Prompt 到 Context 到 Harness：AI 工程的三层进化

2023-2026，我们和 AI 交互的方式经历了三次根本性转变

开篇：三层，三次跃迁

2023 年，我们学会了一件事：写一个好的提示词。

2025 年，我们发现：提示词只是冰山一角，上下文才是关键。

2026 年，行业共识是：真正的竞争力不在模型，不在提示词，而在那个包裹模型运行的"机械外壳"——Harness。

这篇文章梳理这三层是如何一层层垒起来的，以及每一层解决了什么问题、又暴露了什么新问题。

第一层：Prompt Engineering（2023）

解决了什么

让 LLM 给出更好的回答。在你只有 ChatGPT 一个文本框的时候，你能做的唯一一件事就是写好提示词。

核心手段

角色设定："你是一个有10年经验的后端架构师..."
分步引导："第一步先分析，第二步再给出方案..."
少样本示例："比如像这样回答..."

暴露了什么

• 模型是全部，人只能适应模型 —— 同一个 prompt 在 GPT-3.5 和 GPT-4 上的结果天差地别
• 每次对话独立 —— 没有记忆，没有积累，每次都是从头开始
• 不可编程 —— 你能控制的只是一个文本框里的文字，没法调用工具、没法访问数据库

Prompt Engineering 的时代，生产力完全绑定在模型的即兴表演上。

第二层：Context Engineering（2024-2025）

解决了什么

把对单次 prompt 的关注，扩展到对模型所见全部信息环境的治理。

核心洞察

模型每次推理时看到的内容，远不止你写的那段话：

你看到的 prompt:
  "帮我审查这段代码"
​
模型实际看到的 context:
  ├── 系统提示词（System Prompt）
  ├── 对话历史（多轮消息）
  ├── 检索到的文档（RAG 注入）
  ├── 工具调用的返回结果
  ├── 项目文件内容
  └── 你的 prompt: "帮我审查这段代码"

核心手段

暴露了什么

• 信息环境污染 —— 上下文越长，模型越容易被无关内容干扰
• 上下文窗口有限 —— 再多也装不下一个完整项目
• 无法自主行动 —— 模型仍然只是"回答问题"，不能"执行任务"
• 状态不持久 —— 每次对话结束后上下文就消失了

Context Engineering 的时代，我们把重心从"写 prompt"转移到了"治理信息环境"。

第三层：Harness Engineering（2026）

解决了什么

模型能回答好问题了，上下文也能治理好了——但怎么让模型成为一个能自主完成任务的系统？

Harness 回答了这个问题。

什么是 Harness

Harness 的原意是"马具"——套在马身上的缰绳、嚼子和鞍具。马提供动力，但马具控制方向、速度和安全。

在 AI 语境中：

模型是马，Harness 是缰绳。模型提供智能，Harness 提供控制。

Harness 的七个构件

┌──────────────────────────────────────────┐
│               Harness                     │
│                                           │
│  ┌─────────────┐  ┌───────────────────┐  │
│  │ Context     │  │ Orchestration     │  │
│  │ (信息环境)   │  │ (任务规划与分解)    │  │
│  ├─────────────┤  ├───────────────────┤  │
│  │ Reasoning   │  │ Policy & Guard    │  │
│  │ (LLM+工具)   │  │ (权限和护栏)       │  │
│  ├─────────────┤  ├───────────────────┤  │
│  │ State       │  │ Verification      │  │
│  │ (持久状态)   │  │ (完成前验证)       │  │
│  ├─────────────┤  └───────────────────┘  │
│  │ Observability (追踪/评估/审计)         │
│  └─────────────┘                         │
└──────────────────────────────────────────┘

每一层解释

业界的实际验证

• Anthropic 的 Claude Code —— 本身就是一个 Harness，管理循环、工具调用、状态持久化、人工介入
• OpenAI Codex 团队 —— 用 Harness Engineering 的理念，工程师不写代码，只设计 Harness，产出 100 万行生产级代码
• LangChain —— 把编码 Agent 的基准分从 52.8% 提升到 66.5%，完全靠改进 Harness，模型没换
• Mitchell Hashimoto（Terraform 创始人） —— "Agent 每次犯错，你不需要告诉它下次注意，你只需要让这类错误在系统结构上变得不可能。"

演进总结

下一层？Meta Context & Intent Engineering

2026 年已经有新方向在冒头：

• Meta Context Engineering（ICML 2026） —— 把"怎么设计上下文"这件事本身变成 AI 可学习的技能，让 AI 自己进化自己的 context 策略
• Intent Engineering —— 从定义"怎么做"走向定义"要什么"，让 Agent 理解组织的目标、价值观和约束
• Specification Engineering —— 把企业策略写成机器可读的规范，让 Harness 能自动理解和执行

一句话总结

2023 年我们学会了写提示词，2024 年我们学会了管上下文，2026 年我们终于理解：真正的工程不在 prompt 里，而在那个让模型安全、可靠、可控地运行的"缰绳"里。

本文基于 2023-2026 年 AI 工程实践发展脉络编写。