AI 工程范式演进：从提示工程到循环工程的四次跃迁
为什么需要了解这四个阶段？
AI 工程领域的发展速度令人瞠目结舌。如果你只掌握了提示工程（Prompt Engineering），那么你已经落后了整整一个时代。从 2022 年到现在，短短四年时间里，AI 工程经历了四次深刻的范式跃迁，每一次都是对前一次的超越和包容。
想象一下学习编程的历程：如果只学会了 print 语句，却不知道函数、类、框架的存在，那能写出真正的程序吗？AI 工程也是如此。这四个阶段构成了完整的能力阶梯，缺少任何一步都会在实战中捉襟见肘。
最让人头疼的是，这些新技术不是简单的替代关系，而是层层递进的包容关系。后一个阶段包含了前一个阶段的所有能力，同时又增加了新的维度。不理解这个层次结构，就容易陷入"这个方法过时了"的误解。
四次跃迁速览
| 阶段 | 核心问题 | 人类角色 | AI 自主程度 | 时间段 |
|---|---|---|---|---|
| 提示工程 (Prompt Engineering) | 我该对模型说什么？ | 指令者 / 咒语师 | 极低（每轮参与） | 2022-2024 |
| 上下文工程 (Context Engineering) | 我该给模型什么信息？ | 信息管理员 | 高（任务前参与） | 2024-2025 |
| 驾驭工程 (Harness Engineering) | 我该给模型什么环境？ | 系统架构师 | 中（任务级参与） | 2025-2026 |
| 循环工程 (Loop Engineering) | 我该设计什么循环？ | 循环设计者 | 极低（设计时参与） | 2026 起 |
这个表格给出了四次跃迁的核心特征。注意看人类角色的变化：从具体的指令执行者，逐渐转变为抽象的目标设定者。AI 的自主程度也在稳步提升，从完全依赖人类指令，到能够自主完成复杂任务。
核心演进规律
注意力迁移
AI 的注意力焦点在不断迁移：
- 模型内部注意力 → 关注模型参数和架构（2022 年前）
- 交互注意力 → 关注提示设计和对话流程（2022-2023）
- 信息注意力 → 关注上下文内容和知识库（2023-2024）
- 系统注意力 → 关注工作流和工具链（2024-2025）
- 架构注意力 → 关注多智能体协作和系统设计（2025-至今）
人类角色转变
人类在 AI 系统中的角色正在发生根本性变化：
从 具体的执行者 → 抽象的设计者
这不是说人类变得不重要了，而是我们的工作层次在提升。就像程序员从写汇编代码到使用高级框架，我们不再关心底层细节，而是专注于更高层次的抽象和设计。
超越而非替代
关键认知：这不是替代，而是叠加（superposition）
每个新的阶段都包含并超越前一个阶段的所有能力：
- 提示工程师依然需要设计 Prompt
- 上下文工程师依然需要设计 Prompt（只是加了动态信息管理）
- 驾驭工程师依然需要设计 Prompt 和上下文（再加工具、约束、验证）
- 循环工程师依然需要前三层能力（再加自驱动循环架构）
用自动驾驶赛车做比喻（来自王欣的 Harness Engineering 文章）：
- 引擎（LLM）：提供原始推理动力，但不知道目的地
- 方向盘（Prompt）：你与引擎对话的接口，决定单次交互质量
- 油箱+传感器（Context）：为引擎提供燃料和路况信息
- 整车座舱+ESC（Harness）：把引擎、方向盘、油箱整合成闭环系统
- 自动驾驶算法（Loop）：设计让赛车自己跑完全程的循环机制
每一次升级都在前一级的基础上增加了更复杂的控制层。
这是一个仍在演进的框架
重要提醒：这个框架描述的是我们到目前为止所看到的范式跃迁。AI 工程正在以惊人的速度持续进化，新的范式可能很快就会出现。
例如，有专家推测 群体工程（Swarm Engineering） 可能是下一个阶段——多个 AI 智能体之间的协作和涌现行为。还有人提到了 生态工程（Ecosystem Engineering）——构建包含多种 AI 模型和工具的完整生态系统。
我们的系列编号（10、20、30…90）特意采用了间隔为 10 的设计，为未来插入新阶段预留空间。如果出现第五个阶段（如群体工程 Swarm Engineering），可以插入在 95 或 100 的位置，而现有的编号保持不变。
面向新手的阅读建议
学习路径建议
- 从第一阶段开始：不要跳过提示工程，它是所有后续阶段的基础
- 循序渐进：理解每个阶段的核心思想和局限性
- 实践出真知：在每个阶段都尝试构建一个实际项目
- 对比理解：思考为什么需要从当前阶段过渡到下一个阶段
- 关注趋势：理解演进规律，而不仅仅是技术细节
项目实践建议
建议你在每个阶段都完成一个小项目：
- 阶段一：一个简单的对话机器人
- 阶段二：一个基于文档问答的助手
- 阶段三：一个带有工作流的自动化工具
- 阶段四：一个能够自主管理任务的系统
这样的渐进式学习会让你真正理解每个阶段的实际价值和局限性。
不要急于求成
很多初学者看到最新的 AI 技术（如循环工程）就想要直接学习，这就像想直接学习深度学习而不知道基础的线性代数和微积分一样。
每个阶段都有其独特的价值和应用场景。即使是"过时"的提示工程，在特定场景下依然是最优选择。关键是理解 何时使用何种技术，而不是盲目追求最新。
总结
AI 工程的范式演进代表了从"如何让 AI 听懂"到"如何让 AI 自主思考"的深刻转变。这不是简单的技术升级，而是人类与 AI 关系的根本性变革。
在接下来的文章中，我们将深入探讨每个阶段的核心概念、实践方法和工具链。从最基础的提示工程开始，逐步构建起完整的 AI 工程能力体系。
记住：这是一个仍在快速发展的领域。保持学习的热情，同时也要培养批判性思维——不要盲目追随每一个新趋势，而是理解其背后的原理和价值。