今天的Prompt工程并非凭空出现。2018年前，与AI交互依赖手工编写的『硬模板』——工程师得为每个任务设计类似『这句话的情感是[MASK]』的填空模板，一个措辞变动就可能导致准确率剧烈波动。2019年GPT-3展示的上下文学习能力，让Few-shot（少量示例）成为主流。2022年Chain-of-Thought（思维链）技术将数学推理准确率从18%提升至75%。2023年起，P-Tuning等『软提示』技术让模型自动学习最优提示表示，Prompt从『写出来的』变成了『搜索出来的』。

原文提及的Steer和Queue是Codex区别于普通聊天的核心设计。Steer允许你在Codex执行当前任务时直接发消息『转向』——比如发现它走错方向，立刻补充细节，消息会注入当前推理轮次。Queue则把消息留到下一轮，适合『等当前跑完再检查』的追加工单。在桌面端，排队消息显示在输入框上方，可编辑、调序、延迟发送；CLI中按Enter是Steer，按Tab是Queue。这套机制让开发者无需等待Codex跑完一轮就能干预，大幅减少长任务中的无效等待。

围绕『是否该用LangChain』，开发者阵营分裂明显。支持方认为LangChain的模块化设计（Chain/Agent/Memory）能让复杂AI工作流两周内上线，统一对接数据库、API、向量存储。反方则指出，一个AI招聘平台在卸掉LangChain改调Anthropic原生SDK后，p50延迟从2.1秒降到1.4秒。模型厂商的官方SDK在工具调用精准度上远超第三方框架，且订阅制比按API调用更经济。本质是『快速搭建的通用性』与『生产环境的极致性能』之间的取舍，没有绝对答案。

Codex的计费逻辑远比『订阅ChatGPT Plus就能随便用』复杂。Plus套餐的周限额可能被一次长重构在三小时内打空——因为限额不是按消息数算，而是按每条消息消耗的token算。2026年，GPT-5.1-Codex-Max引入『压缩』技术，能在超100万token的上下文中连续运行24小时不掉线，其API定价为每百万输入token 1.25美元、输出10美元。未来焦点将在：token定价能否随模型效率提升而下降？企业是否会在CI/CD流水线中全面采用按token计费的API路径，而非订阅额度？

2026年GitHub数据显示AI生成代码已占新建仓库的46%，同时『上下文工程』（Context Engineering）概念兴起——核心不再是写好一条指令，而是为AI搭建信息系统，让它在正确时间获取正确信息。麦肯锡报告指出88%的AI试点项目未能规模化，主因是评估与治理障碍而非技术缺陷。真正值得追问的不是『Prompt技巧过没过时』，而是：当AI学会自己理解上下文，开发者的角色会从『指令编写者』转向『信息架构师』吗？这个转变需要哪些新的工程能力？