现代 AI 应用的核心依然是模型，但杠杆点已向外扩展。曾经调优提示的团队，如今构建模型周边的系统：他们策划模型所见内容，管理运行方式，添加定义“优质”的验证器，并在必要时将多个专家连接成协调的工作流。这种分层转变非炒作，而是反映了规模化时失败和成本的真实来源。完美措辞无法补充缺失事实；长时间运行中输入依然会漂移；未经验证的循环可能整夜输出垃圾。如果你感受到成本上升而结果平平，瓶颈很可能就在外层。

请从五层思考。提示工程构建单次请求；上下文工程决定模型所见——检索、排序、摘要和编辑删减；控制工程管理完整运行：工具、状态持久化、编排、评估和恢复；循环工程通过定义目标、验证器和停止条件，将你从触发中解放；图谱工程用边、条件路由、并行和共享状态协调多个专家代理。每层包裹前一层，旧层不会废弃。稀缺技能向外迁移：从措辞，到信息架构，到控制设计，到验证设计，再到图谱中的分解和路由。

用症状选择下一步投资。如果模型误解请求，收紧提示契约；如果答案缺事实或偏题，修正检索和上下文压缩；如果长流程不稳定或静默失败，加强控制并添加评估器；如果你仍是人工调度者，明确循环触发和验证器；如果单一代理混淆不同任务——研究、写作、批评——拆分为节点，定义共享状态对象，并按明确条件路由。每步都有可量化 KPI：可答性、工具成功率、运行完成与恢复、循环精准率/召回率，以及图谱级吞吐和每件产出成本。

采用应循序渐进。先规范输出契约，给控制层加轻量评估器；当评估器发现缺陷多于人工时，升级循环工程；只有当专业化加路由在质量、速度和单位经济上优于单一验证循环时，才迈向图谱工程。偏好小型、可测试的控制图谱，明确状态模式和沙箱工具。将验证器视为一等代码，覆盖率、漂移检查和预算上限齐备。此路径让模型成本可控，缺陷率可观测，代理队伍对齐业务成果，而非消耗的令牌数。