Prompt Engineering отвечает: что сказать модели LLM? Context Engineering: какую информацию для LLM дать? Agent Engineering: как AI должен действовать и принимать следующий шаг? Graph Engineering: как должна быть организована вся работа от начала до конца?

Prompt Engineering — это проектирование самого запроса к LLM: инструкции, роли, формат ответа, ограничения и примеры. Суть — получить более точный и предсказуемый результат от одного вызова модели. Плюс — простота, низкая стоимость и быстрый старт. Минус — качество сильно зависит от prompt и возможностей одной модели. Риск — пытаться решать сложный workflow только за счёт усложнения prompt. Применять для простых и средне-сложных задач, где достаточно одного LLM-вызова.

Context Engineering — это управление тем, какую информацию получает модель: документы, RAG, memory, history, tools, structured state и другой relevant context. Суть — не просто правильно спросить, а дать модели правильные данные в правильный момент. Плюс — существенно повышается factuality и relevance. Минусы — растут сложность, стоимость и latency, а слишком большой context может ухудшить результат. Риск — context bloat, stale data и потеря важных сигналов среди лишней информации. Применять, когда качество зависит от внешних знаний и состояния задачи.

Agent Engineering — это проектирование автономного поведения AI: роли, tools, planning, memory, policies, retries, stopping conditions и правила принятия решений. Суть — превратить LLM из исполнителя одного prompt в систему, которая сама выбирает следующий шаг. Плюс — возможность решать многошаговые и динамические задачи. Минусы — непредсказуемость, стоимость и сложность контроля. Риски — runaway loops, tool misuse, неверные решения и отсутствие надёжного termination. Применять, когда заранее нельзя жёстко определить весь сценарий выполнения.

Graph Engineering — это проектирование всего workflow (последовательность, параллельные ветки, conditional branching, aggregation, retries, loops, checkpoints, state transitions, human gates). Суть — управлять не только тем, что знает AI и что делает agent, но и тем, как движется работа. Плюсы — parallel execution, явные зависимости, checkpointing, verification, observability и управляемый Human-in-the-Loop. Минусы — архитектура становится сложнее, появляются дополнительные переходы и orchestration overhead. Риски — over-agentification, oversized graphs, лишняя orchestration и рост latency/cost. Применять для сложных процессов с несколькими ролями, ветвлениями, проверками и высокой ценой ошибки.

Главный принцип: не нужно сразу строить Multi-Agent System. Сначала определить workflow, затем решить, нужен ли agent, потом добавить context и только после этого автоматизировать graph.

Prompt — Context — Agent — Graph — это не четыре конкурирующих подхода, а четыре уровня управления AI-системой. А  Orchestrator это, как эту работу исполнить.