过去半年，Prompt Engineering这个领域发生了肉眼可见的变化。以前大家讨论的是“怎么写提示词才能让AI听话”，现在各家大模型厂商和第三方工具都在推自己的方法论，从简单的模板化提示词，升级到了系统化的工程框架。我刷了最近几个月的AI动态后发现，谷歌、OpenAI、Anthropic这三家的思路差异很大，背后反映的是对AI能力边界的不同理解。
谷歌的“结构化提示”不是新东西，但确实好用
谷歌在Vertex AI平台上推的“结构化提示”方法论，本质上就是把提示词拆成角色、上下文、任务、输出格式四个模块。说实话，这跟很多开发者自己总结的套路差不多，但谷歌把它做成了可视化编辑器，降低了门槛。我试了一下，对于重复性高的任务（比如客服对话、数据提取），结构化提示确实能让输出更稳定。
不过，谷歌这套方法有个硬伤——它假设用户已经清楚知道AI要完成什么任务。在实际场景里，很多需求是模糊的，你让业务人员先定义清楚“上下文”和“输出格式”，他们反而更懵了。这也是为什么谷歌的Prompt Engineering最新方法论在开发者社区口碑不错，但在非技术用户里推广缓慢。
小贴士：如果你用谷歌的结构化提示，建议先在草稿里把任务拆成几个子问题，再填到模块里，能减少反复修改的次数。
另外，谷歌的few-shot示例功能值得单独提一下。它允许你在提示里嵌入3-5个输入输出对，模型会模仿这些示例的风格和逻辑。我对比过，同样一个分类任务，加了3个示例后准确率从72%提到了89%，效果非常明显。但要注意，示例的质量比数量重要，一个糟糕的示例会把模型带偏。
OpenAI的“函数调用”思路，让提示词变成了代码
OpenAI走的是另一条路。他们最新推的结构化输出和函数调用，本质上是用代码逻辑替代自然语言提示。你不需要写“请以JSON格式返回”，而是直接定义一个schema，模型会严格按照schema输出。这看起来是技术细节，但对开发者的影响非常大——以前调试提示词像在调参数，现在更像在写接口文档。
我个人的判断是，OpenAI这个方向更接近未来。因为自然语言提示词最大的问题是不可控——同样的提示词，不同版本模型输出可能不一样。而函数调用把“提示”变成了“约束”，输出稳定性提升了一个量级。不过代价是学习曲线变陡了：你得懂JSON Schema、懂API设计，普通用户根本玩不转。
对比下来，谷歌和OpenAI的方法论代表了两种哲学：谷歌想降低门槛，让更多人能用好AI；OpenAI想提升上限，让专业开发者能榨干模型性能。从行业影响看，OpenAI的路线正在被更多SaaS公司采用，因为可编程的提示词更容易集成到现有软件流程里。
Anthropic的“原则驱动”方法论，最接近人机协作的本质
Anthropic在Claude 3.5之后推了一套叫“Constitutional AI”的延伸方法论，核心是让用户定义一组原则（比如“回复要简洁”“避免主观判断”），模型在生成时会自动遵循这些原则。这跟谷歌和OpenAI的思路都不同——它不要求你写具体的指令，而是设定行为边界。
我最近用Claude做内容审核时试过这套方法。以前用OpenAI的提示词，我得写“如果包含暴力内容就拒绝回复，并给出理由”，但用Anthropic的原则驱动，我只需要写一条原则：“本助手应帮助用户理解内容风险，而非直接拒绝。”效果很不一样：Claude会温和地指出内容问题，同时给出替代建议，用户体验好得多。
但Anthropic的方法有个明显缺陷：原则之间可能冲突。比如你同时要求“回复要简洁”和“解释要详细”，模型会陷入矛盾，输出变得不稳定。目前公开的信息显示，Anthropic正在研究原则优先级排序算法，但这部分还没开放给普通用户。
| 方法论 | 代表公司 | 核心思路 | 适合人群 | 主要局限 |
|---|---|---|---|---|
| 结构化提示 | 谷歌 | 模块化拆解提示词 | 业务人员、初学者 | 对模糊需求不友好 |
| 函数调用 | OpenAI | 用代码约束输出 | 开发者、技术团队 | 学习曲线陡峭 |
| 原则驱动 | Anthropic | 设定行为边界 | 内容创作者、产品经理 | 原则冲突难解决 |
对普通用户和开发者的实际影响
说回实际价值。如果你是普通用户，目前最值得关注的是工具层面的变化。市面上已经出现了一批第三方平台，比如LangChain、PromptLayer、Guidance，它们把各大厂的方法论做成了可视化工具。你不用纠结用谷歌还是OpenAI的框架，直接拖拽就能组合出适合自己的提示词流程。我最近在用Guidance写复杂的数据分析提示词，它的模板变量功能让我少写了至少40%的重复代码。
对开发者来说，真正的机会在于把Prompt Engineering当成系统工程来设计。过去大家觉得写提示词是“玄学”，现在有了方法论支撑，可以像写测试用例一样去验证和迭代。我建议每个AI项目至少留出20%的精力做提示词版本管理和A/B测试，这块目前还是被严重忽视的。
最后聊一下趋势。我认为未来6个月，Prompt Engineering最新方法论会往多模态和Agent化两个方向演进。多模态意味着提示词不再只是文字，还要处理图像、音频的上下文；Agent化则要求提示词能串联多个工具调用。谷歌和OpenAI已经在布局了，Anthropic相对慢一些。普通用户现在开始学结构化提示和函数调用，至少未来一两年不会过时。
说白了，AI工具越来越强，但用好它们的能力门槛反而在提高。别指望“一句话搞定一切”的神话，踏踏实实把提示词当代码写、当产品设计，才是正路。