收藏！小白程序员必看：一文彻底搞懂提示词工程、上下文工程与Harness Engineering

冻感糕人~ 冻感糕人~ 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 703平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-08-30 15:35:40 发布 703 阅读 AI 写同款· GEO 优化 ›
阿里最强小钢炮上线！Qwen3.6-35B-A3B+OpenClaw本地部署全记录 阿里发布高效轻量级开源模型Qwen3.6-35B-A3B，本文详细介绍了基于Ollama的本地部署方案，包括与OpenClaw与飞书机器人的集成方案 阅读详情

本文深入探讨了提示词工程、上下文工程和Harness Engineering这三个AI Agent开发中的关键概念。提示词工程是AI应用的第一课，但存在局限性；上下文工程通过管理上下文窗口中的信息，实现了更动态和系统化的交互；Harness Engineering则为编程Agent构建了自我纠错的运行环境，包含系统提示、工具调用等六类组件。文章澄清了三者间的关系，指出上下文工程是上位概念，而Harness Engineering是其在Coding Agent场景的实践。对于正在使用Coding Agent的开发者，日常的配置工作实际上就是Harness Engineering的一部分。

很多人搭 AI Agent，卡在同一个地方：

照着教程写了提示词，Agent 还是跑偏、忘事、乱执行。

问题不在提示词写得不够好——是你对整个概念体系的理解，停留在了第一层。

这篇文章，带你把三个容易混淆的概念——提示词工程、上下文工程、Harness Engineering——从起源到关系，彻底理清。

1、 提示词工程：起点，但不是全部

提示词工程（Prompt Engineering）是大多数人接触 AI 的第一课。

核心动作就三件事：写任务描述、加 few-shot 示例、规定输出格式。

工作流极其简单：

[手工指令 + 示例 + 格式]  →  大模型  →  文本输出

↑ 图1：提示词工程流程图

在简单的单轮对话场景下好用，但它有四个硬局限：单次对话、无记忆、无工具、无反馈循环。

一旦任务变成「帮我完成这个多步骤的项目」，就彻底力不从心了。

2、上下文工程：才是真正的艺术与科学

2025 年，Andrej Karpathy 和 Shopify CEO Tobi Lutke 先后为一个新概念背书：

上下文工程（Context Engineering）

Karpathy 原话：

“在每一个工业级 LLM 应用里，上下文工程是将恰当信息填满上下文窗口的微妙艺术与科学。”

核心转变：不是「写一段提示词」，而是管理整个上下文窗口里装什么。

上下文窗口能装的东西远不止提示词：RAG 检索结果、工具定义、Few-shot 示例、对话历史、状态信息、规则文件……

加上执行层的结果反馈写回，形成完整的 ReAct 循环。

↑ 图2：上下文工程流程图 — 六格上下文窗口 + ReAct 反馈闭环

关键结论：提示词工程 ⊂ 上下文工程。提示词只是上下文的一个子集。

3、 Harness Engineering：AI Agent 的最终形态

2026 年，随着 Coding Agent 大规模落地，一个新术语出现了。

Harness Engineering，由开发者 Viv 提出，随后经 OpenAI 推广，文章标题是：

Harness engineering: leveraging Codex in an agent-first world

核心公式只有一句话：

Agent = 大模型 + Harness

Harness = 大模型之外的一切。

↑ 图3：Harness Engineering 架构图 — Agent = 大模型 + Harness，展开六个组件

具体包含六类组件：

  • System Prompt：全局角色与行为约束
  • Tools / MCP：工具调用能力
  • AGENTS.md 规则文件：针对特定代码库的规范
  • Sub-agents：子 Agent 协作处理复杂任务
  • 验证 Sensors：观察执行结果并触发反馈
  • 反压 Back-pressure：防止 Agent 跑偏的控制机制

Martin Fowler（ThoughtWorks）专文分析，将 Harness 的作用总结为两类控制：

  • Feedforward（前馈）：执行前告诉 Agent 怎么做，提高首次成功率
  • Feedback（反馈）：观察执行结果，让 Agent 自我纠正

重要限定：Harness Engineering 的核心场景是 Coding Agents（编程 Agent），不是泛指所有 AI Agent。

4 、一个必须纠正的误解

很多文章（包括一些传播很广的图）把三者描述成进化链：

提示词工程 → 上下文工程 → Harness Engineering，越来越高级。

这个关系方向是错的。

↑ 图4：概念关系澄清图 — CE 大框包裹 PE 和 HE，底部红色纠错条

正确的关系是包含关系，Context Engineering 才是上位概念：

  • HumanLayer 博客：“Harness engineering is a subset of context engineering”
  • Martin Fowler：“Engineering a user harness for a coding agent is a specific form of context engineering”

