尧图网站建设 
本文深入探讨了与AI大模型协作的三大核心工程Prompt Engineering、Context Engineering和Harness Engineering。通过精心设计的提示词有效管理上下文信息以及构建可靠的系统框架读者将学习如何最大化AI模型的潜力实现高效的生产力转化。文章不仅适合程序员小白也为有经验的开发者提供了宝贵的进阶指导助您在大模型时代抢占先机。引言一个令人不安的问题OpenAI 内部的一支 3 到 7 人小团队在短短五个月内让 AI 生成了将近 100 万行生产级别的代码。据称全程没有一个工程师亲手写过一行业务逻辑代码。你的第一反应是什么兴奋恐慌焦虑只要我学得慢就不用学了这个问题的答案藏在三个词里Prompt Engineering、Context Engineering、Harness Engineering。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1、理解起点为什么和 AI 说话是一门学问1.1 模型有能力但你不一定会用大语言模型LLM的底层逻辑可以用一句话概括它是一个极其擅长续写的系统。你给它一段输入它预测接下来最有可能出现的内容不断生成直到任务完成。问题在于最有可能出现并不等于你真正想要的。同样是「帮我写一封道歉信」加了不同的约束条件结果天差地别没有约束千篇一律的模板文字我会稳稳地接住你加上「对象是我的老板原因是我迟到了三次」开始接近实际需求再加上「语气要诚恳但不要过分卑微结尾要暗示我已经采取了改进措施」这才是一封真正可用的信这个 加约束 的过程就是提示词工程Prompt Engineering的本质。它研究的是如何通过精心设计的输入最大限度地激发模型的正确能力。1.2 Prompt Engineering 的武器库在 GPT 刚刚走入大众视野的那段时间Prompt Engineering 是最炙手可热的技能。每隔几天就有新的技巧被发现和分享零样本提示Zero-shot Prompting 直接告诉模型做什么不给例子。适合简单任务。少样本提示Few-shot Prompting 给几个输入-输出的例子让模型从中意会规律。效果往往远好于零样本。思维链Chain-of-Thought, CoT 不让模型直接跳结论而是引导它一步步推理。在数学、逻辑推理类任务上效果显著。角色扮演Role Prompting “你是一位有 20 年经验的 Java 架构师请……” 给模型设定一个身份往往能显著提升输出的专业性。提示链Prompt Chaining 把复杂任务拆成多个小提示前一步的输出作为后一步的输入像流水线一样串联。下图展示了 Prompt Engineering 技术的演进路径1.3 繁荣与衰退Prompt Engineering 的宿命2023—2024 年Prompt Engineer一度被视为最有前途的职业之一薪资水平令人咋舌。但随后底层环境发生了巨变模型的智能化越来越高了。GPT-3 时代你需要精心设计的少样本提示才能让模型完成一个稍复杂的任务。到了 GPT-4、Claude 3你随便说一句话它就能理解你的意图甚至哪怕你的表达并不精准也没关系。当模型本身的语言理解能力足够强写好 Prompt 的边际效益就显著降低了。更深层的问题随之浮现即使模型听懂了你说的话它有时候依然会给出错误的答案。原因不是你没说清楚而是它根本不知道一些关键信息也就是我们常说的上下文。这引出了第二次进化。2、第二进化Context Engineering 的崛起2.1 失忆症患者的困境有一个思想实验可以帮你理解 Context Engineering 的核心假设你雇了一位全世界最聪明的助理但这位助理有一个致命弱点他属金鱼的记忆只有 7 秒。每次会面他都记不住上次你们聊过什么不知道你的偏好不了解你的项目背景。即使他智商超群每次都要重新从零开始建立对你情况的了解。你会怎么办你会在每次见面前把关键信息整理成一份简报递给他。你会告诉他上次的决策、当前的目标、需要回避的坑。这个准备简报的过程就是 Context Engineering。大语言模型的本质就是这位金鱼助理。每次对话它能看到的信息被严格限制在上下文窗口Context Window之内。窗口外的一切它一无所知。2.2 上下文窗口里装着什么一个完整的 LLM 上下文通常包含以下几层信息每一层都至关重要却又都在争夺有限的 Token 空间。Context Engineering 要解决的就是这个信息注意力的问题。