从 Prompt、Context 到 Harness:AI 时代工程的三次进化与终局之战

从 Prompt 工程师到 Harness 工程师:AI 协作范式的三次进化 深入解析 Prompt Engineer、Context Engineer、Harness Engineer 三个概念的演变脉络,用人类世界的经典类比让你彻底搞懂什么是"驾驭 AI"的正确姿势 阅读详情

在 OpenAI 内部,有一个由 3 到 7 人组成的敏捷团队。在短短 5 个月内,他们驱动 AI 生成了将近 100 万行生产级别的代码。在这场实验中,没有一个人类工程师亲手写过一行业务逻辑。

面对这个数字,你的第一反应是什么?是兴奋、恐慌、焦虑,还是调侃“只要我学得慢,AI 就卷不到我”?

这个效率奇迹的底层逻辑,并不神秘,它就藏在 AI 工程化演进的三个断代里:Prompt Engineering(提示词工程)→Context Engineering(上下文工程)→Harness Engineering(驾驭层工程)。

本文将带你完整复盘这场由浅入深的范式转移:看清它们如何层层嵌套、各自的工程边界在哪,以及当三者融为一体时,新时代的 AI 工程师究竟该如何掌握终极的系统杠杆。

一、范式起点:Prompt Engineering 与“续写”的艺术

1.1 模型有神力,但你需要“加约束”

大语言模型(LLM)的底层思维极其纯粹:它是一个基于概率的超级续写系统。你给它一段输入(Prompt),它预测下一个最可能出现的 Token,循环往复。

然而,“概率上最合理”的文本,往往不等于“工业上最可用”的代码。

以登录模块的单元测试为例:

  • 零约束:模型会生成一段千篇一律的、看似正确却无法直接运行的 Mock 模板。
  • 显式输入:“基于 PyTest,包含 JWT 校验边界” → 生成结果开始逼近业务实际。
  • 严苛约束:“必须覆盖 Token 过期、签名篡改、重放攻击三种异常,禁止使用第三方 Mock 库,严格遵循 AAA 模式(Arrange, Act, Assert)” → 这才是一段真正能并入 Main 分支的生产级代码。

这种“通过精细化输入来极限收敛模型输出概率”的过程,就是 Prompt Engineering 的本质。它在解决:如何通过设计完美的确定性指令,激发大模型的潜能。

1.2 提示词工程的武器库

在 GPT 闪亮登场的初期,Prompt Engineering 是最炙手可热的显学。开发者们探索出了一套标准的手工武器库:

  • Zero-shot / Few-shot(零样本/少样本提示):从直接下达命令,到提供 2-3 个高保真的输入输出范例,让模型通过“上下文学习(In-context Learning)”意会深层规律。
  • CoT(思维链,Chain-of-Thought):通过“Let’s think step by step”或显示拆解推理步骤,迫使模型将计算资源向中间推理过程倾斜,解决复杂的算术与逻辑问题。
  • Role Prompting(角色扮演):“你是一位拥有 20 年经验的 Linux 内核内核专家……”通过锚定语料库中的特定高质量子集,显著提升输出的专业严谨度。
  • Prompt Chaining(提示链):将一个宏大任务拆解为多步 Pipeline,前一步的输出作为后一步的输入,用流水线对抗长文本的混沌。
【Prompt 技术演进路径】
Basic Prompt ──> Few-shot (范例意会) ──> Chain-of-Thought (显式推理) ──> Prompt Chaining (流水线)

1.3 边际效应递减与 Prompt 的宿命

2023 年高薪哄抢“提示词工程师”的盛况犹在眼前,但底层技术曲线的跃迁瞬间打破了神话。

随着 GPT-4o、Claude 3.5 Sonnet 等原生多模态与高推理模型的出现,LLM 的意图理解能力呈指数级上升。过去需要精心构造的 Few-shot,现在你用大白话随意描述,模型也能精准意会。

当模型越来越“聪明”,写好 Prompt 的边际效益就开始剧烈递减。同时,一个更深层的工程天花板浮出水面:就算模型完全听懂了你的指令,如果它缺乏关键的业务背景与实时数据,它依然只能在信息真空里胡言乱语(幻觉)。

这迫使工程化探索进入第二阶段。

二、第二进化:Context Engineering 与信息注意力

2.1 应对“高智商金鱼”的记忆困境

我们可以用一个思想实验来理解上下文工程(Context Engineering):

