核心摘要
本文深入探讨了从”提示工程”到”上下文工程”的范式转变。核心发现：150-300 词是提示的最佳长度，超过 3,000 tokens 会导致性能显著下降。现代推理模型（GPT-5, Claude 4, Gemini 3）内部自动思考，传统的”逐步思考”提示反而可能损害性能。
七大核心要素：
- Role/Persona：激活领域知识
- Task Context：背景和受众信息
- Clear Instructions：核心请求
- Sequential Steps：确保执行顺序
- Few-shot Examples：3-5 个多样化示例
- Output Format：响应结构
- Constraints：缩小输出空间
三大实验室的收敛趋势：
- Claude 4.x：字面理解指令，CoT 有益但非必须
- GPT-4.1/5：冲突指令有害，避免对 o 系列使用 CoT
- Gemini 3：无需复杂提示工程，简化提示即可
三大框架：
- APE（简单任务）：Action + Purpose + Expectation
- CO-STAR（内容创作）：Context, Objective, Style, Tone, Audience, Response
- RISEN（复杂任务）：Role, Instructions, Steps, End Goal, Narrowing
关键洞察：
- 16K token 的 RAG 提示优于 128K token 的完整上下文
- 提示工程可提升 20-40% 基准性能
- 示例的选择比数量更重要，多样性是关键
- 现代模型默认思考，显式请求”直接答案”反而有害
关联连接
- Prompt_Engineering — 提示工程总览
- Context_Engineering — 上下文工程
- APE_Framework — APE 框架
- CO-STAR_Framework — CO-STAR 框架
- RISEN_Framework — RISEN 框架