块」（如角色设定、目标说明、数据来源说明等）
- 具体信息Frames：每个上下文模块中的具体内容
-对话地图Chatmap：记录对话动态轨迹，捕捉互动和语境选择。
当AI掌握完整语境结构时，就能精准调取信息，给出精确回应。这也正是context engineering的目标，二者相互成就。
本文来自微信公众号“APPSO”，作者：发现明日产品的，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com