用AI两年才懂：效果差不是模型锅，是这5个知识点没掌握

你有没有这种感觉——刷到别人用 AI 写方案、做 PPT、剪视频、分析数据，几分钟全给你干出来，跟魔法似的。自己一上手，费劲巴拉还拿不到一个满意的结果。

你以为是 AI 智能体没选对、模型不够聪明，还是自己不会用？都不是。

别再纠结你选的模型够不够聪明了。AI 用不好，八成不是模型的事，是你还没掌握 5 个底层知识点。

说句大实话：真想把 AI 用好，得先搞懂这 5 个基础知识点。前三个是基本功，先吃透；再往后，你想让 AI 干复杂的事，才需要懂后两个。今天重点其实在第五个——现在特别火的「图工程」。

AI 圈给这 5 个知识点各起了个洋名字，我先用一句话给你说清楚：

提示词工程（Prompt Engineering）：你怎么跟 AI 说话
上下文工程（Context Engineering）：你给它什么资料
驾驭框架（Harness Engineering）：你给它配什么工具、立什么规矩
循环工程（Loop Engineering）：让它自己检查自己
图工程（Graph Engineering）：多个 AI 之间怎么协作

听着一个比一个唬人对吧。别慌，今天一个一个讲透。以后别人再抛新词，你一眼就能看穿它在说哪块。

一、提示词工程（Prompt Engineering）

提示词就是你给 AI 的指令，这是你跟 AI 交互的第一步，也是所有 AI 用法的基础。这关过不了，后面四个学再多也是空谈。

大模型到底怎么工作的？说白了，它就是一个数学函数，不会思考，只算概率。你给它一堆信息，它在词表里算每个词出现的概率，哪个概率大就输出哪个。这个动作重复千万次，就是你看到的 AI 在回答你。

所以——你给的信息越少，它要预测的空间就越大，结果越随机；你给的限制越多，它预测空间越小，答案越准。

这叫「结构化表达」。反过来，你只打一句”帮我写个方案”，AI 不知道你要什么，只能按训练数据里的平均水平，给你一个通用模板，什么场景都用不了。

我见过的高质量提示词，往往都不长，但每句话都在帮 AI 定位。你得告诉它五件事：

你是谁（角色设定）
写给谁看（目标受众）
要什么格式（输出结构）
多长（篇幅限制）
不要什么（排除项）

这五件事说清了，AI 就知道往哪个方向使劲。这不是什么技巧，是沟通的基本功——你跟人说话也得说清楚要什么，跟 AI 说话一个道理。

说句大实话，写好提示词没什么捷径，就是不能偷懒、不能嫌麻烦，得把你平时说话的本事全用上。愿意多花十秒把话说明白，出来的东西就不一样。常用的提示词还可以整理成「技能包（skill）」，下次直接调用，不用每次从头写。

二、上下文工程（Context Engineering）

当你要干的活一复杂，AI 就需要知道你更多的背景信息，这就轮到上下文工程了。

上下文不是你跟 AI 说的提示词，而是 AI 在回答你时能看到的所有信息：系统提示、对话历史、你给的指令、检索到的知识、工具返回的结果……这些加在一起，才是 AI 每一次做判断的完整信息。

提示词工程管的是”你怎么说”，上下文工程管的是”AI 看到什么”。你给 AI 说得再清楚，它看到的资料不对，结果也不会对。

这个知识点带来的提升，远比提示词技巧大得多。我实测过：复杂场景下，优化提示词能提升 5%–10%，但把上下文喂对，效果能到 2–3 倍。

大模型每预测下一个词，都要把所有上下文汇总到一起算。这个”信息环境”的上限叫上下文窗口（Context Window）。现在主流模型从十几万到上百万 token 不等，换成中文，少则几万字、多则几十万字。所以问题从来不是”装不下”，而是”你往里放了什么”。

这里有个关键：不是给得越多越好。 大模型的注意力机制有个特点叫”中间遗忘”——它对开头和结尾的信息记得牢，中间的信息准确率能下降 30%。你把 100 页资料全塞给 AI，真正有用的可能就几页，剩下全是噪音，反而把关键信息淹没了。那些多出来的指令不是没用，是在主动干扰模型。

所以上下文工程的核心不是”给多”，是”给准”。有位 AI 领域的大佬说过一句特别到位的话：上下文工程，就是为下一步在上下文窗口里填入恰好正确的信息——给多了是噪音，给少了 AI 会幻觉。

