我从PromptPico到ContextPico的心路历程

从AI编程助手PromptPico到ContextPico的演进历程，揭示了一个核心命题：如何让AI真正理解硬件底层需求，而非停留在简单的对话式代码生成层面。

核心内容：

1. 传统“聊天式”AI编程的局限与痛点剖析
2. PromptPico创新方法：先系统学习硬件特性再编写代码
3. 从Many-Shot到Long Context的技术演进与关键突破

这件事得从AI应用研究过程中衍生出的一个项目说起，项目叫PromptPico。听起来挺唬人，本质上是利用AI帮助不会编程的人操作那些需要代码的开源硬件，比如Raspberry Pico、ESP32这类设备。

1. 起点：看不惯“聊天流”，想做一些实在的事

这几年Vibe Coding特别火爆，说白了就是让AI写代码。GitHub Copilot、Cursor这些工具，大家用得相当顺手。它们的套路很简单：你提需求 → AI在聊天窗口生成代码 → 你觉得不对就让它改 → 它再次生成……就像一场没完没了的对话。这种模式如同开盲盒，不仅要求你是一名优秀的程序员，还得充当监工；而AI更像一位廉价且缺乏责任感的“打工仔”。

这显然不太合理。真正的程序员是这样写代码的吗？当然不是！ 实际流程是怎样的？

• • 查阅手册！ 先搞清楚硬件或软件库能做什么、有哪些限制、接口如何调用。这就是它的“说明书”。
• • 理解需求！ 用户到底想要实现什么功能？
• • 动手编码！ 根据说明书，把用户需求翻译成硬件能理解的代码。

PromptPico想模仿的就是真人程序员的做法：

• • 先“教”AI：把硬件/软件的所有特性、功能细节整理成学习资料，全部喂给AI，让它先“学透”。
• • 用户说大白话：不需要懂技术术语，直接说：“我想让这个小板子每10分钟测一次温度，发送到我的手机上。”
• • AI充当翻译官：AI结合它学到的知识和你的需求，生成可以直接运行的代码。

这就像给AI找了一位软硬件通吃的“导师”，让它先学习再干活。这和主流的“聊天式”AI写代码完全不同！

2. 迷茫：像RAG又不像，心里没底

做着做着，开始怀疑：这个方法是不是和RAG差不多？RAG不也是先存储一堆资料，然后根据问题检索答案吗？

晚上躺在床上思考（程序员失眠就是这么朴实无华），突然意识到：不对！有本质区别！

• • RAG像博物馆讲解员：游客（用户）问什么，它就从资料库中查找相关内容回答。被动应对，问啥答啥。
• • PromptPico像医生：要做手术（写代码），必须先全面了解病人（硬件软件）的身体状况（说明书）、功能特点，然后才能根据病情（用户需求）制定手术方案（生成代码）。这要求AI对目标系统有深入透彻的理解，而不是临时查阅资料。

这下明白了，这个方法更“硬核”，对AI的“理解力”要求更高。但这个方向对吗？世界上这样干的人可不多啊！心里那个虚啊，像踩在棉花上一样。

为了不变成“民科”，只能硬着头皮读论文。那段时间读的论文不亚于当年接受博士训练，整天头晕眼花，满脑子都是“few-shot”、“zero-shot”、“chain-of-thought”……直到看到两个新概念：

• • Many-Shot Prompting：给AI看大量示例，让它深入学习某种模式。
• • Long Context Prompting：现在的AI能记住很长的文本了，比如整本说明书！

看到这些，眼前一亮！有戏！ 把整个相关文档喂给AI，不就是利用Context吗？让它参考设计好的示例，不就是Many-Shot Prompting吗？虽然没人说这就是Context Engineering，但方向没错！心里踏实了一些，就把项目正式命名为PromptPico。为什么叫Pico？一是以Raspberry Pico为起点，二是显得精致（pico表示“微小”），想突出“提示（Prompt）”用得精准到位。

3. 顿悟：Context Engineering！就是它！

虽然定了PromptPico这个名字，也觉得方向还行，但总觉得差点什么，像隔着一层窗户纸。直到有一天，看到一个词——Context Engineering！

啪！ 一下子就通了！之前模模糊糊的想法突然清晰了。其实Context这个词也纠结了很久，发现有好几个意译的词句，比如“情景”，反正不能译成“上下文”。

立刻明白PromptPico这个名字的问题了：

• • Prompt Engineering：把AI当成“万事通办事员”。你得把问题描述得特别精准，它才能给你正确答案。要是结果不对？那是你没问清楚！责任在你，锅得你来背！ 就像去行政机关办事，表格填错就不给办。
• • Context Engineering：把AI当成学习能力极强的智者。开发者提前准备好相关背景信息（Context）——比如硬件说明书、项目背景等，全部提供给AI。你再提问时，AI会结合这些背景信息给出建议。就像看病，好医生需要看你的病历和检查报告（Context）才能准确诊断。责任共担，信息共享。

这不就是一直在做的事吗？ 把硬件软件资料（Context）喂给AI，就是在做Context Engineering啊！用户只需要说大白话，AI结合学到的Context就能干活。Prompt当然重要，但核心是Context！是提前准备好的知识包！

这下真踏实了！ PromptPico这个名字还停留在“Prompt Engineering”的框框里。现在找到了更准确、更有前瞻性的方向——Context Engineering！

4. 改名！从PromptPico到ContextPico

想清楚后，改名就顺理成章了。PromptPico → ContextPico！虽然只改了一个词，但感觉整个项目的灵魂都提升了！

为什么这么激动？因为这不仅是名字的变化，更代表了AI应用模式的重大转变：

• • Prompt Engineering时代：AI是个知识渊博但被动的答题机器。重点在“怎么问”。
• • Context Engineering时代：AI是个学习能力极强，利用丰富准确的背景信息解决问题的智者。重点在“要先提供全面正确的信息”。

就像医疗的发展，从问诊（Prompt）到数据（Context）的演进过程。

5. 折腾完了，说点心里话

这个过程真不容易。大部分时间都在迷茫中度过，老是怀疑自己是不是在瞎搞。痛苦吗？特别痛苦！ 尤其是看到别人用现成的Copilot轻松写代码，自己却在搞底层，效率好像更低，那种自我怀疑特别折磨人。

第一个吃螃蟹的人肯定会被夹到手，弄得满手腥，还可能被旁边吃现成的人笑话。技术探索就是这样，走一条少有人走的路，不确定和孤独是最大的挑战。

但是！当你终于尝到鲜美的蟹黄，当你的想法被技术发展趋势印证时，那种豁然开朗的成就感和爽快感，绝对值得之前所有的痛苦和纠结！

现在ContextPico还在继续开发，路还长。但至少名正了，方向对了，心里有底了。这螃蟹，吃得值！

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：我从PromptPico到ContextPico的心路历程要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题