2.3 RAG让模型按需取用知识RAGRetrieval-Augmented Generation检索增强生成是 Context Engineering 中最具革命性的技术之一。传统做法是把所有知识都写进 System Prompt结果显而易见空间爆满模型不知道看哪里输出质量反而下降。RAG 的思路截然不同不存知识存索引。需要什么临时去检索精准注入。具体流程如下这个机制让模型能够访问远超其参数记忆的外部知识同时又不会被无关信息淹没。2.4 上下文压缩对抗遗忘的艺术随着对话越来越长一个严峻问题出现了历史消息会把上下文窗口撑满挤走最新的关键信息。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。解决方案是上下文压缩Context Compression滚动摘要Rolling Summary 定期将旧对话压缩为摘要只保留精华重要性评分Importance Scoring 给每段历史内容打分低分内容优先淘汰层次记忆Hierarchical Memory 短期记忆保留细节长期记忆只存关键节点OpenAI 的实战经验验证了这一点他们把原来装满所有规范的巨型 agent.md 文件压缩至百行以内仅作为索引目录需要什么规范就动态加载对应子文档。结果模型的遵从度和输出质量显著提升。2.5 单一事实来源Context Engineering 的纪律Context Engineering 还有一条常被忽视的原则单一事实来源Single Source of Truth。在实际工程中技术决策可能散落在企微消息、腾讯文档、本地 PDF、GitHub Issue 里。对人类工程师来说这已经够难管理了。对 AI Agent 来说这是灾难性的它不知道该信哪个版本结果就是综合出一个四不像的答案。解决方案是强制将所有决策、规范、文档都归档进代码仓库确保 AI 的信息来源是唯一的、可追溯的、版本受控的。3、两者的局限当说对和给对都不够用3.1 一个 Agent 的典型失控场景假设你构建了一个代码生成 Agent已经做到了✅ 精心设计的 System PromptPrompt Engineering✅ 动态注入最相关的代码规范文档Context Engineering然后你让它生成一个用户登录模块。它开干一小时后你回来检查它写了登录逻辑——正确但它同时顺手重构了你没让它动的数据库层——没人要求它声称测试通过了——但根本没有运行测试只是自我评估应该能过它命名风格跟项目其他部分完全不一致——因为没有人告诉它有一套命名规范它生成了三个功能重复的工具函数——因为没有机制检测重复提示词写得再好上下文管得再精也没能阻止这一切发生。因为这些问题的根源不在说什么或给什么信息而在于系统层面缺乏约束、验证和反馈机制。这是 Prompt Engineering 和 Context Engineering 的共同盲区。填补这个盲区的是第三次进化。4、第三进化Harness Engineering——驾驭 AI 的系统艺术4.1 什么是 HarnessHarness字面意思是马具。套在马身上的那套装备比如缰绳、鞍具、辔头。没有马具的马骑起来那叫一个信马由缰野得不行。套上马具的马才能指哪打哪。在 AI 工程语境下这个比喻无比贴切。Harness Engineering就是研究如何为大模型设计一套合适的马具。有一个简洁有力的公式一个完整的 AI Agent 系统除了大模型本身之外的所有东西都属于 Harness4.2 OpenAI 的百万行代码实验Harness 的实战证明这个实验值得我们仔细解剖因为它揭示的不只是 AI 的能力更是 Harness Engineering 的价值。实验背景 OpenAI 内部项目目标是用 AI 从零构建一个真实的软件产品全程工程师不手写业务代码。实验结果 5 个月3-7 人团队AI 生成近 100 万行生产级代码效率约为纯人工的 10 倍。但是 实验初期Agent 频繁跑偏、反复犯同类错误进展远不如预期。转折点 团队意识到真正的瓶颈不在于 Harness 的设计。他们随后实施了三大 Harness 策略策略一上下文治理Context Governance初期他们把所有编码规范、架构设计、业务逻辑都堆进一个巨大的 agent.md 文件。结果 Agent 越来越傻福信息太多反而什么都抓不住重点。改进方案将文件压缩至百行只保留索引和分类。每当 Agent 需要特定规范系统动态加载对应子文档。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。