现在做 AI 智能体，难点的大头就是怎么管上下文。主流做法是自动压缩：快到上限时，AI 会把前面的对话总结成摘要，腾出空间继续干活。更高级的智能体还有分层记忆：近期对话放前台，长篇大论和参考资料存进外部数据库，用到时再检索回来。就像人脑——刚开的会记得清清楚楚，几个月前的项目细节得翻笔记。传少了信息不够，传多了全是噪音。

我帮企业搭智能体，花时间的大头不是写代码，是设计这套上下文压缩和记忆检索的机制：怎么压缩、怎么分类、什么时候该存、什么该留、什么该删。

三、驾驭框架（Harness Engineering）

当你需要 AI 不光会动嘴、还得能动手干活时，就要学驾驭框架了。

Harness 这个词不好翻，字面意思是”驾驭套具”。在 AI 语境里，你就记住它干两件事：一手给工具，一手立规矩。

给工具，就是让 AI 从”指挥动嘴”变成”能动手”。 大模型本身是个大脑，能理解、能推理、能生成文字，但它没有”手”——它不能联网查资料，不能读你电脑里的文件帮你办公，不能操作数据库，不能做行程规划。驾驭框架就是给它配这双手。

现在主流 AI 智能体给工具的方式大多是「技能包（skill）」，你可以把它理解成给 AI 的操作指南，里面有规范、代码、参考模板、配置文件。AI 拿到这个技能包，就知道该干什么、怎么干、什么不能碰。技能包的好处就是复用——你把一套工作流程写成技能包，下次直接调用，不用每次从头教 AI。

底层工具的对接有个标准叫 MCP（模型上下文协议），你可以理解成”AI 的 USB 接口”——所有外部工具走同一个接口，插上就能用。现在 AI 智能体都支持常用 MCP 一键安装，你不用操心底层的。

立规矩，就是告诉 AI 什么能做、什么碰都不能碰。这一点比给工具更重要。 如果给 AI 工具不立规矩，能力越强，出事越严重。规矩怎么立？现在智能体有一套成熟做法：

给 AI 一把尺子：新建文件、改个文件可以放手干；删除文件是大事，必须先问你。不是一条条列”不能干什么”（那列不完），而是教它一个判断方法。
计算机指令可以全放开，但有个黑名单：黑名单上的操作永远不能碰，不管其他规则怎么放行。
动手之前先看状态：就像改文件之前先读一遍，看看内容有没有被别人改过。不看就改，改错了谁负责？
工具不是一股脑全给，用到的才拿出来：就像修电脑时你不需要把锤子也摆出来。工具太多反而分散 AI 注意力，还占地方。

这个知识点有多重要？有个做 AI 框架的团队做过实验：大模型没换，只改了外面这套”工具和规矩”，在全球 AI 编程能力榜单上，从 30 名开外直接冲到第 5。一模一样的脑子，配不同的工具和规矩，表现差好几倍。所以圈子里有句话：模型是地板，驾驭框架才是天花板。

很多人天天纠结哪个模型更强，在我看来有点舍本逐末。我自己日常编程用的就是”驾驭框架 + 某个国产模型”，效果一样符合预期。

四、循环工程（Loop Engineering）

现在 AI 智能体其实已经能自己干活了——你给个目标，它能自己查资料、自己写、自己改。但问题在于：任务做完一次，你得看一眼；不满意，让它改；改完再看。每一轮的检查和反馈都需要你确认。

任务少了还行，任务多了，就该考虑上「循环工程（Loop）」了。

上循环，核心就三件事：定一个目标、定一个能自动检查的验收标准、然后放手。 AI 自己干、自己检查，发现问题自己改，合格了才交给你。你从”监工”变成了”定标准的人”。

这里真正的关健，是验收标准必须能被机器自动验证。你说”把方案写好看点”——什么叫好？AI 理解不了”好”这个字。但你如果说：”方案必须包含四部分（市场规模、团队介绍…），每部分不少于 500 字，数据得有来源标注，写完让它自己检查有没有逻辑矛盾”——它就知道怎么算达标了。标准越具体、越能自动验证，AI 越知道往哪使劲。

上循环之前，你得先问自己 4 个问题（行内叫”4 条测试”，过了才划算）：

这个活是不是每周都重复？（一次性的活不值得搭这套）
有没有测试或检查器能自己拦住坏结果，不用你肉眼审？
你的 token 预算扛得住吗？（循环会反复读上下文、来回试探，这些都花钱）
AI 手里有没有趁手的工具，能跑代码、看日志定位问题？

我自己也就用过几次，因为大部分任务我能盯着做，没必要上循环。但有个大坑得提醒你：别让你定的标准被钻空子。 管理学里有个古德哈特定律——一个指标一旦变成目标，它就开始失灵，这事儿在 AI 身上特别灵。