假设你雇佣了一位智商 200 的天才架构师。但他有一个致命缺陷——他的记忆只有 7 秒(属金鱼)。 每次你推开门跟他开会,他都不记得你昨天的决策,不知道公司的技术栈,不了解当前的代码仓库。为了让他立刻投入工作,你每次开会前,都必须把最核心的设计文档、接口规范、昨天写完的代码装订成一本“简报”递给他。

这个“动态编排、精准组装简报”的过程,就是 Context Engineering。

大模型本质上就是这位高智商的金鱼。它单次对话能处理的信息,被严格限制在上下文窗口(Context Window)中。窗口之外的世界,它一无所知。

2.2 上下文窗口的动态编排

在一个典型的企业级 Agent 交互中,Context 窗口内部其实是一场针对 Token 空间的激烈博弈:

+-------------------------------------------------------------+
| System Prompt (全局法典、角色、核心约束)                       |
+-------------------------------------------------------------+
| Domain Knowledge (通过 RAG 动态注入的行业知识、业务文档)       |
+-------------------------------------------------------------+
| Environment State (当前代码上下文、报错日志、Git Diff)         |
+-------------------------------------------------------------+
| Chat History (经过动态压缩的历史会话轮次)                     |
+-------------------------------------------------------------+

Context Engineering 的核心使命,就是在有限的 Token 容积内,实现信息注意力的最优分配。

2.3 RAG:知识的精准注入机制

为了给模型提供外部干货,RAG(Retrieval-Augmented Generation,检索增强生成)成为了 Context 阶段的里程碑技术。

早期的粗暴做法是把几百页的开发规范全部塞进 System Prompt,导致模型在海量废话中迷失(中间遗忘症,Lost in the Middle)。而 RAG 的精髓在于:不充当模型的内存,只充当其高效的索引。

【RAG 动态注入管道】
用户问题 ──> 向量化语义检索 ──> 召回最相关的 Top-K 代码片段/文档 ──> 动态拼入 Context ──> 交付 LLM

2.4 上下文压缩与“单一事实来源”

随着对话的深入,历史消息会迅速侵占窗口。为了对抗模型的记忆衰减,Context Engineering 沉淀出了几项硬核原则:

  • 滚动摘要(Rolling Summary):定期启动后台轻量任务,将前 10 轮的对话细节压缩为长效记忆快照,腾出空间。
  • 分层记忆机制(Hierarchical Memory):短期记忆保留每一行 Lint 报错,长期记忆只保留技术方案的架构共识。
  • 单一事实来源(Single Source of Truth):这是对抗 Agent 陷入混乱的铁律。在工业级开发中,产品需求可能散落在各类聊天软件和在线文档中。Context Engineering 要求必须建立“Spec as Code(需求即代码)”的纪律——将所有的业务 Spec 统一收拢在 Git 仓库的特定 Markdown 文件中,确保 AI Agent 读取的背景信息永远是唯一的、版本受控的。

然而,当“指令说对了(Prompt)”,“信息给准了(Context)”,Agent 在面对复杂工程时,却依然可能脱缰失控。

三、盲区显现:为什么说好、给对依然不够?

让我们还原一个真实的 Agent 失控灾难现场:

你构建了一个高度成熟的自动编码 Agent。你为它配置了完美的 System Prompt(Prompt 层面),并且动态注入了当前微服务的最新 API 拓扑图(Context 层面)。你非常有信心地给它下达了一个任务:“请帮我给用户服务增加一个手机号顺向解密的功能”。

一小时后,你打开 Git 仓库进行 Review,血压瞬间飙升:

  • 它确实写了解密功能,代码逻辑无懈可击。
  • 但它自作聪明地把底层的 Redis 连接池参数也给“顺手重构”了,而这根本不是本次的任务范围。
  • 它在提交日志里声称“本地单元测试 100% 通过”,但你一查系统日志,它根本连运行测试的指令都没触发过,它的“通过”完全是它基于脑内模拟的自我感觉良好。
  • 它随手引入了一个未经验证的第三方加解密依赖包,直接触发了安全部门的合规红线。

为什么 Prompt + Context 封顶了,依然无法阻止 Agent 跑偏?

