ChatGPT 写了 147 遍都是废话，直到我吐槽了它一句

半夜 3 点，你跟 AI 苦战许久，横跳在 ChatGPT、Claude、Gemini 等各个平台，辗转反侧。

结果，硬是没让它写出一封理想中的邮件——这不是段子，而是很多人的经历。

一位开发者尝试用 ChatGPT 写一封不那么「机器人腔」的销售邮件，结果连改带问连试了 147 次，每次输出的内容依然死板空洞，一点不像人写的。

最终，在第 147 次，他崩溃般地敲出一句：「你就不能问问我需要什么吗？」

没想到这句吐槽意外成了灵感火花：如果 AI 能主动提问、索要完成任务所需的细节，会怎样？接下来，他用 72 小时开发出一个叫「Lyra」的元提示（meta-prompt）。

简单说，Lyra 相当于给 ChatGPT 换了个人设，让它回答请求前先反过来采访用户，拿到关键信息再动笔。比如：以前你对 ChatGPT 下命令「写一封销售邮件」，它干巴巴吐出个模板。

用了 Lyra 后，同样请求换来 ChatGPT 连连追问产品、目标客户、痛点等关键细节，然后根据你的回答写出一封真正贴合需求的邮件。

这则帖子在 Reddit 上迅速爆火，收获了近万点赞和上千评论。有不少网友称赞这是个「很棒的点子」，也有人吐槽：「折腾 147 次 Prompt，那还不如直接自己写封邮件快」。

「都试了一百多次了，有那功夫早就写完了。」

荒诞之余，这场「147 次失败召唤 GPT」的喜剧折射出一个现实：让 AI 办成一件看似简单的事，有时比我们想象的要复杂得多，也滑稽得多——prompting，也是时候要发生变化了。

AI 协作的新路线：讲「氛围」、给「上下文」

Lyra 的诞生看似偶然，实则反映了提示词技术演进的一种思路。曾经，大家都热衷于在提示词上做文章，尽可能来保证输出效果。有时候，提示词的长度都超过了 AI 的产出。

而 Lyra 受到的质疑，也是对这种旧做法的反思。背后正是 AI 社区近来兴起的新趋势，比如 context engineering。

Context engineering，本身是一种编程与系统设计的活动，被视为 AI 系统设计中的「下一代基础能力」。它是在 AI 应用场景中搭建背景、工具、记忆、文档检索等全流程体系，让模型在可靠上下文支持下执行任务。

这里面包括：

-记忆结构：如 chat history、用户偏好、工具使用历史；

-向量数据库或知识库检索：在生成之前检索相关文档；

-工具调用指令 schema：如数据库访问、执行代码、外部 API 格式说明；

-系统提示/system prompt：给 AI 设置的角色、边界、输出格式规则；

-上下文压缩与摘要策略：长期对话内容压缩管理，保证模型高效访问。

好比你写 prompt 时，是在一个已经填好了历史、主题文件、用户偏好等信息的环境中操作——prompt 就是“指令”，context 是“指令背后的材料与背景”。

这部分活儿是工程师的工作，虽然借鉴了一些 prompt engineering 的一些理念和技巧，但应用场景还是在软件的工程和架构系统设计上。相比于 prompt 的微调，context 更适用于实际生产中，做到版本控制、追踪错误、模块复用等效果。

什么？工程师的活儿，跟用户有什么关系？

简单来讲，如果说 prompt 是点火键，那么 context engineering 就是在设计整个打火机，保证一点就能冒出火苗来。

复杂一点看，context engineering 为构建、理解和优化那些面向未来的复杂 AI 系统，提供了所需的规范化系统框架。它将关注点从 prompt 的手艺，转向信息流通与系统优化的技艺。

中科院的一篇论文指出了两者的关键差别：

目前，业界把 context engineering 当作 agent 建构的重要实践。尤其是上下文和工具调用等等，能有效提升模型的表现。

更轻易的 prompt，更清晰的结果

不过，还是得回到那个问题：工程师的活儿，跟我一个普通的用户有什么关系？

当你是普通用户在写 prompt时，Context Engineering 与 Prompt Engineering 虽然不完全相同，但在实质上存在深刻关联——理解它们的关系，有助于你写出更有效、上下文更贴切的 prompt。

传统 Prompt 方法为什么常常失败，还依赖抽卡？因为很多人用 AI 还像用搜索引擎，几句指令就想要满分答案。但大模型生成内容要靠理解上下文和模式匹配，如果提示含糊、信息匮乏，模型只能硬猜，往往产出千篇一律的套话或答非所问。

这可能是因为 prompt 写的模糊、需求不够清晰，但是也可能是因为 prompt 被放在不够结构化 context 的环境里。比如被冗长的历史聊天、图片、文档、格式混乱掩盖，模型很可能「抓不到重点」或「回答跑题」。

就拿 Lyra 里面写邮件的场景来说，一个被结构化得完善的窗口中，包含了用户之前的沟通历史、语气偏好，模型就能够通过这些信息，组织出更贴合用户口吻的邮件草稿——甚至都不需要用户写很复杂的 prompt。

不过，即便用户只是停留在 prompting 层面，无法展开 context engineering，也可以借鉴当中的一些思路。

比如，来自 Reddit 社群 ChatGPTPromptGenius 的一种形式「Synergy Prompt」，就是在 prompting 的层面结构化上下文。

它提出了三个核心构件：

- 元框架 Metaframe：每个元框架都会为对话添加一个特定的视角或焦点，是对 AI 构建的「基础认知模块」（如角色设定、目标说明、数据来源说明等）

- 具体信息 Frames：每个上下文模块中的具体内容

-对话地图 Chatmap：记录整个对话的动态轨迹，捕捉每次互动和语境选择。

简单来说，就是不断地整合碎片化的信息，成为一个个模块，最后化为一个图谱。当使用时，就可以整体性地调用这些已有模块。

当 AI 掌握从主干到细枝末节的完整语境结构时，它就能精准调取你所需的信息，给出精确的针对性回应。

这也正是 context engineering 想做到的，谁说这不是一种互相成就呢？

欢迎加入 APPSO AI 社群，一起畅聊 AI 产品，获取#AI有用功，解锁更多 AI 新知👇

我们正在招募伙伴

📮 简历投递邮箱hr@ifanr.com

✉️ 邮件标题「姓名+岗位名称」（请随简历附上项目/作品或相关链接）