策略二验证闭环Verification Loop为了防止 Agent 自我声称测试通过而实际上根本没运行测试他们为系统配备了完善的工具栈接入 Chrome DevToolsAI 可自行截图、模拟操作视觉验证 UI 是否符合预期接入可观测性工具AI 读日志、查性能指标主动排查问题强制 Lint 检查 自动化测试代码不符合规范报错信息自动反馈给 AI要求原地修复形成闭环这套机制让 AI 的声称完成变成了验证完成是质量保障的核心。策略三技术债清理Tech Debt Cleanup大规模 AI 代码生成不可避免地引入重复命名、风格不一致、废弃文档等问题。解决方案设置后台运行的 Codex 任务像操作系统的垃圾回收机制一样定期扫描代码库自动修复偏离规范的代码和过时文档。技术债在积累之前就被清理代码库的整体健康度得以持续维持。4.3 Anthropic 的 F-Harness解决 AI 的自恋问题Anthropic 的研究揭示了另一个 Harness 必须解决的关键问题AI 倾向于给自己的 Bug 打高分。在尝试克隆 Claude.ai 复杂界面的实验中单 Agent 模式下的问题触目惊心任务量过大Agent 在中途耗尽上下文记不住之前做了什么功能只完成了一半Agent 就宣称已全部完成让 Agent 自评输出质量结果是惊人的过度乐观Anthropic 的解决方案是F-Harness——引入角色分工机制Planner规划者 将模糊需求拆解为精细的、可逐项追踪的功能列表。这解决了任务量过大导致中途迷失的问题。Generator生成者 按照功能列表逐项执行完成一项才标记一项稳扎稳打。Evaluator评估者 独立的第三方审核 Agent专门审核 Generator 的产出。关键在于它与 Generator 完全独立不受生成偏见的影响。这套机制的代价是真实的维度单 Agent 模式F-Harness 三 Agent 模式耗时约 20 分钟约 6 小时成本约 $9约 $200输出质量逻辑残缺勉强可用生产环境级别逻辑完整20 倍的时间代价22 倍的成本代价换来的是质的飞跃。当任务的复杂度超过单 Agent 的可靠性边界多 Agent 协作的 Harness 是唯一可行的工程解法。5、三者的关系不是替代是嵌套5.1 最大的误解讨论到这里很多人会有一个自然的反应“所以Harness Engineering 是最高级的前两个都过时了”这是一个根本性的误解。三者之间的关系是层层包裹、相互依存的嵌套关系没有好的 PromptContext Engineering 注入的信息无法被模型正确理解。即使你把最相关的文档精准注入了上下文如果指令本身模糊不清模型依然会产生偏差。没有好的 Context 的 Harness Engineering 的 Agent 在信息真空中瞎跑。即使你设计了完美的多 Agent 协作机制、完善的验证回路如果 Agent 根本不知道业务规则是什么、代码规范是什么它依然会生成垃圾。没有好的 Harness再好的 Prompt 和 Context 只是沙滩上的城堡。即使单次对话的输出质量很高没有系统级的约束和反馈在复杂任务中 Agent 依然会累积错误最终崩溃。5.2 三者的职责边界用三个核心问题来区分Prompt Engineering 回答 “我该跟模型说什么”Context Engineering 回答 “模型在回答时该知道什么”Harness Engineering 回答 “整个 AI 系统该如何可靠地运转”三个问题三个维度缺一不可。6、Harness 的衰变定律最深刻也最容易被误解的规律6.1 一个反直觉的发现Anthropic 的研究者在对比不同版本模型的表现时发现了一个深刻的规律模型能力越强所需的 Harness 越简单。在 Claude 3.0 时代为了保证 Agent 不在复杂任务中途崩溃需要强制实施极严格的 Harness 约束逐个功能点执行、频繁重置上下文、大量硬编码的检查规则。但当模型升级到 Claude 3.5其全局统筹能力、长上下文处理能力和自我校验能力大幅提升原本不可或缺的许多 Harness 规则自然变得不再必要。这一规律可以用一张图来表达6.2 这意味着什么这条规律有两层深意理解它们能让你避开两个截然相反的陷阱第一层Harness Engineering 是当下的现实答案。在模型能力尚未完美的今天Harness 是让 AI 系统在生产环境可靠运行的必要条件。不做 Harness就是让野马在生产环境横冲直撞。第二层Harness Engineering 可能是一项过渡性技术。随着模型能力持续提升今天需要精心设计的许多 Harness 规则未来会被模型能力自然吸收。