刷到 Contrastive Reflection for Iterative Prompt Optimization 这篇，感觉 prompt engineering 终于从手工作坊转向工程化了。

之前做 prompt 优化，基本就是 AutoPrompt、OPRO 那一路：采样、打分、沿着梯度更新，跟训模型差不多。但问题是，你的 prompt 为什么变好，基本是黑盒。Contrastive Reflection 给这一步加了显式反思：不是只看最终 loss，而是把成功和失败的轨迹拉出来对比，让优化器自己说“这次差在哪”。

这就像一个 debug 过程——你不光要跑通代码，还得看 crash report 才能写出更 robust 的异常处理。放到 LLM agent 里，prompt 不再只是告诉模型“去检索、去推理”，而是内嵌了一套自检协议：如果检索结果冲突，优先采信权威源；如果答案不确定，回退到 human-in-the-loop。

最有意思的是，这条路线会把 prompt 从“交互指令”升级成“可执行规范”。以后搞不好一个 production prompt 就是一段带假设、带边界、带失败模式的声明式代码，版本管理、diff、code review 全会跟上来。

其实现在最缺的反倒是评测基准：你怎么知道“反思”是真的反思，还是模型在编理由？这个坑值得填。