你有没有想过，为什么那些看起来无所不能的 AI agent，在真实工作环境中却总是显得如此笨拙？我们花费数百小时调试提示词、完善指令，但这些智能系统依然无法像人类员工那样从经验中学习和成长。它们不会从错误中汲取教训，也不会在重复性任务中变得更加熟练。这个根本性问题，正是 Composio 刚刚完成 2500 万美元 A 轮融资要解决的核心挑战。
就在昨天，来自UCLA的两位研究者黄溢辰和杨林做了一件让整个AI圈都震惊的事。他们用Google的Gemini 2.5 Pro模型，在2025年国际数学奥林匹克竞赛中拿下了金牌水平的成绩，6道题解对了5道。这可不是什么花架子，IMO被公认为是测试AI推理能力的终极试金石，因为它需要的不仅仅是计算，更需要创造性思维和严密的逻辑推理。
在过去很长一段时间里，科技圈似乎人均都成了“提示词工程师”，大家都在琢磨怎么用最精妙的语言驯服AI。但包括Andrej Karpathy在内的很多行业大佬已经开始反思了，他们认为，决定AI效果的关键，可能早就不是怎么问，而是你给AI喂了什么料。这个思路，就是最近越来越火的上下文工程（Context Engineering）。
AI创造力源于架构缺陷带来的约束（局部性与平移等变性），而非数据堆砌或“涌现”智能。这种约束类似人类“功能固着”的反面，迫使AI重组局部特征，从而创新。提升AI创新可主动设计约束架构、制造数据信息差、优化提示词。这挑战了追求AGI需模仿人脑的假设。
程序员最有价值的技能已经不再是编写代码了，而是精确地向 AI 传达意图。一份完善的规范才是包含完整意图的真正「源代码」。
我每天都使用AI，我认为提示工程是一项高级认知技能。
这几天 kimi k2 很热，玩了一下效果很不错。 我写了个提示词，让 kimi k2 实现 3D 地球。
你说：“帮我列下今天的会议日程。” 它迅速回复：“9 点产品部，11 点市场部，下午 2 点财务汇报。”——完美。
您是否也曾经想过这样的场景：产品经理把idea直接扔给AI编程，然后就能得到完美能用的代码？来自德国弗劳恩霍夫研究所和杜伊斯堡-埃森大学的研究者们刚刚给我们泼了一盆冷水。
一年前，你想让AI画出“一只穿着复古皮衣、站在东京街头、日落光线打在墨镜上的猫”，得试个五六次，画出来要么穿错衣服，要么猫的动作奇特，要么背景得靠开盲盒抽卡。今天，在一众主流图像模型上，这句提示词几乎能一次命中。
