Если упростить, то развитие этих подходов выглядит примерно так.
Сначала был Prompt Engineering, когда мы пытались подобрать правильные слова, чтобы нейронка выдала нужный результат. «Ты лучший маркетолог в мире, у тебя 20 лет опыта, за хороший ответ дам тебе 200 долларов». Казалось, где-то существует идеальный промпт, надо только его найти.
Потом фокус сместился на Context Engineering, потому что даже лучшему маркетологу неплохо бы рассказать, что мы продаём, кому и почему у нас половина клиентов не возвращается. Начали думать, какие данные дать модели и как сделать, чтобы среди всего этого она нашла нужное.
Дальше Loop Engineering: с первого раза получилось так себе, поэтому давай организуем цикл, в котором ИИ сделает, проверит, исправит и попробует ещё раз. Тут уже надо разобраться, что считать хорошим результатом и когда пора остановиться, иначе сотрудник будет занят вечно.
Есть ещё Harness Engineering, где мы собираем всё окружение для работы агента: инструменты, инструкции, ограничения, проверки. Даже с готовым Codex эту работу под конкретный проект приходится делать, у OpenAI есть подробный разбор.
А когда нужно связать несколько шагов, предусмотреть разные варианты и решить, куда процесс пойдёт после очередной проверки, появляется Graph Engineering. Сами графы и управление такими переходами давно используются, тот же LangGraph представили ещё в 2024 году.
И вот ты уже читаешь про пять направлений инженерии, хотя изначально хотел, чтобы отчёт собирался без твоего участия 😁
Понятно, что это не строгая смена поколений, все эти подходы могут работать вместе. Просто каждое следующее название подаётся так, что хочется бросить всё и срочно его изучать.
Мне во всей этой истории интересно, в какой момент мы начнём так же увлечённо обсуждать, что у кого заработало и сколько времени сэкономило. Потому что словарный запас у нас уже отличный, теперь бы до отчёта добраться =)
