Prompt->Context->Skills

從 Prompt 到上下文工程到 Skills：AI 互動正規化的演進與 Vibe Coding 的崛起

引言：AI 互動的三次革命

2022 年底，ChatGPT 的橫空出世標誌著人工智慧進入了一個全新的時代。短短兩年多時間，我們與 AI 的互動方式已經經歷了三次深刻的正規化轉變：

第一次革命：Prompt Engineering（提示工程） —— 我們學會了如何與 AI 對話，用精心設計的提示詞來引導模型輸出。

第二次革命：Context Engineering（上下文工程） —— 我們意識到 AI 的能力不僅取決於提示詞本身，更取決於提供給它的上下文環境。RAG、記憶系統、外部知識庫的引入，讓 AI 從”閉卷考試”變成了”開卷考試”。

第三次革命：Skills & Agentic AI（技能與智慧體） —— AI 不再只是被動回答問題，而是能夠主動呼叫工具、執行動作、與其他 Agent 協作，成為真正的”數字工作者”。

與此同時，一種全新的程式設計正規化正在悄然興起 —— Vibe Coding（氛圍程式設計），它正在重新定義人類與 AI 在軟體開發中的協作關係。

本文將帶你完整走過這段演進歷程，無論你是剛接觸 AI 的初學者，還是希望深入理解底層邏輯的技術從業者，都能從中獲得系統性的認知提升。

第一章：Prompt Engineering —— 與 AI 對話的藝術

1.1 什麼是 Prompt Engineering？

Prompt Engineering（提示工程）是指透過設計和最佳化輸入提示（prompt），來引導大型語言模型（LLM）產生更準確、更有用輸出的技術。它是最基礎、最直觀的 AI 互動方式 —— 你輸入文字，AI 返回文字。

但Prompt Engineering 遠不止是”問問題”這麼簡單。正如 2025 年的最佳實踐所強調的：“Specific prompts are better prompts”（具體的提示才是好提示）。

一個糟糕的例子：

"解释气候变化"

一個優秀的例子：

"为高中生撰写一段关于气候变化的三段式总结，使用项目符号，
保持中立语气，控制在 300 字以内。"

1.2 核心技術技法

Zero-Shot Prompting（零樣本提示）

直接向模型提出任務，不提供任何示例。這是最簡單的方式，適用於模型已經具備相關知識的任務。

将以下英文翻译成中文：
"The quick brown fox jumps over the lazy dog."

Few-Shot Prompting（少樣本提示）

提供 3-5 個高質量的示例，讓模型學習模式和格式。研究表明，這是提升輸出質量最有效的方法之一。

将情感分类为正面、负面或中性。

示例 1：
文本："这部电影太棒了！"
情感：正面

示例 2：
文本："服务态度很差"
情感：负面

示例 3：
文本："今天天气晴朗"
情感：中性

待分类文本："这个产品完全不符合预期"
情感：

Chain-of-Thought (CoT) 思維鏈

要求模型展示推理過程，而非直接給出答案。這對數學問題、邏輯推理尤其有效。

问题：一个农场有 35 只鸡和 28 只兔子。农场主卖掉了一半的鸡和 
三分之一的兔子。还剩多少只动物？

请一步一步思考：

模型會輸出：

1. 初始鸡的数量：35 只
2. 卖掉一半的鸡：35 ÷ 2 = 17.5，取整为 17 只
3. 剩余鸡：35 - 17 = 18 只
4. 初始兔子数量：28 只
5. 卖掉三分之一的兔子：28 ÷ 3 ≈ 9 只
6. 剩余兔子：28 - 9 = 19 只
7. 总共剩余：18 + 19 = 37 只

ReAct (Reasoning + Acting) 推理+行動

結合推理和工具呼叫的先進技法。模型不僅思考，還能決定何時使用外部工具。

你需要搜索最新信息来回答用户问题。

问题：苹果公司今天的股价是多少？

思考：我需要搜索苹果的最新股价
行动：搜索 "Apple stock price today"
观察：[搜索结果：AAPL $182.50, +1.2%]
思考：我已经获得了股价信息
最终答案：苹果公司今天股价为 182.50 美元，上涨 1.2%

