从 Prompt 到 Harness：AI 工程化四层范式的演进与协作

大模型技术从 2023 年的"初生惊艳"走向 2026 年的"深度落地"，开发者对 AI 应用的理解也在这一路发生转变。

早期的技术狂热者认为"模型能力决定一切"，但今天越来越多的人意识到：优秀的 AI 应用不是单靠提示词调出来的，而是由多维度的系统工程共同支撑起来的。

在这个工程化过程中，可以梳理出四个工程范式：Prompt（提示词）、Context（上下文）、Loop（自律循环） 和 Harness（容器/沙箱）。下面分别看它们的发展脉络，以及在现代 Agent 架构里如何协作。

一、发展脉络：四代工程范式的演进

AI 工程化的演进，大致是控制权从人类逐步让渡给自动化系统、操作粒度从"微观指令"走向"系统环境"的过程。

[2022] Prompt Engineering ──────> 关注"模型听不听得懂" (单次指令)
      │
      ▼
[2023] Context Engineering ─────> 关注"模型知不知道" (信息编排)
      │
      ▼
[2026] Loop Engineering ────────> 关注"模型如何自我纠错" (状态循环)
      │
      ▼
[2026] Harness Engineering ─────> 关注"模型在哪安全运行" (环境与评估)

1. Prompt Engineering -- 沟通接口的探索 (2022)

在大模型爆发初期，LLM 主要被用作"单次问答机器"。

核心痛点：如何让静态的模型输出符合确定性预期的结果。
工程特征：开发者热衷于寻找各种"黄金提示词"（如 "Let's think step by step"），或者设计长达数千行的 System Prompt。这是单次交互（Single-turn）维度的探索，高度依赖具体模型的微调偏好，难以应对复杂的现实多步任务。

2. Context Engineering -- 信息的精准供给 (2023)

随着大模型上下文窗口（Context Window）的扩大和 RAG（检索增强生成）的普及，开发者发现：Prompt 写得再漂亮，也干不过精准的上下文。

核心痛点：长上下文带来的高 Token 成本、延迟，以及模型在超长文本中的"注意力涣散"问题。
工程特征：向量检索、重排（Re-ranking）、提示词缓存（Prompt Caching）以及动态上下文压缩成为标配。开发者开始像管理内存一样，精准地控制模型在"API 调用那一瞬间"所能看到的全部世界。

3. Loop Engineering -- 流程的自主闭环 (2026)

大模型走向 Agent 化后，Loop Engineering 改变了人机协作的方式。

核心痛点：在复杂任务（如自动升级依赖、自动修复 bug）中，依赖人类在控制台肉眼观察报错并手动打字引导 AI（Human-in-the-loop），效率极低。
工程特征：用程序（System）来代替人类去 Prompt 模型。开发者设计出自律循环（Loops）与目标契约（Goal Contract）（如：单元测试通过率 100%）。Agent 在这个闭环中自己思考、调用工具、看到报错、自我修正，直到契约满足。

4. Harness Engineering -- 边界与评估的建立 (2026)

当 Loop 赋予 AI 自主运行的能力，安全、边界与成效评估就成了新的核心课题。

核心痛点：如何防止 Agent 写出破坏系统的死循环代码？如何客观评估 Agent 迭代后的能力变强了还是变弱了？
工程特征：构建严密的物理运行沙箱（如 Docker/WASM）、设计不可绕过的编译器校验网，并通过优化环境和测试集，为 Agent 的研发提供高可信度的评估体系和安全防线。

二、逻辑关系：四位一体的系统协作

这四者并不是单纯的替代关系，而是协同工作的四个维度。我们可以将它们看作一个经典的系统工程模型，分别承担不同的职责：

       ┌──────────────────────────────────────────────────┐
       │             PROMPT  (微观执行指令)                │
       └────────────────────────┬─────────────────────────┘
                                │ 驱动
                                ▼
       ┌──────────────────────────────────────────────────┐
       │             CONTEXT (动态信息状态)               │
       └────────────────────────┬─────────────────────────┘
                                │ 承载
                                ▼
       ┌──────────────────────────────────────────────────┐
       │             LOOP    (控制流与自纠错)              │
       └────────────────────────┬─────────────────────────┘
                                │ 运行于
                                ▼
       ┌──────────────────────────────────────────────────┐
       │             HARNESS (安全沙箱与规则)              │
       └──────────────────────────────────────────────────┘

在一场具体的 Agent 任务执行（例如：自动修复代码 Bug）中，它们是这样紧密咬合、循环往复的：

Harness 提供赛道与规则：准备一个干净的运行沙箱（Sandbox），加载报错的代码和相关的单元测试（Test cases），并确立终点规则（必须跑通所有测试）。
Loop 启动自律循环：检测当前状态，发现测试未通过，决定开启第一轮修复尝试。
Context 整理路况信息：从沙箱中提取出当前最相关的代码文件、报错日志、依赖树，进行精简重排，组装成当前时刻的"环境上下文"。
Prompt 激发推理能力：将组装好的上下文塞入预设模板，向大模型发出一次具体的 API 调用。
返回 Harness 执行并反馈：大模型输出修复代码，在 Harness（沙箱）中安全运行。Harness 将运行结果反馈给 Loop，Loop 评估是否达成目标，若未达成，则带着新的状态数据进入下一次 Context 组装，开启新一轮循环。

三、多维视角下的协同定位

为了更清晰地界定这四者的工程边界，我们可以从空间、时间、控制主体以及隐喻等维度进行对比：

维度	Prompt Engineering	Context Engineering	Loop Engineering	Harness Engineering
空间范畴	微观（Micro）单次 API 调用的指令细节	介观（Meso）单次调用前的信息组装	宏观（Macro）多次调用间的状态流转	全局（Global）整个系统的运行边界与评估
时间特性	静态瞬间针对时间点 t 的输入	准动态随步骤变化的短期缓存	完全动态跨时间维度的自修正过程	长效持久超越单次任务的系统环境
控制主体	静态模板/人类指令	检索算法与缓存管理机制	状态机/自动化工作流	运行沙箱/编译器/测试套件
系统隐喻	汽车的油门指令（如："加速到50码"）	汽车的仪表盘与导航（当前路况、剩余电量）	汽车的自动驾驶算法（避障、路径修正逻辑）	汽车的机械底盘与防护网（物理极限、安全气囊）

四、结语

从 Prompt 走向 Harness，背后是 AI 应用开发从**"玄学调优"走向"硬核工程"**的转变。

在现代 AI Agent 开发中，任何单一层级的优化都无法解决系统性的问题。Prompt 激发模型的即时智力，Context 保证思考的准确度，Loop 提供自我迭代的流程，Harness 确立执行的安全与标准。四者相互配合，共同决定了一个 AI 系统在现实生产环境中的稳定性和天花板。

一、 发展脉络：四代工程范式的演进