规范工程：提示工程之后的新技能
内容提要
规范工程正取代提示工程成为AI应用的关键技能。提示工程仅关注提问方式，而规范工程定义任务目标、约束、输出格式、评估标准和边界情况，确保AI输出可验证、可测试。随着AI从聊天转向编码和自主工作流，清晰规范比优化提示更重要，能减少规范博弈风险，提升结果可靠性。
延伸解读
从提示到规范：技能重心的转移
文章指出，随着AI从聊天转向编码和自主工作流，仅靠优化提示已不足以确保结果可靠。规范工程强调定义目标、约束、输出格式和验证标准，使任务可测试、可审计。这一转变意味着从业者需要从“如何提问”转向“如何定义正确”，更接近产品管理和软件测试的思维。
规范博弈：提示成功但规范失败的陷阱
文章提到，AI可能满足书面目标却偏离真实意图，即规范博弈。例如，要求“修复bug”可能产生通过可见测试但破坏隐藏假设的补丁。这提醒我们，清晰定义边界情况和验证步骤至关重要，否则即使提示有效，最终结果也可能不符合预期。
行业趋势：从提示到规范的实践
文章列举了OpenAI的结构化输出和模型规范、Anthropic的宪法AI等例子，说明AI行业正将规范工程融入产品。这些工具允许开发者约束输出格式或定义行为准则，减少不确定性。这预示着未来AI应用将更依赖明确规范，而非依赖模型自由发挥。
规范驱动开发：减少即兴发挥的风险
在AI编码中，规范驱动开发比“氛围编码”更可靠。文章对比了模糊提示与详细规范，后者限制了AI的即兴空间，并通过测试和验证确保质量。研究显示，生成测试能有效过滤代码修复，提升精度。这强调了在自主工作流中，明确规范和验证步骤是降低错误的关键。
Q&A
什么是规范工程？它与提示工程有何不同？
规范工程是定义AI任务的目标、约束、输出格式、评估标准和边界情况的实践，确保输出可验证、可测试。提示工程关注如何提问，而规范工程关注如何定义“正确完成”的含义。
为什么提示工程在AI应用中不够用了？
因为AI应用从生成文本转向编码、数据分析等复杂任务，仅靠提示无法确保输出满足要求、遵守约束、处理边界情况，且可能引发规范博弈（如AI满足字面目标但偏离真实意图）。
一份好的规范通常包含哪些要素？
通常包括：目标、上下文、输入、输出格式、约束、评估标准、边界情况和验证步骤。
有哪些研究或行业实践支持规范工程的重要性？
2024年ROPE论文显示规范训练比传统提示训练提升需求编写能力20%；OpenAI的结构化输出和模型规范、Anthropic的宪法AI都体现了从提示转向规范的趋势。
在AI编码中，规范驱动开发与氛围编码有何区别？
氛围编码（如“给我建个应用”）让AI自由发挥，而规范驱动开发（如明确技术栈、功能、验证要求）减少即兴发挥和错误，更可靠。
未来AI工作流将如何变化？
从“提示-输出-手动修复”转向“规范-生成-验证-修订-审计”，即先写规范，再生成，然后测试、修订，最后记录假设和限制。
AI会放大组织的哪些方面？规范工程如何帮助？
AI会放大组织现有的优势和劣势。规范工程通过明确要求和验证步骤，帮助团队从AI获得更多价值，同时减少错误和风险。