一句话总结：PE ⊂ CE，HE ⊂ CE，HE 不是 CE 的升级版，而是 CE 在 Coding Agent 场景的落地实践。

写在最后

把三个概念提炼成三句话：

提示词工程：告诉模型该做什么（单次、静态）

上下文工程：管理模型在每一步能看到什么（动态、系统化）

Harness Engineering：给 Coding Agent 搭建能自我纠错的运行环境（可靠性工程）

如果你正在用 Claude Code、Cursor 或任何 Coding Agent——你每天在做的那些配置工作，其实就是 Harness Engineering：写 AGENTS.md、接 MCP、设置 hooks、拆分 sub-agent 任务。

只是以前没有一个好名字，现在有了。

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。
图片
图片
对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

请添加图片描述

👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

1、大模型学习路线

img

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

在这里插入图片描述

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

在这里插入图片描述

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

5、面试试题/经验

img

【大厂 AI 岗位面经分享（107 道）】

img

【AI 大模型面试真题（102 道）】

img

【LLMs 面试真题（97 道）】

img

6、大模型项目实战&配套源码

img

适用人群

在这里插入图片描述

四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身：基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例：如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

    👇👇扫码免费领取全部内容👇👇

    在这里插入图片描述

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

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

标签
#人工智能 #大数据 #学习 #大模型学习 #大模型
#开发语言 #就业
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
Harness Engineering驾驭工程&提示词工程&上下文工程 本文系统解析了AI领域的三大核心技术概念：提示词工程(Prompt Engineering)解决模型输出不稳定的问题，通过优化输入指令提高响应质量；上下文工程(Context Engineering)管理有限上下文窗口，通过信息召回、压缩和组装实现精准响应；驾驭工程(Harness Engineering)则构建包含编排层、执行层、反馈层和记忆层的完整系统框架，将大模型转化为可执行任务的AI Agent。三者构成递进关系，其中驾驭工程将成为未来程序员的核心竞争力，通过工程化手段释放大模型潜能，实现&quot 阅读详情

相关推荐

大模型工程三驾马车：Prompt Engineering、Context Engineering 与 Harness Engineering 深度解析

Prompt Engineering（提示词工程）是指通过精心设计输入文本（Prompt），引导大语言模型产生更准确、更有用、更符合预期输出的技术与方法论。同一个模型，面对不同的提问方式，会给出截然不同的答案。提示词工程师的任务，就是找到那个"最优提问方式"。Context Engineering（上下文工程）是指系统性地设计、管理和优化输入给大语言模型的上下文信息，以最大化模型在特定任务中的效能。如果说 Prompt Engineering 关注的是"说什么。

巫山老妖 767

金三银四跳槽季必藏！2026 字节校招薪资大揭秘，AI 岗成应届生薪资天花板

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？答案只有一个：人工智能（尤其是大模型方向）当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

大模型研究中心 996

一文搞懂 Agent Skills：从“会聊天”到“会干活”，Agent Skills 到底改变了什么？

Agent Skills 通常可以直译为“智能体技能”，是一种给智能体“加技能包/工作流插件”的标准化方式。从本质上看，它的作用类似于给 Agent 安装“技能包”或“工作流插件”——把完成某一类任务所需的知识步骤和工具使用方式整体封装起来，供 Agent 在合适的时机自动调用和执行，而不再依赖人类反复编写提示词来引导。如果将 Agent 理解为一个能够自主完成任务的“数字员工”，那么 Skills 就是它所掌握的具体“工种”或“手艺”。

人不风流枉少年 1668

一文看懂Agent Skills带来的AI变革！

Skills 通过指令和代码为 Claude 提供新功能，虽然这使它们功能强大，但也意味着恶意 Skill 可以指导 Claude 以与 Skill 声称的目的不匹配的方式调用工具或执行代码。Skills 是可重用的、基于文件系统的资源，为 Claude 提供特定领域的专业知识：工作流、上下文和最佳实践，将通用代理转变为专家。Claude 在具有文件系统访问权限的虚拟机中运行，允许 Skills 作为包含指令、可执行代码和参考资料的目录存在，组织方式就像你为新团队成员创建的入职指南。

