1. 提示工程（Prompt Engineering）
定义：通过设计优化输入提示（Prompt）引导大语言模型（LLM）生成高质量输出的技术，核心是“如何问对问题”。
核心特点：
- 任务导向：聚焦单次交互的指令设计，如明确角色、输出格式、示例提供（Few-Shot Learning）。
- 静态性：提示词多为预定义模板，依赖人工调整优化，复用性有限。
- 应用场景：代码生成、文本创作、翻译等简单任务，例如要求模型“用Python实现二分查找并输出代码块”。
局限性： - 模型表现易受措辞影响，稳定性差；
- 无法解决知识截止、私有数据访问等复杂问题。
2. 氛围编程（Vibe Coding）
定义：由Andrej Karpathy提出的开发范式，开发者通过自然语言描述需求，与AI协作迭代生成代码，强调“描述优先于编码”。
核心特点：
- 动态协作：开发者充当“需求架构师”，AI负责实现细节，形成“描述→生成→测试→迭代”的闭环流程。
- 工具生态：依赖Cursor、Windsurf等AI-IDE，整合语音输入、实时预览、调试工具等支持。
- 提示策略：需提供明确上下文（如技术栈、现有代码片段）、分解任务、迭代优化提示。
典型流程：
- 定义目标 → 2. AI生成代码 → 3. 人工审查 → 4. 测试反馈 → 5. 迭代优化。
优势与挑战：
- 降低入门门槛：开发者更关注业务逻辑而非语法细节；
- 维护风险：AI生成代码需严格测试，否则可能增加技术债务。
Vibe coding 最大的问题是:它让开发变成了“碰运气”,而不是“可控的工程” 。Vibe Coding 的优势在于能够加速开发的初始阶段,并赋能那些编程技能有限的个人
3. 上下文工程（Context Engineering）
定义：系统性管理输入信息的动态工程方法，通过结构化上下文（如历史对话、外部知识、工具调用）提升模型任务能力。
核心特点：
- 动态信息整合：超越提示词，注入实时数据（RAG）、长期记忆、工具API描述等，构建“认知环境”。
- 策略化设计：采用写入（Write）、选择（Select）、压缩（Compress）、隔离（Isolate）四策略管理上下文窗口。
- 系统级优化：类比“操作系统”，LLM是CPU，上下文窗口是RAM，工程师需动态调度关键信息。
应用场景： - 金融分析：实时注入财报数据+市场新闻，生成多源融合报告；
- 多Agent系统：自动驾驶中为感知/规划模块分配独立上下文，避免信息干扰。
优势： - 解决幻觉、知识截止问题，提升复杂任务（如医疗诊断、法律咨询）的可靠性。
三者的演进关系与对比
| 维度 | 提示工程 | Vibe Coding | 上下文工程 |
|---|---|---|---|
| 核心目标 | 优化单次指令 | 自然语言驱动的迭代开发 | 动态构建认知环境 |
| 信息管理 | 静态提示词 | 会话历史+项目上下文 | 多源动态注入（RAG/工具/记忆） |
| 适用场景 | 简单任务（代码片段） | 原型开发、中小型项目 | 复杂系统（医疗/金融） |
| 技术成熟度 | 成熟（2023年起） | 新兴（2025年主流） | 前沿（2025年爆发） |
| 代表工具 | ChatGPT提示模板 | Cursor、Windsurf | LangGraph+LangSmith |
演进逻辑：
- 提示工程 → Vibe Coding：从单次指令到多轮协作，开发者角色从“编码者”转向“需求架构师”；
- Vibe Coding → 上下文工程：从对话式开发到系统化信息管理，解决长任务中的幻觉和上下文过载问题。
总结：开发者如何选择？
- 初级任务/快速原型：用提示工程设计清晰指令（如指定代码格式）；
- 中型项目/敏捷迭代：采用Vibe Coding工具链（如Cursor），注重提示分解与测试；
- 企业级复杂系统：引入上下文工程，结合RAG、工具调用构建动态知识流。
💡 未来趋势
- 上下文工程正成为AI辅助开发的核心技能，其“动态信息编排”能力将重塑人机协作边界。
- 开发者需掌握工具链（如LangGraph管理状态）、理解信息压缩策略，以应对更复杂的系统需求
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 下方小卡片领取🆓↓↓↓
扫一扫
413
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