1.3 2025 年的前沿技術

Recursive Self-Improvement Prompting (RSIP) 遞迴自改進提示

讓 AI 批判並改進自己的輸出，透過多輪迭代達到更高質量。

流程：

1. 生成：建立初始輸出
2. 批判性評估：讓模型使用特定標準識別弱點
3. 改進：基於批評生成增強版本

實踐表明，這種方法可以減少約 60% 的修改週期。

Multi-Perspective Simulation (MPS) 多視角模擬

在單次對話中執行”虛擬專家小組”，讓模型從不同角度分析問題。

请从以下三个角度分析这个商业决策：
1. 财务总监（关注成本与 ROI）
2. 技术总监（关注可行性与技术债务）
3. 市场总监（关注用户体验与竞争优势）

每个视角都需要：
- 阐述核心观点
- 提出潜在风险
- 给出具体建议

最后，请综合三个视角给出整体评估。

1.4 Prompt Engineering 的侷限性

儘管 Prompt Engineering 強大，但它存在根本性限制：

1. Fragility（脆弱性）：輸入的微小變化、系統版本更新，甚至模型的隨機性，都可能導致輸出質量波動

2. Limited Context（上下文限制）：模型的上下文視窗有限，無法處理大量外部資訊

3. No Real-Time Knowledge（無實時知識）：模型只能依賴訓練資料，無法獲取最新資訊

4. No Action Capability（無行動能力）：模型只能生成文字，無法執行實際操作

這些限制催生了下一個演進階段 —— Context Engineering。

第二章：Context Engineering —— 構建 AI 的操作環境

2.1 從 Prompt 到 Context 的正規化轉移

Context Engineering（上下文工程）是 2024-2025 年興起的新 discipline。如果說 Prompt Engineering 是”寫好問題”，Context Engineering 就是”構建完整的操作環境”。

核心定義：

Context Engineering 是系統地設計和管理提供給 LLM 的所有資訊 —— 包括提示、檢索結果、對話歷史、後設資料、工具狀態 —— 以控制模型的推理和輸出，而無需修改模型權重。

簡單來說，Context Engineering = Prompt Engineering + RAG + 記憶管理 + 工具狀態 + 環境配置

2.2 RAG：檢索增強生成

RAG（Retrieval-Augmented Generation）是 Context Engineering 的核心元件。它解決了 LLM 無法訪問私有資料、無法獲取實時資訊的問題。

RAG 工作流程：

用户查询 → 嵌入向量 → 向量数据库检索 → 获取 Top-K 相关文档 
→ 将文档注入提示上下文 → LLM 生成回答

實際應用場景：

場景 1：企業知識庫問答

基于以下公司内部文档回答问题：
<documents>
[从向量数据库检索的相关文档片段]
</documents>

问题：我们的年假政策是什么？
请引用相关文档的具体章节并标注页码。

場景 2：客服機器人

你是一个客服助手。以下是相关的产品文档和历史对话：
<context>
[产品手册片段]
[用户之前的工单记录]
[常见问题解答]
</context>

用户问题：我的订单什么时候能到？
订单号：#12345

2.3 上下文工程的技術支柱

1. Prompt Design（提示設計）

動態提示模板，根據使用者、任務和系統狀態組裝不同的提示。

# 动态提示模板示例
def build_prompt(user_type, task, context):
    system_prompt = f"你是一个{user_type}专家助手。"
    user_prompt = f"任务：{task}\n\n上下文：{context}"
    return system_prompt + user_prompt

2. Context Composition（上下文組合）

現代 AI 系統需要組合多層上下文：

• 對話歷史：保持對話連貫性
• 檢索結果：外部知識注入
• 當前工具狀態：告訴 AI 有哪些工具可用
• Agent 目標與計劃：長期任務的狀態跟蹤
• 使用者畫像/偏好：個性化設定

context_stack = {
    "system_instructions": "你是一个研究助手...",
    "user_profile": {"role": "研究员", "expertise": "AI"},
    "conversation_history": [...],
    "retrieved_documents": [...],
    "available_tools": ["search", "calculator", "code_runner"],
    "current_task_state": {"step": 3, "goal": "完成报告"}
}

3. Memory Systems（記憶系統）

生產級 Agent 需要四層記憶架構：

2.4 Prompt Engineering vs Context Engineering

關鍵洞察：

“Prompt Engineering 最佳化即時輸出，Context Engineering 治理模型在推理前看到的所有上下文，塑造生產系統中的持續行為。”

第三章：Skills、Tool Use 與 Agentic AI —— 從說話到行動

3.1 工具呼叫：AI 的”手”和”腳”

