.@athamzafarooq 談為什麼上下文工程現在比提示工程更為關鍵 大多數 AI 產品經理專注於提示工程——撰寫更好的指令以獲得更好的輸出。 但這僅適用於一般性回應。一旦需要個性化，提示工程就會失效。 考慮一個金融代理。一位用戶想要保守的 S&P 500 投資。另一位則想要高風險的加密交易。相同的 LLM 如何為這兩位用戶提供相關建議？ 上下文工程通過層疊多個信息來源來解決這個問題：系統提示、用戶提示、來自過去互動的長期記憶，以及從 RAG 中提取的相關數據。 "提示工程是你告訴 LLM 的內容。上下文工程是你如何設計 LLM 的指令。這就是擁有上下文工程知識的美妙之處，因為它使整個生態系統運行起來。" 微調的工作方式不同——它是任務適應。你在數千個示例上訓練 LLM，使其專門化以產生特定輸出，例如生成 Python 代碼或理解製藥行業的詞彙。 教訓：上下文工程現在比提示工程更重要，因為現代 AI 產品需要大規模的個性化。你需要同時協調記憶、檢索和提示，以便為每位用戶提供相關的回應。