目前，硅谷正就
AI开发范式展开一场激烈辩论。继AI大神安德烈・卡帕西（Andrej Karpathy）力推“上下文工程”（context engineering），宣告提示词工程（prompt engineering）过时后，OpenAI顶级对齐研究员肖恩・格罗夫（Sean Grove）也提出相同观点，认为提示词工程确实过时了，同时他指出未来应属于“规范化编程”（spec - writing）。
规范化编程（spec - writing）是一个编写、定义和记录系统需求、功能、行为规范的过程，目的是让开发团队、利益相关方和机器清楚理解系统的目标和方向。格罗夫是OpenAI核心研究团队的重要成员，在
人工智能安全和模型对齐领域造诣深厚。他目前正组建OpenAI新的智能体鲁棒性团队，直接参与通用人工智能的安全演化工作。在近期的一次技术演讲中，他提出了与卡帕西不同的发展方向。
两条路径，一个共识：提示词工程的末日
当前正值AI智能体的爆发期，OpenAI总裁格雷格・布罗克曼（Greg Brockman）多次表示 “2025年是AI智能体的元年”。在此背景下，传统的提示词工程因“一次性”和缺乏系统性的缺陷，被广泛认为已走到尽头。卡帕西与格罗夫两位专家虽达成这一共识，但提出了不同的解决方案：卡帕西的上下文工程与格罗夫的规范化编程，分别代表了“输入优化”与“意图澄清”两种路径。卡帕西认为上下文工程是“一门精深的科学，也是一门巧妙的艺术”，是工业级大语言模型应用的正确方向。他指出：“大多数AI智能体的失败，不是模型能力的不足，而是上下文的失败。” 其核心是“在恰当时机、以恰当格式提供恰当信息”，涵盖指令、用户输入、状态历史、长期记忆、检索信息、可用工具和结构化输出等全方位信息。卡帕西强调“长期记忆”的重要性，主张通过动态管理历史交互数据确保模型行为符合预期。他认为未来程序员需成为“信息架构师”，并批评将工业级应用简单视为“ChatGPT套壳”的观点。格罗夫则提出更为激进的“规范化编程”理念。他认为提示词工程和上下文工程的共同缺陷是：人类花费大量精力优化与AI的交互，却从未真正说清自己想要什么。他主张通过结构化规范文档明确开发意图和价值判断，使其成为比代码更重要的“源代码”。格罗夫举例说：“你以为你告诉了模型你想要什么，但后来你才发现，你从来没真正说清楚过——甚至你自己都不完全明白真正想要的是什么，就像盖房子前只跟建筑师说‘我要一个漂亮的房子’，却没说清细节，最后抱怨‘这不是我想要的’，问题根源在自己没画好蓝图。” 他进一步解释：“提示词工程像教你礼貌沟通，上下文工程像整理建筑材料，但如果连‘要什么样的房子’都没搞懂，再礼貌的语气、再全的材料也建不出想要的家。”
格罗夫强调：“代码只占工作价值的10%到20%，另外80%到90%体现在结构化沟通中。规范是人类的指南针，确保每一步都知道‘为什么要做这个’。” 他以OpenAI的Model Spec为例，这份开源Markdown文档用自然语言表达模型的价值观和行为准则，可通过“审慎对齐”（deliberative alignment）技术嵌入模型训练，使意图成为模型的“内在记忆”。格罗夫将规范比喻为“源码”，认为代码只是其“有损投影”，并设想未来IDE将转变为“集成意图澄清器”，助力意图澄清与协作。
两种方法的本质区别
总结来说，两位专家虽都反对传统提示词工程，但解决方案思路迥异。卡帕西的上下文工程专注于“如何更好地与AI沟通”，认为智能体失败源于“上下文的失败”，即无法在恰当时机、以恰当格式提供恰当信息。其核心是系统化收集、组织和传递信息，通过优化输入提升AI表现，强调 “长期记忆”对动态管理历史数据的作用。这是“输入优化”思路，假设目标明确，关键是高效传达。格罗夫的“规范化编程”则聚焦“如何明确我们真正想要什么”，认为AI开发的问题源于人类对自身目标的模糊认知。
“粗糙演示与惊艳智能体的根本区别，在于是否明确成功的定义，”格罗夫说。其核心是通过结构化规范文档（如Model Spec）清晰表达意图和价值观，并利用“审慎对齐”技术将规范嵌入模型训练，使意图成为“内在记忆”。这是“意图澄清”思路，即与AI沟通前，人类需先明确目标并以可版本化、可测试的形式记录。简言之，卡帕西关注“怎么做”（优化输入实现已知目标），格罗夫关注“做什么”（通过规范明确意图本身）。格罗夫指出：“规范是代码的‘源码’，代码只是其有损投影，真正价值在于清晰表达的意图”。尽管侧重点不同，两人都认同提示词工程的局限性，预见程序员角色向 “意图设计者” 转变：卡帕西要求程序员成为 “信息架构师”，格罗夫则认为未来稀缺技能是 “编写完整表达意图与价值的规范的能力”。
OpenAI内部实践：Model Spec的成功验证
格罗夫深度参与设计的OpenAI Model Spec（指其模型在API和ChatGPT中的行为方式，涵盖了模型行为的设计原则、规则和默认行为，并强调了根据人类反馈进行持续改进），是规范化编程的典型案例。开源的Model Spec以自然语言系统化表达了OpenAI对AI模型在价值观、行为准则和伦理约束方面的期望，为开发者、用户和AI系统提供透明参考框架。格罗夫团队开发的“审慎对齐”技术，为规范化编程注入实践能力：将Model Spec 中的规范直接转化为模型训练和评估的约束条件，通过“规范驱动微调”将抽象意图和价值观“编码”进模型参数，显著提升运行效率和行为稳定性。格罗夫解释说：“传统对齐依赖大量数据标注和后期修正，效率低且难保证一致性，通过审慎对齐，规范成为训练原材料，让每条准则都被翻译成模型可理解的优化目标，使对齐更可控，行为更可预测。” 他举例：Model Spec中的准则，例如“面对敏感问题保持中立尊重”，通过该技术转化为可量化损失函数嵌入训练，模型生成回答时会主动避免偏见，无需额外后处理。这项突破为规范化编程提供了实证支持。格罗夫强调，其核心是“从混乱到秩序”，通过结构化表达人类意图并应用于AI开发，既提高效率，又为伦理治理提供新可能。“未来，所有AI系统或能基于通用、公开的规范标准开发评估，这将极大增强AI的可信度和透明度。”尽管两位专家的路径不同，但都捕捉到时代转折点。犹如格罗夫所说：“我们正在见证一个新时代的开始，我们的目标是让人类与AI协作更高效、安全。我和卡帕西的观点没有对错之分，而是一场共同的探索”。
本文来自微信公众号“腾讯科技”，作者：无忌，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com
