在与AI协作的过程中，很多人都有过类似的糟糕经历：半夜苦战，在各个AI平台辗转，却难以让AI写出理想的邮件。一位开发者尝试用ChatGPT写销售邮件，改了147次都失败，直到一句吐槽催生了“Lyra”元提示，这一事件也折射出AI协作中存在的问题以及新的发展趋势。

一、147次失败与Lyra的诞生

（一）失败的尝试

一位开发者想用ChatGPT写一封不那么“机器人腔”的销售邮件，连改带问尝试了147次，每次输出的内容都死板空洞，不像人写的。这反映出在常规的提示词方式下，让AI完成看似简单的任务并非易事。

（二）Lyra的出现

在第147次尝试时，开发者崩溃地吐槽让AI问自己需要什么，这句吐槽成为灵感火花。他用72小时开发出“Lyra”元提示，相当于给ChatGPT换了个人设，让其在回答请求前先反过来采访用户，拿到关键信息再动笔。使用Lyra后，ChatGPT会追问产品、目标客户、痛点等关键细节，然后根据回答写出贴合需求的邮件。该帖子在Reddit上迅速爆火，收获近万点赞和上千评论，但也有人吐槽折腾147次不如自己写邮件快。

二、AI协作新路线：context engineering

（一）Lyra背后的趋势

Lyra的诞生反映了提示词技术演进的新思路，体现了AI社区兴起的context engineering趋势。context engineering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。

（二）context engineering的构成

 • 记忆结构：包括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。

可以将其理解为在已有丰富信息（如历史、主题文件、用户偏好等）的环境中操作提示词，prompt是“指令”，context是“指令背后的材料与背景”。虽然context engineering借鉴了prompt engineering的理念和技巧，但更适用于实际生产，能做到版本控制、追踪错误、模块复用等效果，它将关注点从prompt的微调转向信息流通与系统优化的技艺，为构建复杂AI系统提供规范化系统框架，能有效提升模型表现。

三、对普通用户的启示

（一）传统Prompt方法的局限

传统Prompt方法常常失败，原因在于很多人用AI像用搜索引擎，几句指令就想得到满分答案。大模型生成内容依赖理解上下文和模式匹配，若提示含糊、信息匮乏，模型只能硬猜，产出千篇一律的套话或答非所问。这可能是prompt写得模糊、需求不清晰，也可能是prompt所处环境不够结构化，模型抓不到重点或回答跑题。

（二）借鉴context engineering思路

普通用户在写prompt时，虽然无法展开context engineering，但可以借鉴其思路。如Reddit社群ChatGPTPromptGenius的“Synergy Prompt”，提出三个核心构件：元框架Metaframe（为对话添加特定视角或焦点，是AI的“基础认知模块”）、具体信息Frames（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）。通过不断整合碎片化信息形成模块和图谱，当AI掌握完整语境结构时，就能精准调取信息，给出精确回应，这与context engineering的目标相契合。