本文系统梳理了 AI 工程从 Prompt Engineering、Context Engineering 到 Harness Engineering 的三次进化，阐述了各自解决的问题、相互关系，以及工程师角色的根本性重构。
📝 详细摘要
文章以 OpenAI 内部团队 5 个月生成 100 万行生产级代码的案例为引，深入剖析了 AI 工程的三次关键进化。首先，Prompt Engineering 解决了「如何与模型说清楚」的问题，但随着模型理解能力增强，其边际效益递减。其次，Context Engineering 通过 RAG、上下文压缩、单一事实来源等技术，解决了「模型在回答时该知道什么」的问题。最后，Harness Engineering 作为系统级解决方案，通过上下文治理、验证闭环、技术债清理等机制，解决了「整个 AI 系统如何可靠运转」的问题。文章强调三者是层层嵌套、相互依存的关系，而非替代关系。同时提出了 Harness 的衰变定律：模型能力越强，所需 Harness 越简单。最终，工程师的核心职责将从「写代码的人」进化为「设计让 AI 把代码写好的系统的人」，即 Human Steer， Agents Execute。文章还提供了从 Prompt 基础到动态 Harness 思维的实践路线图。
💡 主要观点
- AI 工程经历了 Prompt、Context、Harness 三次进化，三者是嵌套关系而非替代关系。 Prompt Engineering 解决「说清楚」，Context Engineering 解决「给够信息」，Harness Engineering 解决「系统可靠」。三者层层递进，缺一不可，共同构成 AI 系统可靠运行的基础。
💬 文章金句
- Prompt Engineering 回答：'我该跟模型说什么？' Context Engineering 回答：'模型在回答时该知道什么？' Harness Engineering 回答：'整个 AI 系统该如何可靠地运转？'
- 不要过度设计那些模型未来能自我解决的问题。
- Human steer， agents execute. 人类掌舵，Agent 执行。
- 软件工程没有消失，它在进化。从'写代码的人'，进化为'设计让 AI 把代码写好的系统的人'。
- 一个能设计出高效 Harness 的工程师，他的杠杆率是惊人的：他搭建的系统，能让 AI 持续产出远超他个人极限的代码量和质量。
📊 文章信息
AI 初评：88
来源：高可用架构
作者：高可用架构
分类：人工智能
语言：中文
阅读时间：28 分钟
字数：6970
标签： Prompt Engineering, Context Engineering, Harness Engineering, AI Agent, RAG