一、起点：提示词工程

一句话理解：
LLM 本质只是个“下一个词预测器”。 它只会根据你给的前文，猜接下来大概率该输出什么字。

如果你给的指令太笼统（比如“写个方案”），结果往往天马行空。

解决方案：
我们在输入里加上 角色设定、格式约束、步骤拆解，让大模型沿着既定轨道输出。

• 这种被精心设计过的输入文本，就叫 提示词。
• 这种有意识地设计、调整、优化提示词，以稳定控制模型输出内容和格式的技术手段，就叫 提示词工程。

---

二、进阶：上下文工程

新的问题：
提示词虽好，但光靠几句指令不够。我们常常需要塞给大模型一堆资料（文档、历史记录、工具结果）。这些打包一起发给大模型的所有信息，统称为上下文。

提示词只是上下文的一小部分。

核心限制：
大模型一次性能处理的上下文长度是有限的（即上下文窗口）。资料多了塞不下，少了又不够准。

解决方案 —— 上下文工程：
一套动态管理上下文的技术策略，核心三步：

步骤	作用
召回	从海量信息中捞取最相关的内容片段
压缩	把冗长的历史对话或文档提炼成摘要
组装	把提示词、召回结果、历史摘要拼进有限窗口

不同的 AI 工具（如 Cursor、Claude、ChatGPT）在上下文工程的具体实现上各有千秋，但逻辑相通。

---

三、终局：Harness Engineering（驾驭工程）

1. 引入手脚：执行层

提示词工程让模型 不乱说话，上下文工程让模型 不缺信息。但它依然只是个话匣子，不会动手。

于是我们引入 文件系统、MCP 协议、API 调用 等外部工具，构成执行层。

2. 形成闭环：ReAct 循环

把上述能力串成一个流程，外部套一层循环：

1. 组装上下文（提示词工程 + 上下文工程）发给大模型。
2. 大模型思考，决定下一步是说话还是调用工具。
3. 外部程序执行工具操作，把结果塞回上下文。
4. 继续推理与执行……

这种 边思考边行动 的循环模式，就是著名的 ReAct。而这一整套能通过聊天帮你干活儿的程序，就是 AI Agent。

3. 工程外壳的四个支柱

但是，循环一长，上下文就容易膨胀和稀释。早期的目标和约束被海量中间信息冲淡，大模型开始“忘记初心”。

于是，在 ReAct 循环之上，必须构筑一套工程外壳来驾驭它，这就是 Harness Engineering。

层级	核心职责	解决的问题
记忆层	存储可复用的核心规则、项目背景、约束文件（如 Markdown 规则书）	防止目标被长上下文冲淡
反馈层	校验执行结果，发现错误自动回传并尝试修复	让 Agent 具备自愈能力
编排层	全局规划、任务拆解、全流程管控、定义结束条件	防止 Agent 无头苍蝇式乱跑
执行层	调用 MCP、文件系统等外部工具干活	赋予行动力

定义总结：

Harness Engineering（驾驭工程）= 记忆层 + 反馈层 + 编排层 + 执行层

也可以说：

AI Agent = LLM + Harness Engineering

---

四、Harness Engineering 如何落地？

理论讲完了，实际怎么把这层“外壳”套到大模型身上？目前主流做法是 规则驱动。

方法一：手写 MD 说明书

自己编写 Markdown 文件，明确规定：

• 项目的背景和目标是什么？
• 必须遵守的规范是什么？
• 绝对禁止的操作有哪些？
• 遇到特定场景应该先做什么、后做什么？

Agent 每次启动都强制读取这份 MD，将其作为记忆层的核心骨架。

方法二：借助 Spec-Kit 插件（SDD 模式）

引入类似 Spec-Kit 的插件工具，让流程自动化：

1. 生成约束：根据项目背景生成规范草稿。
2. 明确需求：把模糊想法变成结构化文档。
3. 制定计划：拆解实施步骤。
4. 拆解任务：细化到可执行的粒度。
5. 开始实现：Agent 按照计划逐步执行。

每个阶段都会自动更新 MD 文件，确保规范和进度始终保持同步。

这套开发方式被称为 Spec-Driven Development（规范驱动开发，SDD）。

本质上，SDD 就是 Harness Engineering 在工程实践中的一种落地形态。

---

五、一图总结：三层工程的递进关系

工程层级	核心目标	比喻
提示词工程	让模型明白你的需求和标准	教它怎么说话
上下文工程	给模型注入精准有效的信息	告诉它说些什么
驾驭工程	让模型持续按规范执行并交付成果	管控它如何做事

从会说话，到懂知识，再到能干活、会纠错、有规划——这就是 Harness Engineering 赋予大模型的全新生命形态。