JavaEdge全是干货的技术号 4202

深度对比 OpenClaw 与 Harness：个人助理 vs 企业级 AI 工程范式

维度OpenClawHarness（架构层面）架构形态具体产品/框架抽象范式/方法论核心组件执行层 + 评估层 + 控制层通信方式WebSocket 总线，本地回环优先依赖具体实现，无统一标准扩展方式插件机制（Skills）+ Channels七大模块各自独立选型架构思想致敬 Unix 哲学，三层解耦工业级分层管控维度OpenClawHarnessGitHub 星标34 万+（历史第一）分散到多个项目大厂支持多家云厂商一键部署。

lukabruce的博客 1163

【AI智能体】Harness Engineering 驾驭工程从使用到项目实战详解

Harness Engineering 驾驭工程从使用到项目实战详解

congge 2590

深入浅出 Harness Engineering：2026年最热 AI 工程范式，一文彻底搞懂！

摘要： Harness Engineering（驾驭工程）是2026年兴起的AI工程范式，核心是通过系统化约束提升AI Agent的可靠性，而非单纯依赖模型能力。它针对AI的五大缺陷（如记忆焦虑、Prompt脆弱性、多Agent污染等），提出六大支柱解决方案：结构化上下文架构避免信息过载、代码化架构约束替代软性Prompt、自验证循环强制AI自我审查、上下文隔离防止协作污染、熵治理对抗系统混乱，以及安全护栏阻断危险操作。OpenAI实验证明，3人团队5个月生成百万行代码的关键不是模型强度，而是这套驾驭系统。

qq_31142761的博客 3891

十一、机器学习进阶知识：径向基神经网络（RBFNN）的实现（Python，附源码及数据集）

本文对径向基神经网络（RBFNN）的理论基础及建模步骤进行介绍，之后使用Python实现基于RBFNN的数据预测，通俗易懂，适合新手学习，附源码及实验数据集。

weixin_42051846的博客 1万+

从提示词工程到Harness Engineering，3分钟彻底搞懂！

本文系统解析了AI Agent开发的三个核心概念：提示词工程（基础但局限）、上下文工程（管理上下文窗口的动态系统）和Harness Engineering（Coding Agent的自我纠错环境）。文章纠正了将三者视为递进关系的误解，指出上下文工程是上位概念，而Harness Engineering是其特定场景的应用。对于开发者而言，配置Coding Agent的日常工作实质就是Harness Engineering实践。文末附有AI大模型学习资料包，助力开发者掌握核心技术。

2401_84204413的博客 401

Kettle下载与安装教程【保姆版】

Kettle简介 Kettle最早是一个开源的ETL工具，全称为KDE Extraction, Transportation, Transformation and Loading Environment。后来Kettle重命名为Pentaho Data Integration 。 它由Java开发，支持跨平台运行，其特性包括：支持100%无编码、拖拽方式开发ETL数据管道；可对接包括传统数据库、文件、大数据平台、接口、流数据等数据源；支持ETL数据管道加入机器学习算法。 主要功能 Pentaho D

weixin_43407520的博客 12万+

PMOS缓启动电路设计实战：用LTspice优化上电时序，把60A冲击降到15A

本文通过一个实战案例，深入解析了PMOS缓启动电路如何有效抑制上电冲击电流。文章指出，低ESR电容是导致冲击电流飙升的元凶，并详细阐述了利用LTspice仿真工具，通过优化栅极电阻和栅源电容等参数，将高达60A的冲击电流成功降至15A的设计与优化过程，为电源开关电路设计提供了可复用的方法论。

onion的博客 899

揭秘Harness Engineering：它与提示词工程、上下文工程的关系，及AI时代程序员的新战场

在AI技术狂飙突进的2026年，一个名为Harness Engineering（驾驭工程）的概念在AI圈迅速爆火。不少人还没弄明白它的内涵，就已开始跟风追捧。今天，我们就来深度拆解Harness Engineering，以及它与大家熟知的提示词工程、上下文工程之间的关系，带你看透AI Agent开发的本质。

m0_59235945的博客 635

AlphaFold2算法详解

正文：https://www.nature.com/articles/s41586-021-03819-2 补充文件：https://static-content.springer.com/esm/art%3A10.1038%2Fs41586-021-03819-2/MediaObjects/41586_2021_3819_MOESM1_ESM.pdfhttps://static-content.springer.com/esm/art%3A10.1038%2Fs41586-021-03819-2/Med