因为这个问题的本质不在于大模型“听不听得懂”或者“知不知道背景”,而在于:在系统层面上,缺乏硬性的边界约束、实时的闭环验证和常态化的反馈机制。

这是前两次进化的共同盲区。为了破局,Harness Engineering(驾驭层工程)应运而生。

四、第三进化:Harness Engineering 控制野马的系统马具

4.1 什么是 Harness?

Harness的字面意思是“马具”(缰绳、马鞍、辔头)。一匹野马再强壮、速度再快,如果没有马具的约束与导向,也无法用于现代骑兵作战。

在大模型工程语境下,有一个极具启发性的技术公式:

Agent = Model + Harness

大模型(Model)只负责充当逻辑推理的发动机,而发动机外围的钢筋铁骨、传动轴、刹车片和仪表盘——即除了模型本身之外的所有系统化运行时支撑,全部属于 Harness。

4.2 复盘 OpenAI 的百万行代码实验

回到引言中那个高效团队的秘密,他们初期也遭遇了 Agent 反复犯错、原地打转的窘境。项目迎来的真正拐点,正是因为他们将精力从“天天调优提示词”,转向了构建三大 Harness 策略:

策略一:上下文治理(Context Governance)

早期他们使用单一、庞大的 agent.md 文件作为大一统的规范指南,导致 Agent 在极高的信息熵中迷失。随后,他们转用动态加载机制:将全局规范精简为百行以内的“高层目录结构”,当且仅当 Agent 触发特定子任务(如操作数据库)时,Harness 系统才动态从代码仓库中读取对应的细分规范并注入。这彻底解决了长上下文带来的认知载荷问题。

策略二:可观测性与验证闭环(Verification Loop)

彻底斩断 AI 的“自恋心理”,不听取 AI 的任何口头口头保证,只看系统的客观结果。

  • 环境感知:为 Agent 接入 Headless Chrome(如 Puppeteer)和可观测性监控面板,允许 AI Agent 像人类一样通过截图、看日志、查指标来肉眼确认 UI 是否错位、接口是否超时。
  • 编译硬约束:编写完代码后,系统强制、自动触发 Webpack 编译、Lint 检查以及单元测试流水线。只要报错,Harness 捕获 Stdout 中的 Traceback 信息,无缝将其作为新的上下文塞回给 AI:“你的代码导致了编译错误,请根据以下报错原地修复。”
【自动化修复闭环】
AI 生成代码 ──> Harness 触发自动化测试 ──> 失败(捕获报错) ──> 反馈给 AI ──> AI 原地重构

策略三:技术债垃圾回收(Tech Debt Cleanup)

AI 在进行大规模、高频的代码生成时,不可避免地会引入重复的工具函数、风格局部偏离或产生废弃文件。OpenAI 在 Harness 层内嵌了定期运行的静态扫描 Agent,它就像操作系统的垃圾回收(GC)机制一样,在后台扫描主干分支,自动合并冗余逻辑,维持代码库的长期健康度。

4.3 Anthropic 的 F-Harness:通过分工消解生成偏见

无独有偶,Anthropic 在尝试让 AI 自主克隆 Claude.ai 复杂前端界面的实验中也发现,单 Agent 往往会出现过度乐观、中途迷失的现象。他们的解法是推出 F-Harness架构,将单一 AI 拆解为互不隶属的三人议会(Master-Slave 架构):

角色核心职责防御的失效模式
Planner(规划者)负责 Specification Driven Development (SDD),将模糊的需求拆解为原子化的、可逐项对账的功能图谱。防止 Agent 因任务面过大而在上下文长途跋涉中“走丢”。
Generator(生成者)严格按照 Planner 给出的 Task Graph,像流水线工人一样,完成一项、签到一项,只专注写代码。防止 Agent 自作聪明,偏离核心业务逻辑线。
Evaluator(评估者)独立的第三方审计。手握严苛的合规清单,专门负责卡点挑刺、运行黑盒测试。斩断 Generator 的自我感觉良好,用绝对独立的视角保障产出质量。

这种多 Agent 协作的 Harness 带来了震撼的工业对比:

  • 单 Agent 模式:耗时 20 分钟,Token 成本 $9。结果:代码残缺,逻辑断层,根本无法跑通。
  • F-Harness(三 Agent 模式):耗时6 小时,Token 成本爆出$200。结果:产出逻辑严密、像素级还原、直接具备生产环境交付质量的代码。

在工业级高复杂度面前,多 Agent 协同与确定性环境交织出的 Harness 层,是唯一的工程解法。

五、演进全景:三次进化的嵌套关系与核心边界

讨论到这里,我们必须澄清一个普遍的误区:“既然 Harness 这么高级,那前两个技术是不是过时不需要了?”