如果說 Context Engineering 給了 AI “眼睛”（看外部資訊），那麼 Tool Use（工具呼叫）就給了 AI “手”和”腳”（執行動作）。

Tool Calling 的定義：

工具呼叫是 LLM 決定使用外部功能（執行程式碼、呼叫 API、搜尋網頁、運算元據庫）來完成模型自身無法獨立完成的任務的過程。

工具呼叫的決策流程：

1. 解析用户查询 → 理解用户想要什么
2. 映射意图到工具模式 → 对比可用工具描述
3. 决定是否需要工具 → 纯推理 vs 需要执行
4. 生成结构化工具调用 → JSON 格式的函数调用
5. 在外部执行工具 → Python/API/数据库查询
6. 将输出返回给 LLM → 工具执行结果
7. LLM 决定下一步 → 继续调用工具或直接回答

3.2 Function Calling 實戰示例

示例：天氣查詢 Agent

首先，定義工具的模式（Schema）：

{
  "name": "get_weather",
  "description": "获取指定城市的当前天气",
  "parameters": {
    "type": "object",
    "properties": {
      "city": {
        "type": "string",
        "description": "城市名称，如 '北京'、'上海'"
      },
      "unit": {
        "type": "string",
        "enum": ["celsius", "fahrenheit"],
        "description": "温度单位"
      }
    },
    "required": ["city"]
  }
}

使用者輸入：“北京今天天氣怎麼樣？”

LLM 的決策過程：

思考：用户询问北京天气，我需要调用 get_weather 工具
工具调用：{"tool": "get_weather", "arguments": {"city": "北京", "unit": "celsius"}}

後端執行工具，返回：

{
  "temperature": 22,
  "condition": "晴朗",
  "humidity": "45%"
}

LLM 生成最終回答：

北京今天天气晴朗，气温 22°C，湿度 45%，是个出行的好天气！

3.3 MCP：模型上下文協議 —— AI 的”USB-C”

2024 年底，Anthropic 推出了 MCP（Model Context Protocol），這是一個開放標準協議，旨在標準化 AI 系統與外部工具和資料來源的互動方式。

MCP 的核心願景：

“就像 USB-C 為各種裝置提供通用連線一樣，MCP 為 AI 模型提供統一的介面來連線不同的工具和資料來源。”

MCP 架構：

MCP 2025 年路線圖包括：

1. 遠端 MCP 連線：支援 OAuth 2.0 認證與授權
2. 分發與發現：包管理、安裝工具、伺服器註冊
3. Agent 支援：分層 Agent 系統、互動式工作流、流式結果

MCP 正在快速成為行業標準，類似於當年的 LSP（Language Server Protocol）。

3.4 A2A：Agent-to-Agent 協議 —— AI 的”社交語言”

如果說 MCP 是 AI 與工具的通用介面，那麼 A2A（Agent-to-Agent Protocol） 就是 AI 與 AI 之間的通用語言。

2025 年 4 月，Google 推出了 A2A 協議，這是一個開放標準，旨在讓不同框架、不同廠商的 AI Agent 能夠發現彼此、協商任務、協作完成複雜工作流。

A2A 的五大設計原則：

1. 擁抱自然 Agent 能力：不強制改變 Agent 的工作方式
2. 基於現有標準：使用 HTTP、JSON-RPC 等成熟技術
3. 企業級安全：內建認證、授權、加密
4. 支援長時間任務：非同步執行、狀態更新、推送通知
5. 模態無關：支援文字、音訊、影片、結構化資料

A2A 的核心概念：

實際應用場景：

招聘流程自動化：

招聘经理 Agent → 发布招聘需求
       ↓
猎头 Agent A → 搜索候选人
       ↓
猎头 Agent B → 安排面试
       ↓
背景调查 Agent → 执行背景核查
       ↓
所有结果汇总 → 招聘经理 Agent

每個 Agent 可能來自不同廠商、使用不同框架，但透過 A2A 協議可以無縫協作。

3.5 現代 Agent 架構

一個生產級的 AI Agent 可以形式化定義為：

Agent := <Perception, Memory, Reasoning, Planning, Action, Feedback>

各元件詳解：

2025 年的 Agent 型別：

1. Deep Research Agents：自主進行深度研究，如 Perplexity、Grok
2. Coding Agents：Devin、Cursor IDE Agents，自主編寫、除錯、測試程式碼
3. CUA (Computer-Using Agents)：模擬人類操作電腦介面，如 AutoGPT、SIMA
4. Multi-Agent Systems：多個專業 Agent 協作，如 CrewAI、AutoGen

