HarnessEngineering

为什么只会写 Prompt 已经不够了 过去几年，大家最熟悉的词是 prompt engineering。 这很好理解。大模型刚流行的时候，很多任务都还是“一问一答”式的：你写一句提示词，模型回你一段结果。于是大家自然会把注意力放在一个问题上：这句话到底该怎么写，模型才更听话？ 但一旦 AI 从聊天玩具变成真正干活的系统，事情就开始变了。 比如你不再只是让它“解释一个概念”，而是让它： 读代码库 查文档 调工具 记住前面做过什么 连续工作几十分钟甚至几小时 这时候，如果效果不好，问题往往已经不只是“提示词写得不够好”。更常见的情况是：给错了信息，或者系统壳子搭得不对。 这正是 prompt engineering、context engineering、harness engineering 这三个概念出现的背景。 如果只用一句话概括它们的区别，可以这样记： Prompt engineering：研究“你怎么对模型说话” Context engineering：研究“模型在这一轮到底看到了什么” Harness engineering：研究“模型外面的运行系统怎样驱动它持续完成任务” 很多人第一次看到这三个词，会觉得它们像是换汤不换药的同义词。其实不是。它们对应的是三层完全不同的工程问题。 01. 先把 AI 想成一个超级聪明但会失忆的实习生 理解这三个概念，最简单的方法，是先把大模型想成一个能力极强、但工作方式很特别的实习生。 他有几个鲜明特点。 第一，他很聪明，读过海量资料，推理和表达能力都不错。 第二，他没有真正稳定的长期记忆。你不给他信息，他就不知道；你这轮给了，下轮不一定还能完整保留。 第三，他能不能干成事，不只取决于你说得清不清楚，还取决于三件事： 你到底给他下了什么任务 你把哪些资料和现场信息摆在了他面前 你有没有给他工具、流程、检查点和工作台 这三件事，分别就对应今天要讲的三个层次。 02. Prompt Engineering：你怎么给他下指令 Prompt engineering 是最早被广泛讨论的概念。Anthropic 在官方文档里把它描述为：为了获得更好的结果，去设计和组织给模型的指令。 说白了，它解决的是：一句话怎么写，一段提示怎么组织，模型才更容易给出你要的输出。 这一层最常见的工作包括： 设定角色，比如“你是一位资深律师”或“你是一位代码审查专家” 明确任务，比如“总结”“比较”“修复”“改写” 指定输出格式，比如表格、JSON、Markdown、固定字段 加约束条件，比如长度限制、语气限制、禁止编造 提供 few-shot 示例，让模型照着范例做 如果把模型当作一个实习生，prompt engineering 做的事就是：把任务交代清楚。 比如同样是让 AI 写文章，下面这两种写法的效果往往完全不同。 差的写法： 帮我写一篇文章。 更好的写法： 请写一篇面向完全小白的科普文章，主题是“为什么只会写 Prompt 已经不够了”。 文章需要解释 Prompt Engineering、Context Engineering、Harness Engineering 的区别。 风格要通俗、自然，避免空泛术语，并给出一个 AI 编码助手的具体例子。 你会发现，第二种写法并没有使用什么神秘技巧，它只是更清楚。 ...