从Prompt-Context到Harness-工程的三次进化与终局之战

一句话概括

本文系统梳理了AI工程实践从Prompt Engineering到Context Engineering再到Harness Engineering的三次范式跃迁，阐释了三者的递进关系与融合趋势。

摘录

OpenAI 内部的一支 3 到 7 人小团队，在短短五个月内，让 AI 生成了将近 100 万行生产级别的代码。据称全程，没有一个工程师亲手写过一行业务逻辑代码。你的第一反应是什么？兴奋？恐慌？焦虑？只要我学得慢，就不用学了？这个问题的答案，藏在三个词里：Prompt Engineering、Context Engineering、Harness Engineering。

Harness Engineering，就是研究如何为大模型设计一套合适的马具。一个完整的 AI Agent 系统，除了大模型本身之外的所有东西，都属于 Harness。没有好的 Prompt，Context Engineering 注入的信息无法被模型正确理解。没有好的 Context 的 Harness Engineering 的 Agent 在信息真空中瞎跑。没有好的 Harness，再好的 Prompt 和 Context 只是沙滩上的城堡。

Anthropic 的研究揭示了另一个 Harness 必须解决的关键问题：AI 倾向于给自己的 Bug 打高分。在尝试克隆 Claude.ai 复杂界面的实验中，单 Agent 模式下的问题触目惊心：任务量过大，Agent 在中途耗尽上下文；功能只完成了一半，Agent 就宣称”已全部完成”；让 Agent 自评输出质量，结果是惊人的过度乐观。Anthropic 的解决方案是 F-Harness——引入角色分工机制：Planner（规划者）、Generator（生成者）、Evaluator（评估者）。

这三次进化，其实服务于同一个目标：让大语言模型的能力，真正转化为可靠的生产力。Prompt Engineering 解决了”说清楚”的问题，Context Engineering 解决了”给够信息”的问题，Harness Engineering 解决了”系统可靠”的问题。三者缺一不可，层层递进。

涉及实体

• Harness-Engineering —— 作为AI工程的第三次范式跃迁，解决系统级可靠性问题
• OpenClaw —— OpenAI内部项目，5个月生成近100万行生产级代码
• Anthropic —— 提出F-Harness多Agent协作方案

涉及主题

• Harness-Engineering-主题 —— 三次进化的核心主线