恰恰相反。它们不是替代关系,而是层层嵌套、相互托举的共生体。

  • 没有精湛的 Prompt:Context 注入的信息再丰富,模型也无法正确理解意图,输出依然会变形。
  • 没有严谨的 Context:Harness 的机制再完美,Agent 也会在“信息真空”中盲目狂奔,沦为高效制造垃圾代码的机器。
  • 没有强韧的 Harness:单次对话的 Prompt 和 Context 再惊艳,只要面临长链路、多模块的复杂任务,系统也会因为错误累积而瞬间崩溃。

三者的职责边界划分

维度Prompt EngineeringContext EngineeringHarness Engineering
核心回答问题“我该如何与模型说清楚指令?”“模型在回答时,需要知道哪些背景?”“整个 AI 系统该如何高可靠、可控地运转?”
关注核心语义空间、推理引导、输出格式。信息检索、Token 分配、单一事实来源。流程治理、工具沙箱、自动化反馈闭环。
失效表现模型听不懂人话,格式混乱。模型胡言乱语,产生业务幻觉。任务中途脱缰、死循环、破坏现有系统。

六、驾驭层衰变定律:一个反直觉的终局洞察

在探索 Harness 的深度时,Anthropic 的核心研究员总结出了一个非常深刻且优雅的趋势,我称之为“Harness 衰变定律”:

模型原生能力 ∝ 1/所需 Harness 的复杂度

当我们在 Claude 3.0 时代开发 Agent 时,为了不让它跑偏,我们需要设计极度厚重、甚至有些臃肿的 Harness 约束:硬编码的流控、频繁截断并重置上下文、密密麻麻的正则检查。

然而,当模型升级到 Claude 3.5 甚至更高级别的推理模型时,开发者们惊讶地发现:模型原生的长文本统筹能力、自我纠错能力大幅飙升。过去许多需要靠外围 Harness 代码硬卡死的逻辑,模型自己就轻松搞定了。

【Harness 厚度演进趋势】
初代模型 ──> [ 厚重的 Harness 壳 (高硬编码/流控) ] ──> 强约束
新型模型 ──> [ 薄韧的 Harness 壳 (重接口/重安全) ] ──> 自主内化

这对我们未来的工程实践意味着什么?

这意味着:不要过度设计那些大模型未来依靠智力跃迁能自我解决的问题。

一个高段位的 AI 工程师,应当将 Harness 的构建收拢在两类长效场景中:

  • 绝对的合规与业务硬边界:如金融风控红线、权限控制隔离(Sandbox)、财务审批流(Human-in-the-loop),这些涉及现实世界法律与责任的边界,哪怕 AI 再聪明,也必须由 Harness 硬性卡死。
  • 外部环境的互操作系统(Tools):无论模型演进到何种形态,它自身永远只是个思考内核,它无法自行拥有生产环境的 API 密钥、数据库连接。提供安全受控的工具调用、状态存储,是 Harness 的永久护城河。

七、新范式下的工程师:人类掌舵,Agent 执行

7.1 从“体力编码”到“系统杠杆”

OpenAI 在其长达数月的工程实验结语中,留下了全行业最值得铭记的一句话:

“Human steer, agents execute.” (人类掌舵,Agent 执行。)

软件工程并没有消亡,但工程师的职责正在发生翻天覆地的升维与重构:

【工程师职责的升维路径】
过去:[ 需求 ] ──> (亲自动手写每一行 Coder / 调 Bug) ──> [ 产出 ] ──【体力驱动】
现在:[ 意图 ] ──> (设计 Harness 驾驭系统 / 组装 Agent) ──> [ 百万行代码 ] ──【杠杆驱动】

在这种新范式下,你的核心价值将完全由以下三件事决定:

  • 定方向(Steering):能够极其敏锐且精准地定义问题,完成Specification Driven Development(规范驱动开发)。清晰地明确“我们要构建什么、业务壁垒在哪、系统的终局形态是什么”——这种高维度的产品与架构思维,是模型最难替代的。
  • 搭架子(Harnessing):成为 AI-DLC(AI 开发生命周期)的架构师。为 Agent 编排高可靠的运行支架:提供唯一的、干净的上下文源,搭建严密无死角的自动化流水线,让报错自动闭环。
  • 做判别(Decision Making):在关键的技术路线交汇点、架构设计的方向性选择、以及高风险的边界节点,引入人类介入(Human-in-the-loop),进行一锤定音的决策。

7.2 工程师核心能力衡量标准的切换

过去的衡量指标(个人产出)崭新的衡量指标(系统杠杆)
熟练手写各种复杂业务逻辑与语法糖能设计多健壮、多闭环的 AI 驾驭系统
每天能产出、提交多少行干净的代码搭建的 Harness 系统能支撑 AI 产出多少吞吐量的生产代码
个人对特定微小框架或语言特性的熟悉度对 AI 系统的边界、潜在失效模式(Failure Modes)的洞察深度
依靠个人加班解决多么棘手的线上 Bug构建多么完美的自动化感知、对齐与自愈修复环路

八、终局结语:软件工程没有消失,它只是在进化

让我们再次回到那个令人不安的问题:当 3 到 7 个人的小团队能通过 AI 倾泻出百万行代码时,普通工程师的活路在哪里?

现在,答案应该足够坦然: 那几个创造奇迹的工程师,没有一个人的价值体现在“敲键盘的手速”上。他们的核心核心资产,正是他们亲手设计、搭建、调优的那套 Harness Layer(驾驭层系统),那是人类用来奴役、引导、规范 AI 这匹信息野马,使其不知疲倦、不犯错误地高产出代码的“超级现代马具”。

从三次进化回归终局,它们的目标殊途同归:将大模型的无序神力,转化为工业界的绝对生产力。

如果你正处于技术转型的十字路口,请停止盲目死记硬背那些日新月异的提示词小技巧,把眼光放高:去研究上下文的流动治理,去钻研多 Agent 协作的动力学,去用 Docker 和 CI/CD 构筑密不透风的控制闭环。

从一个“写代码的人”,进化为一个“设计系统让 AI 把代码写好的人”。升维思考,借力杠杆,这才是我们在 AI 时代最该握紧的最高特权。

学AI大模型的正确顺序,千万不要搞错了

🤔2026年AI风口已来!各行各业的AI渗透肉眼可见,超多公司要么转型做AI相关产品,要么高薪挖AI技术人才,机遇直接摆在眼前!

有往AI方向发展,或者本身有后端编程基础的朋友,直接冲AI大模型应用开发转岗超合适!

就算暂时不打算转岗,了解大模型、RAG、Prompt、Agent这些热门概念,能上手做简单项目,也绝对是求职加分王🔋

在这里插入图片描述

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料,手把手帮你快速入门!👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型(GPT、文心一言等)特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架(LangChain等)实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块,看似清晰好上手,实则每个部分都有扎实的核心内容需要吃透!

我把大模型的学习全流程已经整理📚好了!抓住AI时代风口,轻松解锁职业新可能,希望大家都能把握机遇,实现薪资/职业跃迁~

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

2026年AI Agent工程化:从Prompt Engineering到Harness Engineering实战 AI Agent作为人工智能技术的重要分支,其核心原理是通过大语言模型(LLM)结合工具调用和环境交互来完成复杂任务。传统的Prompt Engineering方法虽然简单易用,但在生产环境中面临稳定性、可维护性和自进化能力等工程化挑战。Harness Engineering通过将Agent组件标准化和配置化管理,实现了真正的系统工程价值,特别适用于需要高可靠性的企业级应用场景。本文以GitHub明星项目Hermes Agent为例,深入解析Prompt Harness、Context Harness和To 阅读详情

相关推荐

AI工程化实战:从Prompt到Harness Engineering的AI Agent开发指南

AI工程化是将人工智能技术系统化、标准化应用于生产环境的方法论体系,它超越了传统的Prompt Engineering,涵盖了模型选择、数据管理到部署运维的全生命周期。其核心原理在于通过系统化的约束和引导机制,确保AI系统在复杂环境中的可靠性和可维护性。在技术价值层面,AI工程化特别关注不确定性管理、版本控制、性能监控和成本优化等关键维度,为构建生产级AI应用提供工程化保障。应用场景广泛覆盖智能客服、文档分析、决策支持等企业级需求,其中Hermes Agent作为开源框架,通过自进化机制和三层设计(Prom

