AI 工程四层进化：从 Prompt 到 Loop（2026 范式转移）

痛点：你已经调优了百次提示词

你已经调优了百次提示词，堆砌了许多少样本示例，设置 temperature=0——输出仍然不稳定。你并不孤独，这也不是你的错。这是一个范式问题。你将学到：

完整的四层演进地图：提示词 → 上下文 → 系统框架 → 循环工程

如何精确识别你今天处于哪一层（包含具体的识别信号）

指南 × 传感器 2×2 矩阵——智能体系统中的每个控制机制如何适配四个象限

本周可以采取的三个行动来至少跳过一层

为什么"模型是问题"几乎从不成立

1. 尴尬的共识

在 2026 年，LangChain 年度调查暴露了一个令人不适的真相：大约三分之一的受访者将"输出质量"列为将智能体投入生产的单一最大障碍——连续第二年排名第一。在超过 10,000 人的企业中，幻觉和输出一致性被列为顶级质量问题。

关键是：这不是模型问题。GPT-4、Claude 4、Gemini 2.5——任何前沿模型的单次推理能力都已经足够强。问题在于系统。你给模型搭建了什么样的环境？你给了它正确的上下文吗？你在它采取行动之前阻止错误了吗？你在它采取行动之后检查结果了吗？你让它从每次失败中学习了吗？

过去四年，围绕"如何让 LLM 做人类需要的事"的工程实践经历了四次范式转变。今天我将用一张图和一个矩阵来帮你看清你具体站在哪里。

2. 四个等级：从措辞工艺到系统工程

Level 1: 提示词工程（仍在探索）

关注点： 管理你说一次的内容。用模型最容易理解的格式写任务——本质上，这是一门措辞工艺。

• 你花大量时间调优提示词、温度和少样本示例
• 每次模型升级都意味着从头调优所有内容
• 输出质量天花板低，不稳定

识别信号： 如果你的智能体"一切换到不同的模型就完全崩溃"，那你还在这一层。

Level 2: 上下文工程（大多数人所在位置）

关注点： 管理模型在每一步看到什么。Andrej Karpathy 在 2025 年明确提出这个范式：提示词工程低估了真实工作的复杂性——真正的工艺是用正确的格式将正确的信息填充进上下文窗口。

LangChain 将其定义为"为 LLM 提供完成任务所需的正确信息和工具"。当智能体失败时，往往不是模型太弱——而是正确的上下文根本没有进来。

• 你已经开始使用 RAG、知识库和工具调用
• 你关注上下文窗口管理（什么要写进去、什么要选择、何时压缩、什么要隔离）
• 但你仍然依赖手动调试——没有系统化的保证

识别信号： 你构建了一个知识库，但智能体仍然"说胡话"。

Level 3: 系统框架工程（少数团队已到达）

关注点： 管理系统如何保证工作按标准完成。这个术语在 2025 年底到 2026 年初期间结晶。核心公式简洁优美：

Agent = Model + Harness

系统框架（Harness）是围绕模型的一切。一个好的系统框架层有两个明确的目标：

提高第一次就做对的概率——前馈控制，即指南（Guides）

提供自我纠正的反馈循环，在输出到达人类眼睛之前——反馈控制，即传感器（Sensors）

Böckeler 把这抽象为一个 2×2 矩阵——前馈/反馈 × 计算/推理。这个矩阵是我整个系统的理论基础。

• 制造者/检查者分离；物理管道强制验证
• 结构化输出模式约束
• 分层验证：计算检查在每个前置条件上运行，推理检查通过采样运行
• 闭合循环：失败捕获 → 分类 → 进入评估集 → 规则修复

识别信号： 你不再等待"不稳定输出"然后修复它——你在它产生之前拦截它。

Level 4: 循环工程（前沿实践）

关注点： 管理系统如何随时间保持做对事情——并在这个过程中不断改进。系统框架约束空间结构（什么包裹模型）；循环约束时间结构（运行如何收敛和随时间演进）。三个嵌套循环：

L1——任务内智能体循环（秒级）：感知 → 推理 → 行动 → 观察 → 反思；提高每次尝试的成功率

L2——跨会话外循环（分钟级）：每一轮开始时新鲜上下文，状态持久化到磁盘，迭代直到完成

L3——学习循环/评估飞轮（天级）：生产运行 → 失败聚类 → 评估用例 → 规则修复 → 回归验证

系统框架塑造空间；循环塑造时间——L1 嵌套在 L2 内，L2 嵌套在 L3 内。

识别信号： 你的系统从不会在同一个错误上失败两次——每次失败都变成一条新规则。

✅ 你现在正在阅读的这个微信账号用 Level 4 运行其整个发布系统。

3. 指南 × 传感器矩阵：覆盖全四象限

这是报告中最实用的框架。Böckeler 把每个控制机制放入一个 2×2 矩阵中：

智能体系统中的每个控制机制都落在四个象限之一——我的系统在所有象限都有物理覆盖。

我的系统现在在所有四个象限都有物理覆盖：

A · 计算前馈 → check_card_completeness.py + STANDING.md 铁则注入

B · 推理前馈 → SOUL.md 品牌基因 + 三幕叙事框架

C · 计算反馈 → validate_article.py / check_series_continuity.py / article_checker.py / publish_gate.py

D · 推理反馈 → evals_writing.py 写作评估集 + writing_lessons.md L3 学习循环

✅ 验证 · 🩸 陷阱 · 💼 价值 · ▸ 转换——这四个门符号不是装饰。它们是物理门，每一篇文章在被允许发出去之前都必须通过。

4. 本周可以做的三件事

无论你处于哪个等级，这三件事你可以在三天内开始：

1. 如果你在 Level 1-2：从提示词中抽出一个核心 SOP 并将其写成代码。例如，不要告诉模型"先评审，再发布"——在代码中写一个检查点，只有评审通过时才执行。这一步骤可以直接跳到 Level 3。

2. 如果你在 Level 3：构建一个最小评估集。从真实失败中取出的二十个任务就足够了。把它连接到你的开发节奏——每个改动在发布前必须通过评估集且不出现回归。这是 Level 4 的起点。

3. 无论你在哪里：采纳一个纪律——任何坏事发生两次就变成一条规则。用桥本的话说："对于坏的事情——确保它们再也不会发生；对于好的事情——让工具来验证它们。"

现在，你不再是那个调优提示词并希望好运的调试员。你正在成为一个系统思维者，设计环境、定义标准、构建反馈循环。

不稳定的真实来源很少是模型的脾气——而是系统的缺失。系统框架给系统它的骨架；循环给它它的心跳。把两者放在一起，你的智能体从"可用"进化到"可信"。

在下一篇文章中，我们回到 OPC 的操作系统级别，把这个四层框架落地到你的工程系统。我们将走过一个具体案例——一个函数如何通过五层验证，将输出准确度从 80% 提升到 99.99%。

关于作者： 无记（Wu Ji）——专注于智能体工程、循环工程和数字化转型的 AI 和数字化从业者。实践性强的、可操作的教程——跟着做，就能工作。

如需进一步行动，你可以考虑屏蔽此人和/或举报滥用。