Daisy4的博客 1万+

Harness Engineering 是什么？和提示词工程、上下文工程有什么关系？

Harness Engineering 是包裹在大语言模型外侧的软件，处理模型以外的所有事务，包含工具执行、记忆储存、状态持久化，以及跨多个工作阶段的错误复原。Harness 是模型能稳定运行的“外部骨架”。模型负责思考，Harness 负责让它能在真实世界里有条不紊地行动——包括它可以调用哪些工具、上下文如何组织、记忆存在哪里、规则如何执行、失败如何重试。模型的“天花板效应”：主流大模型能力已逼近物理极限，单纯升级模型带来的边际收益越来越低；长链任务的失控。

futurn_hero的博客 348

自动控制原理之控制系统的数学模型（类比神经网络学习数学模型）

控制系统的数学模型背景建模方法常用的数学模型时域数学模型的建立建立微分方程的步骤复数域模型的建立传递函数的性质系统的典型环节及传递函数比例环节惯性环节积分环节微分环节理想微分环节一阶微分环节二阶微分环节振荡环节延时环节（时滞环节） 背景 数学模型就像是真实世界的写照，它就像一个虚拟的世界，我们可以通过建模的方式了解这个真实世界的运作规律。 这一点很像强化学习，强化学习需要一个供智能体探索、学习的环境，于是，我们通常会事先建立一个虚拟的仿真环境。举个例子，对于人类来说，可能需要经过不断地尝试，甚至是生命的代价

zbp_12138的博客 6578

基于Unidbg的小红书加密协议动态分析与算法还原实战

在移动应用安全领域，加密协议与签名机制是保障数据传输安全、实现客户端身份验证的核心技术。其原理通常涉及哈希算法、对称/非对称加密以及自定义的混淆逻辑，旨在防止请求被篡改或重放。理解这些协议对于安全研究、风控策略制定及合规的数据交互分析具有重要价值。在实际的工程实践中，面对高度混淆和加固的Native代码（SO库），传统的静态分析往往难以深入。此时，沙盒模拟执行技术提供了一种动态、可控的分析方案。通过搭建一个虚拟的移动应用运行环境，研究人员可以在无需真机、规避反调试机制的情况下，完整地追踪和观察加密算法的执行

weixin_29315091的博客 326

Prompt 已过时？Harness Engineering 才是 AI Agent 时代的程序员核心竞争力

本文深入解析了AI工程化中的提示词工程、上下文工程和HarnessEngineering（驾驭工程）的本质关联，指出三者是层层递进的体系化管控方案。提示词工程解决单次交互优化，上下文工程实现动态信息管理，而HarnessEngineering则构建完整的Agent管控体系。文章详细拆解了HarnessEngineering的四层架构（记忆层、执行层、反馈层、编排层）及其落地方法，并介绍了规范驱动开发（SDD）的实战模式。最后强调在AI时代，程序员的核心竞争力将转向搭建可控的AI工程体系。全文提供了从理论到实

爱人爱己，风生水起 1325

从SC7A20数据手册到代码：一步步搞定加速度值读取与换算（避坑指南）

本文详细解析了SC7A20三轴加速度传感器的数据手册，从寄存器配置到原始数据读取，再到加速度值的换算方法。通过代码示例和避坑指南，帮助开发者准确实现加速度值的读取与换算，适用于嵌入式开发和运动检测应用。

weixin_26878995的博客 587

Harness Engineering是什么？和提示词工程与上下文工程是什么关系？一文带你了解

上下文窗口有限，而我们的对话越来越长——早期的指令被挤掉，模型的注意力被无关信息分散，最终产生“上下文腐化”（Context Degradation）。——有的喜欢把系统指令放在最前面，有的把历史对话压缩成摘要穿插其中，有的动态调整参考文档的位置。，避免腐化，确保每一轮模型都能看到最相关的信息。将角色设定、历史摘要、检索到的参考、当前用户问题、输出格式等，按照合理顺序和位置组合成最终的上下文。：将文档、代码库、历史对话切分、向量化，当用户提问时，通过语义相似度检索出最相关的片段。

