里聊一个驾驭 AI 的三层架构：Prompt → Context → Harness。

先看全景图，后面逐层拆：

┌─────────────────────────────────────────────┐
│           Harness 层（最外层）               │
│  CLAUDE.md / Hooks / Skills / MCP / 权限    │
│  验证机制 / 多代理协调 / 会话管理            │
│                                             │
│  ┌─────────────────────────────────────┐    │
│  │        Context 层（中间层）          │    │
│  │  System Prompt / 对话历史 / RAG     │    │
│  │  记忆系统 / 工具描述 / 任务约束      │    │
│  │                                     │    │
│  │  ┌─────────────────────────────┐    │    │
│  │  │     Prompt 层（最内层）      │    │    │
│  │  │  用户的直接指令              │    │    │
│  │  └─────────────────────────────┘    │    │
│  └─────────────────────────────────────┘    │
└─────────────────────────────────────────────┘

---

打个比方

去餐厅吃饭：

• Prompt = 你点的菜："来一份宫保鸡丁，微辣"
• Context = 你的忌口、上次点过什么、今天什么季节
• Harness = 整个餐饮系统：厨师培训、食材供应链、服务员流程

光会点菜（Prompt），能吃到好饭，但靠运气。加上忌口偏好（Context），体验好不少。但如果整个餐饮系统（Harness）都精心设计过——厨师靠谱、食材新鲜、流程合理——闭着眼点都不会踩雷。

---

第一层：Prompt

Prompt 就是你给 AI 的指令。"帮我写篇作文"——这就是 Prompt。

为什么光靠 Prompt 不够？

1. 信息量有限：一句话塞不下所有背景、要求、格式。跟厨师说"做道好吃的"，厨师一脸懵。
2. AI 不了解你：每次对话都像跟陌生人第一次见面。
3. 没有纠错机制：写错了，AI 就按错的理解执行，你只能重来。

怎么写好 Prompt？

• 明确目标：别说"写篇文章"，要说"写一篇800字记叙文，主题我的暑假，语气轻松幽默"
• 给出约束：告诉 AI 什么不能做，比告诉它做什么更重要
• 提供示例：想要特定格式，直接给一个例子

错误示范："帮我写个介绍"

正确示范："帮我写一段100字以内自我介绍，面向初中生，语言通俗，不用专业术语。示例风格：大家好，我是一个喜欢折腾电脑的程序员……"

Prompt 是最核心的"开关"，但光靠它只能发挥 AI 30% 的能力。

---

第二层：Context

Context 是上下文信息——"除了你这句话，AI 还应该知道什么"。

跟好朋友聊天不用每次介绍自己是谁，因为你们有共同上下文。跟 AI 聊天呢？每次开新对话，它都把你当陌生人。Context 就是帮 AI 补上这些它本该知道的事。

业界对 Context 的设计和管理有个专门的名字——Context Engineering（上下文工程）。不是简单地"把信息塞给 AI"，而是一门关于如何选择、组织、动态调整上下文信息的工程学科。

Context 包含什么？

1. 你是谁

"我是一个初二学生，数学不太好，正在准备期末考试"

这样 AI 不会给你讲大学微积分。

2. 对话历史
之前说过的内容是最直接的 Context。多轮对话比单次提问效果好，就是这个原因。

3. 背景资料
分析文章就把文章贴进去，写代码就把相关代码贴进去。

4. 工具描述
告诉 AI 它能用什么工具、什么时候用、怎么用。

没有 Context 的 AI 就像一个失忆的天才——能力很强，但不知道该用在哪。

怎么管理 Context？

Context 不是越多越好，塞太多无关信息 AI 反而会被干扰。

• 精简：只给需要的信息
• 结构化：用标签把不同类型的信息分开
• 动态更新：随着对话推进，Context 要跟着变

## 背景
我在做一个个人博客网站，用 Markdown 格式。

## 当前任务
帮我把这篇草稿改得更通俗易懂。

## 草稿内容
（这里放你的文章）

---

第三层：Harness

Harness 本意是"马具"——缰绳、马鞍、辔头。没有它骑不了马，有了它才能控制方向和速度。

在 AI 领域，Harness 是围绕 AI 构建的整套控制系统。 不是某一个工具或某一句话，是系统工程。

这不是纸上谈兵——目前最先进的 AI 编程工具 Claude Code（Anthropic 官方出品）就是按这个架构设计的，内部就叫自己 "harness"。下面用它做例子，看看 Harness 的每个组件在现实中长什么样。