第四章：Vibe Coding —— 程式設計正規化的顛覆

4.1 什麼是 Vibe Coding？

Vibe Coding 是 2024-2025 年興起的一種全新程式設計正規化。它不關注程式碼的具體語法，而是關注”氛圍”——開發者用自然語言描述想要的功能和感覺，AI 負責生成具體的程式碼實現。

核心定義：

Vibe Coding 是一種開發方法，開發者使用自然語言提示 AI 工具生成軟體程式碼。它將重點從手動編碼轉移到 AI 引導的構建方式。

Vibe Coding 的工作流程：

4.2 Vibe Coding 的起源與演進

2023 年：Reddit 上的開發者開玩笑說他們在用 ChatGPT “vibe” 功能到現實中 —— 這只是一個梗。

2024 年底：OpenAI 創始成員 Andrej Karpathy 認真對待這個概念，稱之為”AI 原生開發的下一個演進”。

2025 年初：《華爾街日報》確認企業開始在實際開發工作流中採用 Vibe Coding。

今天：Vibe Coding 已經從梗變成了嚴肅的方法論。

4.3 Vibe Coding 的工具生態

4.4 Vibe Coding 實戰示例

場景：建立一個待辦事項應用

傳統方式：

// 需要手动编写所有代码
import React, { useState } from 'react';

function TodoApp() {
  const [todos, setTodos] = useState([]);
  const [input, setInput] = useState('');
  
  const addTodo = () => {
    if (input.trim()) {
      setTodos([...todos, { id: Date.now(), text: input, done: false }]);
      setInput('');
    }
  };
  
  // ... 还需要写 toggle、delete、filter 等功能
  
  return (
    // ... JSX 代码
  );
}

Vibe Coding 方式：

用户："创建一个漂亮的待办事项应用，要有：
- 添加任务的功能
- 标记完成/未完成
- 删除任务
- 按状态筛选（全部/进行中/已完成）
- 使用现代简洁的设计风格
- 数据保存在 localStorage"

AI：（生成完整可运行的代码）

用户："把完成任务的动画做得更流畅一些，
再加一个进度统计在顶部"

AI：（更新代码）

4.5 Vibe Coding 的核心理念

1. 設計優先，快速原型：先描述想要的感覺和體驗，再迭代細節
2. 對話式除錯：用自然語言問”為什麼這個會失敗？“而不是查文件一小時
3. 關注產品而非語法：把精力集中在使用者體驗和業務邏輯上
4. 迭代速度至上：快速實驗，快速驗證，快速調整

4.6 Vibe Coding 的優勢與風險

優勢：

• ✅ 極大提升開發速度（10倍加速在 build-test 週期）
• ✅ 降低程式設計門檻，非技術人員也能構建原型
• ✅ 減少樣板程式碼的編寫
• ✅ 加速學習和實驗

風險與爭議：

• ⚠️ 安全漏洞：AI 生成的程式碼可能存在安全隱患，需要人工審查
• ⚠️ 技術債務：快速生成的程式碼可能缺乏長期可維護性
• ⚠️ 理解深度：開發者可能不完全理解 AI 生成的程式碼
• ⚠️ 除錯困難：當 AI 生成的程式碼出錯時，定位問題可能更困難

最佳實踐：

“Vibe Coding 不是完全替代傳統開發，而是改變開發者的角色 —— 從逐行編寫程式碼，轉變為指導、測試和最佳化 AI 生成的輸出。開發者成為 AI 的導師，確保生成的程式碼符合專案需求和最佳實踐。”

第五章：整合與展望 —— 四層架構的統一檢視

5.1 四個層次的演進關係

┌─────────────────────────────────────────────────────────────────┐
│                    第四层：Vibe Coding                           │
│              （人类与 AI 协作的最高形态）                          │
│         开发者描述意图 → AI 生成完整应用 → 迭代优化               │
├─────────────────────────────────────────────────────────────────┤
│                    第三层：Skills & Agentic AI                   │
│              （AI 的行动能力和协作能力）                           │
│    MCP（工具连接） + A2A（Agent 协作） + Function Calling        │
├─────────────────────────────────────────────────────────────────┤
│                    第二层：Context Engineering                   │
│              （AI 的知识环境和记忆系统）                           │
│         RAG + 记忆管理 + 上下文组合 + 外部数据注入                │
├─────────────────────────────────────────────────────────────────┤
│                    第一层：Prompt Engineering                    │
│              （与 AI 对话的基础能力）                              │
│         Zero/Few-Shot + CoT + ReAct + 结构化输出                │
└─────────────────────────────────────────────────────────────────┘