n123456987654321的博客 761

【深度学习|学习笔记】广义线性模型Generalized linear model（GLM）模型详解，附代码。

【深度学习|学习笔记】广义线性模型Generalized linear model（GLM）模型详解，附代码。

2401_89898861的博客 1875

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

提示词工程、上下文工程都过时了，现在是 Harness Engineering 的时代

Prompt Engineering 过时了，Context Engineering 也过时了。2026 年开年，开发者社区最热的关键词叫 Harness Engineering。2 月 5 日，HashiCorp 联合创始人 Mitchell Hashimoto 在博客发文，把 AI 辅助开发中一种正在被越来越多顶尖团队采用的工程实践正式命了名——Harness Engineering。六天后，OpenAI 发布了一份详细的内部实验报告，标题直接用了这个词。

HJS123456780的博客 463

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

一文讲透：Prompt Engineering、Context Engineering、Harness Engineering、Loop Engineering 到底有什么区别？

AI工程实践的演进并非线性替代，而是构建在Prompt、Context、Harness、Loop四层架构之上，每层对应不同的控制权让渡程度。Prompt Engineering通过角色设定、少样本学习等技巧精确表达意图，但面临边际效益递减和模型依赖的局限。Context Engineering引入动态信息管理，Harness建立自动化验证，Loop则设计系统级决策循环。关键在于识别何时停止优化当前层（如Prompt超过2000字符可能负收益），转而向上层寻求突破。这四层共同构成AI开发的基础设施

以为在机器学习领域与人工智能领域深耕多年的老牛 995

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

假人有限元模型

假人模型，车辆碰撞假人有限元模型，适合做乘员安全的研究者利用

Harness Engineering在硅谷爆火，一文带你搞懂！

第 9 轮的时候，AI 做了个干净的深色主题页面，看起来还行。到第 10 轮，AI 突然推翻了整个设计，做了个 3D 空间：用 CSS 透视渲染了一个带棋盘地板的房间，艺术品挂在墙上，用户通过“门”导航到不同展厅。3 名工程师，五个月，一行代码都没手写，指挥 Codex Agent 写了 100 万行代码，做出了一个真实的产品。完整 Harness 跑 6 小时花 200 美元，交付了一个真正能玩的游戏，有精灵动画、AI 集成、导出功能。AI 模型也一样，它很聪明，但你得给它一套“装备”，它才能真正干活。

Datawhale 1078

Harness Engineering 是什么？从上下文工程到驾驭工程

Harness Engineering 是什么？AI 时代的新杠杆Harness Engineering 驾驭工程：通过构建受控环境，让AI在约束下高效可靠地工作。想象AI是一匹拥有神力的独角兽，它力量强大但难以预测。驾驭工程不是去拔掉它的角，而是为它打造一套“黄金缰绳”和“水晶马车”。（架构约束）引导它走正确的路，（上下文工程）提供舒适的承载空间，（反馈循环）随时照出它的状态，而（熵管理）则负责清理它奔跑时留下的杂乱痕迹。这样，独角兽既保留了神力，又变得温顺可控。

shadowcz007的博客 1418

Harness Engineering 革命破晓：从提示词炼金术到驾驭工程的范式跃迁

Harness Engineering（驾驭工程）：不强调模型性能，更强调工程环境。通过让驾驭模型的系统环境更专业，从而提升使用效果。Harness = 马具 / 缰绳：不是限制 AI，而是给它正确的轨道Engineering = 驾驭工程：从"写代码的人"变成"设计系统的人"软件工程的历史一再表明：真正持久的生产力提升，来自驾驭复杂性，而不是消灭复杂性。Harness Engineering 不是一个横空出世的新概念，而是软件工程历史进程在 AI 时代的自然延续。

lengm 832
上一篇： 收藏！2026年AI岗位去泡沫后，3个必学核心岗位（小白/程序员入门必看）
下一篇： 收藏！小白程序员必看：大模型安全风险实战解析（附43个攻击场景）
点赞 10
评论 0
书签 书签 7
冻感糕人~
冻感糕人~
博客等级 码龄3年 8926粉丝 2384原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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