面试官问你：“什么是提示词工程？”如果你回答“不就是跟 AI 聊天吗，谁还不会？”那你就只能回家等通知了。
为什么？
因为提示词工程是一门有具体方法论的技术学科。同一个任务，提示词不同，输出质量天差地别。嗯，该装杯的时候就得高大上一点。
哈喽大家好，我是二哥呀。今天用 3 分钟，带你搞懂提示词工程到底在工程什么。
面试官问这道题，考三层：第一，核心技术手段你能不能说清楚；第二，每种技术适用什么场景；第三，什么问题是提示词工程解决不了的。
好，接下来给你满分回答，照着背就完事了。
提示词工程有三大核心技术。
第一，零样本提示（Zero-shot Prompting）。不给任何示例，直接用自然语言描述任务，完全靠模型自身能力完成。重点是什么？
描述要足够具体。“写一篇文章”的提示词就是废话，模型不知道写给谁、写多长、写什么方向。“写一篇 300 字、面向 Java 初学者、覆盖 SpringAI 自动配置原理的教程”——这才是合格的零样本提示词。任务越明确，模型越容易产出你想要的结果。
第二，少样本提示（Few-shot Prompting）。在提示词里给 2 到 5 个输入输出的示例，让模型从中学会任务模式。比如你要让模型做代码审查，先给它三条你写过的审查意见作为示例，它就能学会你期望的格式、深度和语气。关键：示例要有代表性，尽量覆盖不同情况。三条示例都是“变量命名不规范”，模型就只会挑命名问题。
第三，思维链（Chain-of-Thought）。要求模型先展示推理过程，再给出最终结论。适合数学计算、逻辑分析这类需要多步推理的任务。当然了，目前市面上绝大多数的模型比如 Opus 4.8 和 GPT-5.5，已经内置了深度思考能力，不需要手动引导。但在非推理模型上，显式要求“请先分析再给结论”依然很有效。
除了这三大技术，还有两个实战技巧。第一，角色设定——在提示词里给模型一个专家身份，比如“你是一位有 20 年经验的 Agent 工程师”，输出的专业度会明显提升。第二，结构化输出——要求模型以 JSON 或表格格式返回结果，让输出可以被程序直接解析。
面试官如果继续追问：“模型越来越聪明，提示词工程是不是要被淘汰了？”
告诉他——没有。就像 Java 工程师没有消失、前端工程师没有消失一样，但越来越多的人喜欢叫自己“AI Agent 工程师”确实也是事实。
更准确地说，提示词工程现在是上下文工程（Context Engineering）的一个子集。上下文工程包含四个操作：编写指令、选择相关信息、压缩冗余对话历史、隔离无关上下文。提示词工程对应第一个——编写指令。
打个比方，提示词工程管的是“这句话怎么说”，上下文工程管的是“该给模型提供哪些信息”。写好提示词依然重要，模型再聪明也get不到模糊的指令。但在 Agent 时代，光写好提示词远远不够，你还得管对话历史、长期记忆、RAG 检索、工具定义这些。
最后一句口诀——提示词工程是基本功，上下文工程是进阶课。学好了提示词工程，你就能写出让模型理解的指令；学好了上下文工程，你就能让模型理解整个对话和任务。
这道题你学废了吗？想解锁更多 Agent 面试题的源码级拆解，点赞关注，我是二哥，下期见！
回复