从 Prompt 到 Harness：AI 工程范式爆炸，下一代开发栈正在重构

过去一年，AI 开发领域出现了一个耐人寻味的现象：
围绕大模型的“工程名词”正在快速膨胀——从 prompt engineering、context engineering，到 agent engineering，再到逐渐被提及的 harness engineering。

这并非简单的概念堆叠，而是一个信号：
大模型应用正在从“调用模型”演进为“构建系统”。

导语：为什么 AI 工程突然“分层”了？

在早期，大模型开发几乎等同于写 prompt：

• 输入一段自然语言
• 调用 API
• 返回结果

但随着应用复杂度提升，这种模式迅速失效。开发者开始意识到：

• 模型只是系统的一部分
• 输出质量取决于整个上下文与执行链路
• 可控性与稳定性成为核心挑战

于是，一系列新的“工程分支”开始出现，本质上是在补齐传统软件工程与大模型之间的鸿沟。

Prompt Engineering：从技巧到边缘化

prompt engineering 是最早被广泛讨论的方向，其核心是：

• 如何通过输入优化模型输出
• 如何设计指令结构（instruction design）
• 如何控制风格与行为

但随着模型能力提升，这一层的“技巧红利”正在递减：

• 更强模型对 prompt 更鲁棒
• 模板化 prompt 被工具化（prompt libraries）
• 边际收益下降

这使得 prompt engineering 正在从“核心能力”转变为“基础技能”。

Context Engineering：真正的控制权开始转移

如果说 prompt 是“怎么说”，context engineering 解决的是：

让模型看到什么

这包括：

• RAG（检索增强生成）中的文档选择
• 长上下文拼接策略
• memory 注入（长期记忆）
• tool schema 与函数定义

在实践中，context 往往比 prompt 更重要，因为：

• 错误的上下文会直接导致错误推理
• 信息排序会影响模型注意力分布
• 上下文长度与成本直接相关

可以说，context engineering 是当前 AI 应用效果的主要决定因素之一。

Agent Engineering：从“生成”走向“执行”

随着 tool calling、function calling 等能力成熟，AI 不再只是生成文本，而是开始执行任务。

agent engineering 关注：

• 多步任务规划（planning）
• 工具调用与状态管理
• 错误恢复与重试机制
• 多 Agent 协作

这一层的复杂度远高于前两者，因为：

• 系统变为非确定性流程
• 状态在多步骤中持续演化
• 调试难度指数级上升

这也是为什么 Agent 系统常常“不稳定”的根本原因。

Harness Engineering：被忽视但正在崛起的关键层

相比前几个概念，harness engineering 还不算主流，但其重要性正在迅速上升。

所谓 harness，本质是：

围绕模型与 Agent 构建的“测试、评估与运行控制系统”

它解决的问题包括：

• 如何评估输出质量（evaluation harness）
• 如何进行回归测试（regression testing）
• 如何控制实验（A/B testing）
• 如何管理不同模型版本与配置

在传统软件中，这对应测试框架与 CI/CD；但在 AI 系统中，难度更高，因为：

• 输出不是确定性的
• “正确性”难以定义
• 评估往往依赖模型本身

因此，harness engineering 正在成为：

AI 工程从“可用”走向“可控”的关键基础设施

本质变化：AI 工程正在形成新技术栈

将这些概念放在一起，可以看到一个逐渐清晰的分层结构：

• Prompt：输入表达层
• Context：信息供给层
• Agent：执行与编排层
• Harness：评估与控制层

这与传统软件架构形成一种新的对应关系：

这意味着，AI 应用开发正在从“调用 API”演变为：

构建一个完整的软件系统，只是核心执行单元变成了模型

为什么会出现“名词爆炸”？

这些新术语的出现，并不是营销驱动，而是工程需求驱动：

1. 复杂度真实存在
   AI 系统已经无法用单一抽象描述

2. 传统工具链不适配
   单元测试、静态分析等方法难以直接迁移

3. 职责需要明确划分
   不同问题需要不同工程手段解决

换句话说，这是一种“被迫分层”。

下一步会出现什么？

如果沿着当前趋势发展，AI 工程还可能继续细分，例如：

• Memory Engineering：长期记忆系统设计
• Safety Engineering：行为约束与对齐机制
• Cost Engineering：推理成本优化与调度

这些方向的共同点是：

围绕模型构建“系统能力”，而不是提升模型本身

结语：从“用模型”到“驯服模型”

prompt、context、agent、harness……这些不断涌现的概念，本质上描述的是同一件事：

• 模型越来越强
• 系统越来越复杂
• 工程越来越重要

对于 AI 技术社区而言，一个重要转变正在发生：

决定产品质量的，不再只是模型能力，而是你如何组织、约束并评估它。

当“写代码”变成“编排智能体”，新的工程范式才刚刚开始成型。