5.2 各層之間的依賴關係

• Prompt Engineering 是基礎：所有上層都依賴於如何有效地與模型溝通
• Context Engineering 是增強：讓模型能夠訪問更多資訊和知識
• Skills/Agentic AI 是躍遷：讓模型從”說話”到”行動”
• Vibe Coding 是融合：重新定義人類在 AI 時代的角色

5.3 2025-2026 年的關鍵趨勢

趨勢 1：協議標準化

MCP 和 A2A 正在快速成為行業標準，類似於：

• MCP ≈ USB-C：統一 AI 與工具的連線方式
• A2A ≈ HTTP：統一 AI 與 AI 的通訊方式

趨勢 2：Agent 經濟崛起

據 2025 年全球 AI 調查：

• 29% 的企業已經在生產環境執行 Agentic AI
• 44% 計劃在未來一年內加入
• 88% 的早期採用者報告了正向 ROI

趨勢 3：開發者角色轉型

開發者的工作正在從：

编写代码 → 架构设计 + AI 协作 + 代码审查

趨勢 4：多 Agent 協作成為常態

複雜任務將由多個專業 Agent 協作完成：

• 研究 Agent + 寫作 Agent + 審查 Agent
• 前端 Agent + 後端 Agent + 測試 Agent
• 資料分析 Agent + 視覺化 Agent + 報告 Agent

5.4 給初學者的學習路徑

階段 1：掌握 Prompt Engineering（1-2 周）

• 學習 Zero/Few-Shot、CoT、ReAct 等基礎技術
• 練習編寫清晰、具體的提示
• 理解模型的能力和侷限性

階段 2：理解 Context Engineering（2-3 周）

• 學習 RAG 原理和實現
• 瞭解向量資料庫（Pinecone、Weaviate、Chroma）
• 實踐構建有記憶的對話系統

階段 3：探索 Tool Use & Agents（3-4 周）

• 學習 Function Calling
• 瞭解 MCP 協議
• 嘗試構建簡單的 Agent

階段 4：實踐 Vibe Coding（持續）

• 使用 Cursor、Copilot 等工具
• 從小專案開始，逐步建立信任
• 保持批判性思維，審查 AI 生成的程式碼

5.5 給技術從業者的深度建議

1. 深入理解協議層：MCP 和 A2A 將成為基礎設施，理解它們的設計哲學
2. 關注 Agent 架構：學習 ReAct、ToT、Reflexion 等推理模式
3. 掌握編排能力：多 Agent 系統的協調、狀態管理、錯誤恢復
4. 保持工程紀律：AI 再強大，軟體工程的基本原則依然適用

結語：人機協作的新紀元

從 Prompt Engineering 到 Context Engineering，從 Tool Use 到 Vibe Coding，我們正見證著人機協作方式的根本性轉變。

這不僅僅是技術的演進，更是認知正規化的轉移：

• 過去：人類告訴計算機”如何做”（How）
• 現在：人類告訴 AI”做什麼”（What）
• 未來：人類與 AI 共同探索”為什麼做”（Why）

在這個新時代，最寶貴的技能不再是記住最多的 API 或寫出最優雅的演算法，而是：

1. 清晰表達意圖的能力 —— 知道你想要什麼
2. 批判性評估的能力 —— 判斷 AI 輸出是否正確
3. 系統思考的能力 —— 理解各部分如何協同工作
4. 持續學習的能力 —— 適應快速變化的技術 landscape

正如 Vibe Coding 所揭示的，未來的開發者可能不再是”程式碼的編寫者”，而是”智慧的編排者”。而 Prompt Engineering、Context Engineering、Skills 這些層次，正是構建這個新世界的基石。

無論你是初學者還是資深工程師，現在都是最好的入場時機。因為在這個領域，每個人都在學習，每天都有新發現，每個參與者都有機會塑造未來。

參考資源

Prompt Engineering：

• Prompt Engineering Best Practices 2025
• The Complete Prompt Engineering Guide for 2025

Context Engineering：

• What is Context Engineering?
• Context Engineering: Best Practices & Examples

Agentic AI & Protocols：

• Model Context Protocol - Anthropic
• Agent2Agent Protocol - Google
• The Rise of Autonomous AI Agents

Vibe Coding：

• Vibe Coding in 2025
• What is Vibe Coding?
• Vibe Coding: Fun, AI-Assisted Programming