一句话定义：表征工程（Representation Engineering，常简称 RepE）是一套「读取并改写模型内部激活」的方法——不碰提示词，也不重新训练权重，而是在模型推理时的中间表示里找到某个概念对应的方向，然后加一点或减一点，把行为推向想要的一侧。
原理：模型内部有一根「概念旋钮」
模型在处理文字时，会把每个词变成一串高维数字，也就是隐藏状态（hidden state）或激活（activation）。关键发现是：不少抽象概念在这片高维空间里近似对应一个方向——「诚实」是一个方向，「拒答」是一个方向，「正式语气」又是一个方向。
具体做法通常分三步：
1. 造对比样本：同一件事写两版，一版如实回答，一版编造；或一版礼貌，一版粗暴。
2. 求方向：把两版分别喂给模型，取出某一层的激活，相减（再取平均），得到一支「操控向量」（steering vector）。
3. 干预：推理时把这支向量乘上一个系数，加到中间层激活上；系数为正就推向一侧，为负就推向另一侧。
反方向也成立：训练一个线性探针（linear probe）去读激活，就能在模型开口之前判断「它此刻偏向哪个方向」——比如它嘴上说没看过某份资料，内部「真实性」方向的读数却已经是负的。
打个比方：提示词像对演员喊「演得再犹豫一点」，靠的是沟通；表征工程则是直接调演员的情绪状态——剧本一字不改，只改状态。或者想成调音台上的推子：提示词是你点的歌，表征工程是你伸手去推的那排均衡器。
和相邻概念的区别
容易混淆的是三类东西：改输入的提示工程、改权重的微调、以及自下而上找电路的AI 词典：机械可解释性">机械可解释性。表征工程站在中间——改的是推理时的激活，权重一动不动。
| 维度 | 表征工程 | 提示工程 | 微调（含 RLHF） |
|---|---|---|---|
| 改动对象 | 推理时的激活 | 输入文本 | 模型权重 |
| 生效速度 | 即时，可实时开关调档 | 即时 | 需训练，周期长 |
| 可解释性 | 高，方向和强度都可量化 | 低，靠试 | 低，行为变化难归因 |
| 代价 | 小，无需重训 | 最小 | 大 |
| 局限 | 概念未必线性，强度过大会损伤流畅度 | 易被绕过 | 成本高、难回滚 |
它和机械可解释性（mechanistic interpretability）是互补的：后者自下而上拆电路、拆神经元，追求「理解」；表征工程自上而下按行为找方向，追求「可控」。而激活干预、控制向量这些说法，基本可以看作同一族技术里的不同叫法。
对从业者和普通人的意义
对从业者：这是一条便宜的安全与调优路径。可以用它加固拒答边界、压低幻觉、统一客服语气、做越狱防御，也可以拿探针当「内部体检」——评测模型是「不知道」还是「知道但硬编」。它不改权重、可随时关掉，特别适合做实验和线上开关。
对普通人：这意味着同一个模型，在不同产品里可以有截然不同的「性格」，而且部署方一键就能调；也意味着审计方有机会不看输出、只看内部状态，判断模型是否在隐瞒。要提醒的是，它是「调旋钮」而不是「装知识」——教不会模型新技能；概念也不总是笔直一条线，层选在哪儿、系数给多大，都得靠实验校准，具体效果以官方文档和实测为准。