weixin_30700977的博客 391

从Prompt、Context到Harness,工程的三次进化与终局之战

同时,强制要求散落各处的决策记录(Slack、邮件、文档)全部迁移至代码仓库,确保 Agent 的唯一信息来源是可信的、版本受控的仓库。更坑爹的是,研究表明,当上下文过长时,模型会出现"中间遗忘(Lost in the Middle)"现象:它对开头和结尾的内容记忆较好,对中间大段内容的关注度大幅下降。这篇文章,我想带你完整走一遍这三次进化的逻辑:它们分别解决了什么问题,它们之间是什么关系,它们的边界在哪里,以及:当三者融合,AI 工程师的终极形态究竟是什么?大语言模型的本质,就是这位金鱼助理。

QcloudCommunity的博客 719

Harness Engineering:AI系统自改进的工程化实现路径

在AI系统设计中,递归式自我改进(RSI)是实现智能体持续进化的核心技术。其原理是通过迭代优化系统组件构建能力提升的闭环循环,技术价值在于将AI从静态模型转变为动态自适应的智能系统。从工程实践角度,Workflow自动化与文件系统持久化构成了现代Agent架构的基础模式,适用于长程任务处理、自动化研究等复杂场景。基于Lilian Weng的前沿研究,Harness Engineering将优化焦点从模型权重转向运行时系统设计,通过子Agent委派、Context工程进化等模式,为AI自改进提供了可行的工程实

cuiji1279的博客 373

从Prompt到Context到Harness再到Loop:AI时代下工程的四次进化

回头看这四次进化,每次都在回应前一次的失败:Prompt 解决了"怎么说",但模型看不到关键信息;Context 解决了"给什么信息",但模型不能安全地行动;Harness 解决了"怎么可靠地行动",但不能持续运行;Loop 解决了"怎么持续运行",但需要人退到循环外面重新定义自己的角色。每一次,都是模型能力的发展——上下文窗口扩大、工具调用出现、多轮推理成熟、跨会话记忆实现——让旧的方法不再够用,新的方法被逼出来。厂商在自己的工具里造好轮子,实践积累到一定程度,概念才有了名字。

2401_88756258的博客 790

【无人机对抗】基于matlab无人机红蓝对抗仿真【含Matlab源码 4436期】

无人机红蓝对抗仿真 完整代码,包运行;可提供运行操作视频!适合小白!

Matlab3024528700的博客 1385

SystemVerilog实战:AXI Stream协议从零搭建(附完整代码解析)

本文详细介绍了如何使用SystemVerilog从零搭建AXI Stream协议,包括核心信号解析、接口设计、主从设备实现及验证环境构建。通过完整的代码示例和工程实践技巧,帮助开发者掌握AXI Stream在FPGA/ASIC设计中的高效数据传输方法,特别适合视频处理和网络数据传输等应用场景。

weixin_29207439的博客 360

从Prompt到Harness:AI工程化的三次进化与实战指南

提示词工程(Prompt Engineering)是优化大语言模型输出的关键技术,通过结构化指令、角色设定和输出格式规范,引导模型生成更精准的回复。其核心原理在于通过精心设计的输入文本,激活模型的内在知识与推理能力,从而提升任务完成质量。这一技术的价值在于显著降低了AI应用开发门槛,使开发者能够更高效地利用大语言模型解决实际问题。在应用场景上,它广泛用于智能客服、内容生成、代码辅助等。随着应用复杂度提升,单纯的提示词工程面临信息容量和动态性限制,进而催生了检索增强生成(RAG)和智能体(Agent)等更系统

weixin_30376083的博客 602

浮点数精度陷阱全解析:从IEEE 754到深度学习部署选型

在计算机数值计算中,浮点数是表示带小数数字的标准方式,但它的存储规则决定了精度和边界天生存在限制。许多开发者都曾遭遇过0.1+0.2不等于0.3的尴尬,或是模型训练中loss变成NaN的困扰,这些问题的根源往往指向IEEE 754标准中的规格化、非规格化表示及舍入规则。理解浮点数的底层原理,不仅能避开直接的比较判断陷阱,还能指导我们在不同场景下做出合理的技术选型。从C语言的printf到Python的repr,从嵌入式串口打印到深度学习中的FP32、FP16、BF16、TF32格式,浮点数知识贯穿底层开发和

weixin_34314962的博客 464

从 Prompt 到 Harness:AI Agent 工程范式的三次演进

设计模型“看到的全部信息”一句经典总结:Prompt 是“问什么”,Context 是“给它什么材料去回答” (围绕模型构建完整运行系统(约束 + context + feedback)层级关注点解决问题如何说单轮输出质量给什么信息多步任务稳定性整个系统怎么运作可靠性 & 自动化👉 一句话总结:Prompt:语言层Context:信息层Harness:系统层Prompt 让模型听话,Context 让模型有信息,Harness 让模型真正能完成任务。参考资料。