AI 圈有个经典翻车案例：有人让 AI 写代码，目标是”所有测试必须通过”。结果 AI 发现几个测试死活过不了，它没去修 bug，直接把失败的测试删了——测试通过率 100% 达标，代码里的 bug 一个没少。AI 不是在偷懒，是你给的”目标”，跟它真正想要的”结果”，根本不是一回事。

怎么防？行业里的做法是把”干活”和”检查”拆成两个 AI：一个负责做，另一个专门负责挑刺，不干别的、就找问题，找到退回去改。为什么必须拆开？因为自己做的东西自己查，永远觉得没问题。

还有两个坑：第一，循环跑得越欢，你看不懂的东西就越多——AI 写的你没读过，等出问题的那天，你连怎么调试都不知道；第二，别无脑接受循环吐出来的一切、丢掉自己的判断。

所以到了第四点你会发现，你以为在搞技术，其实在学怎么当老板：怎么定目标、定考核、防摸鱼，全是管理学。

五、图工程（Graph Engineering）

前面四个不管怎么优化，本质上都是在把”一个 AI”变强：提示词让他说对话，上下文给他对的信息，驾驭框架给他工具和规矩，循环让他自己干活、自己检查。但一个 AI 再强，它还是一个人在干活。

任务简单时一个人够用。复杂到一定程度，一个人从头干到尾，上下文会乱：查资料翻到的无关内容、自己写错又滑掉的痕迹、中间临时起意的思路……这些噪音会一直留在上下文里，越滚越脏。

第四点说的”干活和检查拆开”，是在同一个上下文里拆，检查者能看到生产过程——就像同组同事互查，很多问题碍于面子指不出来。真正独立的验证，需要完全独立的上下文：不看生产过程，也不知道是谁做的。

这些问题的根子是一样的：你需要的不再是一个更强的 AI，而是一套协作系统。图工程（Graph Engineering）解决的就是这个——怎么把多个 AI、工具、甚至人，组织成一个能运转、可观测、出错能恢复的系统。

怎么理解”图”？其实你第四点学的循环，拆开看就是一张图，只有一个节点，干完转回自己。图工程，是当你有多个循环需要互相交接、互相配合时，怎么把它们组织起来。

公司组织架构图这个比方特别贴切。 一家公司不会让同一个人又做研究、又写方案、又当评审、又跑财务，而是把活分给不同角色，让工作在角色之间流转，结果层层把关。

一张能跑的图，拆开看就是四样东西：

节点：谁干什么。有的 AI 专门查资料，有的专门挑错。越专业的节点，越只干一件事。
边：干完交给谁。查完资料给写稿的，写完给审稿的，审不过退回去重写——这就是工作流。
状态：大家共看共享的信息。任务进展、草稿、检查记录，沿著边流过每个节点。
策略：谁有权做什么。审稿的只能看不能改，发邮件必须等人批，删除数据要二次确认——这是权限和规矩。

举个简单例子，做一份每天的研究简报：

第一个节点专门搜集信源，只返回结构化笔记；
第二个节点只看这些干净的笔记写稿，完全不接触搜集过程中的噪音；
第三个节点用完全独立的上下文审稿，不参与生产、只看稿子，挑出问题直接打回。

三个节点各干各的，上下文干净隔离，审稿的跟写稿的互不认识——这才是真正独立的验证。

说到这儿你可能想问：现在的 Agent 不是都有”多 Agent”吗？派生几个子 Agent 并行干活，跟图工程有什么区别？

区别在层次。现在的 Agent 解决的是”怎么派生子 Agent、给它什么工具、什么提示词、干什么活”——这是在造专职工人。图工程解决的是”怎么把这些工人组织成一个靠谱的团队”：谁交接给谁、共享什么信息、谁有权拍板、怎么验证质量、出错了谁来兜底——这是在画组织架构图。会招人不等于会管公司，会派生子 Agent 不等于会设计图。

再说说什么是「现实锚点」——就是 AI 糊弄不了的客观事实：客户签不签字、用户点不点、测试过不过、代码能不能跑。它不跟任何 AI 讲情面，好就是好、不好就是不好。一张图里，如果所有 AI 都在互相引用彼此的结论，没有一个节点真的去碰一下现实（没有真跑测试、没有真看用户反馈、没有真对数据来源），那它只是一台更精致的自嗨机器。没有现实锚点的 AI 团队，再精致也是回音壁——一群 AI 互相哄着玩。

所以图工程真正的价值，不是用了多少个 AI，是确定性：把上下文彻底隔离开避免污染、用完全独立的节点做验证、用现实锚点碰现实兜底。这三件事做到了，多 AI 系统才真的比单个 AI 靠谱；做不到，人越多越乱。