1. 模型选择

不同模型擅长不同的事。Claude Code 甚至允许不同任务用不同模型——大模型做复杂规划，小模型做简单执行，既省钱又高效。

2. CLAUDE.md——项目的"宪法"

每次对话自动加载的文件，相当于给 AI 写一份"永久生效的规矩"。

# 规则
- 代码风格用 ES modules，不要 CommonJS
- 改完代码后一定要跑类型检查
- 测试只跑单个文件，不要跑整个套件

跟 Prompt 的区别：Prompt 是一次性的，CLAUDE.md 是永久的。不用每次重复说。

3. Hooks——自动执行的"守卫"

在特定时机自动运行的脚本。跟 CLAUDE.md 不同，Hooks 是确定性的——不靠 AI"记住"要做什么，而是强制执行。

• 每次改完文件，自动跑代码检查
• 每次提交代码，自动跑测试
• 禁止修改某些重要文件

4. Skills——可复用的"技能包"

打包好的领域知识和工作流，AI 需要时自动加载。

比如创建一个"修复 Issue"的 Skill：读取 Issue → 找到相关文件 → 修复 → 写测试 → 提交。然后一句 /fix-issue 1234 就搞定。

5. 工具调用（MCP）

AI 只是"大脑"，没有手。通过 MCP 协议可以给它接上各种外部工具：搜索引擎、数据库、GitHub、Figma、浏览器……

没有工具的 AI 只能"想"，有工具的 AI 能"做"。

6. 子代理（Subagents）

任务复杂时，让 AI 派出"分身"去处理特定任务，完成后汇报结果。主 AI 的脑子不会被细节塞满，保持清醒做决策。

7. 输出验证

AI 犯错时特别自信。Harness 里必须有验证机制：

• 跑测试验证代码
• 截图对比验证界面
• 让另一个 AI 审核
• 用程序检查数据

8. 权限控制

不会让实习生删除生产数据库。AI 的权限也需要控制：

• 自动模式：分类器判断哪些操作安全、哪些有风险
• 权限白名单：只允许执行批准过的命令
• 沙箱隔离：限制文件系统和网络访问

9. 会话管理与检查点

长对话会让 AI "记混"。Harness 提供：

• 检查点：每次操作前自动保存状态，出问题一键回滚
• 会话清理：任务之间重置上下文
• 上下文压缩：自动总结历史，保留关键信息，丢弃噪音

---

三层之间的关系

Prompt 是你对 AI 说的一句话，Context 是这句话背后的故事，Harness 是让这句话变成现实的整个系统。

层级	作用	业界术语	类比
Prompt	告诉 AI 做什么	Prompt Engineering	点菜
Context	告诉 AI 背景信息	Context Engineering	忌口、偏好
Harness	控制 AI 怎么做、做对没有	Harness Engineering	整个餐饮系统

层层嵌套：

• 没有好的 Context，再好的 Prompt 是空中楼阁
• 没有好的 Harness，Prompt 和 Context 只能发挥一部分作用
• Harness 再好，Prompt 写得烂，结果也好不到哪去

三层都要做好，才能真正"驾驭"AI。

---

为什么叫"工程"？

• 靠灵感写一个好 Prompt → 运气
• 总结出一套写 Prompt 的方法 → 经验
• 把方法变成自动化流程，能测试能改进 → 工程

Harness Engineering 的目标：让 AI 的输出从"碰运气"变成"可控的"。

---

实际应用：从零搭建一个简单的 Harness

第一步：定义 AI 角色（System Prompt）

你是一个学习助手，专门帮助初中生学习。
1. 永远用简单的语言，避免专业术语
2. 必须用术语时立刻用大白话解释
3. 多用生活中的例子
4. 每次回答不超过300字
5. 鼓励学生思考，不要直接给答案

第二步：准备 Context 模板

## 学生信息
- 年级：{年级}
- 薄弱科目：{科目}
- 学习目标：{目标}

## 当前问题
{学生的问题}

## 已学知识点
{之前学过的内容}

第三步：加入工具

开发者可以接入搜索引擎、计算器、代码执行器。非开发者的话，现在很多 AI 工具已经内置了这些功能。

第四步：建立反馈循环

AI 回答 → 你检查 → 告诉 AI 哪里不对 → AI 改进 → 你再检查

这个循环是 Harness 最核心的价值——让 AI 能够自我修正。

第五步：固化规则

把反复强调的要求写成固定的规则文件，AI 每次自动遵守，不用每次重复说。

---

总结

• Prompt 是起点，但只是冰山一角
• Context 给 AI 装上"记忆"（业界叫 Context Engineering）
• Harness 是整套控制系统：CLAUDE.md、Hooks、Skills、工具调用、输出验证、权限控制、会话管理