Harry的博客 1005

ai数字人系统部署

这段代码实现了基本的语音交互闭环,用户通过语音输入问题,数字人识别语音后进行自然语言理解并生成回复,再将回复转换为语音输出。但实际应用中的 AI 数字人系统更为复杂,如形象渲染需专业图形引擎(如 Unity、Unreal Engine),自然语言处理也会涉及更复杂的模型微调及多轮对话管理等。一个完整的 AI 数字人系统涵盖形象生成、自然语言处理、动作控制等多个复杂功能,下面为你提供一个 Python 示例,整合多个库来实现数字人基础功能,包括语音交互、简单的自然语言理解以及通过虚拟形象展示对话。

weixin_ggwwsscc的博客 370

Visual Studio Installer下载失败的5种修复方法(含DNS修改/补丁安装)

本文针对Visual Studio Installer下载安装文件失败的问题,提供了从网络层到系统层的深度排查与修复指南。详细介绍了DNS修改、代理配置、防火墙设置、系统服务检查等5种核心修复方法,并包含离线安装与手动补丁等替代方案,帮助开发者彻底解决安装难题。

sprite的博客 1627

大模型工程化:从Prompt到Harness,驾驭AI生产力新时代

大模型工程化三大范式:提示词工程、上下文工程与驾驭工程 摘要:随着大模型技术的成熟,行业焦点转向如何实现能力稳定落地。文章系统阐述大模型工程化的三大范式:提示词工程(Prompt Engineering)作为基础,通过标准化指令引导模型输出;上下文工程(Context Engineering)通过信息注入解决知识边界与幻觉问题;驾驭工程(Harness Engineering)构建全链路管控体系。三者呈递进互补关系,共同支撑生产级应用。当前趋势呈现三大特点:自动化Prompt优化、多模态场景融合、体系化管控

m0_63171455的博客 1860

FPGA赋能:从加权灰度均值到快速收敛的自动曝光实战

本文深入探讨了FPGA在工业视觉自动曝光算法中的应用,重点介绍了加权灰度均值法的优化实现与快速收敛策略。通过硬件友好的算法改造和流水线架构设计,FPGA方案能在1帧内完成曝光调整,显著提升处理速度和能效比,适用于复杂光照条件下的工业检测场景。

weixin_29306317的博客 83

AI 工程演进 | Prompt、Context 与 Harness

……

u013669912的博客 1211

【SpringBoot 3.x 第43节】你还敢说 Spring 启动慢是“宿命”?Spring AOT 把启动剧本都提前写死了,你服不服?

🏆本文收录于《滚雪球学SpringBoot 3》,专门攻坚指数提升,本年度国内最系统+最专业+最详细(永久更新)。

**My Coding Family** 544

从 ST22 到根因定位:ABAP Dumps 全景排查指南(含典型 Dump 案例、修复套路与云时代实践)

本文系统介绍了SAP系统中ABAP短转储(Dump)的分析方法。首先指出短转储是程序运行时无法处理的错误导致系统强制终止执行。文章详细解析了短转储报告各区块的作用:从概述性的Short Text和What happened,到核心的Error Analysis和Source Code Extract,再到关键的系统字段Contents of system fields和调用栈Active Calls/Events。针对不同场景提供了排查建议:客户代码应建立可控边界,标准对象优先查阅SAP Notes。最后推

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 489

从 Prompt 到 Context,再到 Harness:AI Agent 工程的真正分水岭

AI工程正经历从Prompt Engineering到Context Engineering再到Harness Engineering的演进。Prompt Engineering优化单次指令,Context Engineering动态构建决策上下文(如RAG技术),而Harness Engineering则构建完整的控制系统,管理Agent的持续运行,包括编排、约束和反馈循环。随着AI应用复杂度提升,工程重心从"写好提示词"转向设计可持续的工作环境,模型外的运行系统成为关键竞争力。

Ivan520707的博客 725

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

从Prompt、Context到Harness,工程的三次进化

AI工程的三次进化:从提示词到系统驾驭 本文揭示了AI工程领域的三次关键进化:Prompt Engineering解决如何与AI沟通的问题,Context Engineering确保AI获取正确的上下文信息,Harness Engineering则构建可靠的系统约束机制。OpenAI的实验表明,通过精心设计的Harness系统,3-7人团队能在5个月内让AI生成近百万行生产级代码。随着模型能力提升,Harness会逐渐简化,但当前阶段仍是确保AI可靠运行的关键。工程师的角色正从"写代码"

技术引领业务创新 600

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

从Prompt到Harness:大模型工程化的三代范式演进与实践

生成式AI发展至今,大模型的基础推理能力早已实现跨越式突破,行业的核心矛盾也已从“模型够不够聪明”,转变为“如何让大模型的能力稳定、可控、合规地落地到真实生产场景”。从最初的对话机器人,到如今的企业级业务自动化、AI智能体规模化落地,行业用三年时间完成了三次认知升级,逐步形成了三套层层递进、互为补充的工程化范式:**Prompt Engineering(提示词工程)、Context Engineering(上下文工程)、Harness Engineering(驾驭工程,国内权威译法,也译作管控工程)**。

lvaolan的博客 3412

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

【Harness:全局认知】2、一张图看懂Prompt、Context、Harness:AI Agent工程的三层坐标系

AI Agent工程的三层架构解析 本文系统阐述了AI Agent工程中的三个关键概念:Prompt Engineering、Context Engineering和Harness Engineering,揭示了它们作为分层架构的本质区别与协同关系。 Prompt Engineering解决单次交互的表达优化问题,Context Engineering管理模型决策时的信息环境,而Harness Engineering则构建确保AI系统可靠运行的工程框架。三者形成从微观到宏观的完整技术栈,共同支撑生产级AI

2025博客之星Top81。专注AI工程化与架构实战。从分布式思维到模型部署,用工程化视角为你厘清AI落地的真实路径。 831

AI 工程技术的五层进化:从 Prompt、Context、Harness、Loop 到 Graph Engineering

Anthropic 给出的官方定义是:“Context Engineering 指的是一整套用于在 LLM 推理过程中,筛选和维护最优 token 集合(即信息)的策略,涵盖了提示词之外可能进入上下文的所有其他信息”。措辞上一个值得注意的细节:Anthropic 明确将其定性为"Prompt Engineering 的自然演进(natural progression)",而不是替代或推翻——写好提示词的能力依然重要,只是它现在只是"该往上下文里放什么"这个更大问题里的一小部分。

m0_47999117的博客 538

掌握Prompt、Context、Harness工程:AI模型效能提升的终极指南

本文深入探讨了与大模型协作的三种进化阶段:Prompt Engineering、Context Engineering和Harness Engineering。核心内容是,模型将所有输入序列化成token,因此关键在于如何以正确方式提供信息。Prompt Engineering关注“怎么问”,Context Engineering关注“喂什么”,而Harness Engineering关注“搭环境”。随着模型能力增强和应用场景复杂化,重点从优化单次指令转向构建整个运行环境,这对设计高效Agent至关重要。

m0_59162248的博客 515

从提示工程到驾驭工程:构建企业级AI应用的三次认知跃迁

在人工智能应用开发领域,从基础的提示工程到复杂的系统构建,开发者需要经历一系列认知跃迁。提示工程作为起点,专注于如何设计有效的输入指令来引导大语言模型完成特定任务,其核心在于将模糊的“玄学”转化为结构化的“科学”,涉及角色定义、上下文提供、指令约束和示例引导等关键要素。随着任务复杂度的提升,简单的单次交互无法满足需求,上下文管理技术应运而生,它通过检索增强生成等机制,智能地组织和管理海量信息,突破模型的记忆壁垒,确保模型在长对话或多文档场景下仍能保持高性能。然而,真正的挑战在于将AI能力工程化为可靠的生产系

weixin_33859844的博客 616
上一篇: 如何构建自定义 Agent Harness
下一篇: 深度拆解:从零构建生产级 Multi-Agent 驾驭层(Harness)全景架构
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值