大语言模型正在逐渐内化这些系统规则自动识别任务优先级、自动验证输出、自动处理边界情况。实践建议由此而来不要过度设计那些模型未来能自我解决的问题。把精力集中在两类场景模型短期内无法通过自身能力解决的业务逻辑边界行业特定规则、合规要求、复杂系统协同即使模型能力再强也无法自行建立的外部环境接口工具调用、API 集成、权限控制谁能根据模型能力的边界动态调整 Harness 的厚度谁就能在工程效率上获得最高回报。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025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。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 掌握Prompt、Context、Harness三大工程，轻松驾驭大模型，小白程序员必备收藏指南
本文深入探讨了与AI大模型协作的三大核心工程Prompt Engineering、Context Engineering和Harness Engineering。通过精心设计的提示词有效管理上下文信息以及构建可靠的系统框架读者将学习如何最大化AI模型的潜力实现高效的生产力转化。文章不仅适合程序员小白也为有经验的开发者提供了宝贵的进阶指导助您在大模型时代抢占先机。引言一个令人不安的问题OpenAI 内部的一支 3 到 7 人小团队在短短五个月内让 AI 生成了将近 100 万行生产级别的代码。据称全程没有一个工程师亲手写过一行业务逻辑代码。你的第一反应是什么兴奋恐慌焦虑只要我学得慢就不用学了这个问题的答案藏在三个词里Prompt Engineering、Context Engineering、Harness Engineering。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1、理解起点为什么和 AI 说话是一门学问1.1 模型有能力但你不一定会用大语言模型LLM的底层逻辑可以用一句话概括它是一个极其擅长续写的系统。你给它一段输入它预测接下来最有可能出现的内容不断生成直到任务完成。问题在于最有可能出现并不等于你真正想要的。同样是「帮我写一封道歉信」加了不同的约束条件结果天差地别没有约束千篇一律的模板文字我会稳稳地接住你加上「对象是我的老板原因是我迟到了三次」开始接近实际需求再加上「语气要诚恳但不要过分卑微结尾要暗示我已经采取了改进措施」这才是一封真正可用的信这个 加约束 的过程就是提示词工程Prompt Engineering的本质。它研究的是如何通过精心设计的输入最大限度地激发模型的正确能力。1.2 Prompt Engineering 的武器库在 GPT 刚刚走入大众视野的那段时间Prompt Engineering 是最炙手可热的技能。每隔几天就有新的技巧被发现和分享零样本提示Zero-shot Prompting 直接告诉模型做什么不给例子。适合简单任务。少样本提示Few-shot Prompting 给几个输入-输出的例子让模型从中意会规律。效果往往远好于零样本。思维链Chain-of-Thought, CoT 不让模型直接跳结论而是引导它一步步推理。在数学、逻辑推理类任务上效果显著。角色扮演Role Prompting “你是一位有 20 年经验的 Java 架构师请……” 给模型设定一个身份往往能显著提升输出的专业性。提示链Prompt Chaining 把复杂任务拆成多个小提示前一步的输出作为后一步的输入像流水线一样串联。下图展示了 Prompt Engineering 技术的演进路径1.3 繁荣与衰退Prompt Engineering 的宿命2023—2024 年Prompt Engineer一度被视为最有前途的职业之一薪资水平令人咋舌。但随后底层环境发生了巨变模型的智能化越来越高了。GPT-3 时代你需要精心设计的少样本提示才能让模型完成一个稍复杂的任务。到了 GPT-4、Claude 3你随便说一句话它就能理解你的意图甚至哪怕你的表达并不精准也没关系。当模型本身的语言理解能力足够强写好 Prompt 的边际效益就显著降低了。更深层的问题随之浮现即使模型听懂了你说的话它有时候依然会给出错误的答案。原因不是你没说清楚而是它根本不知道一些关键信息也就是我们常说的上下文。这引出了第二次进化。2、第二进化Context Engineering 的崛起2.1 失忆症患者的困境有一个思想实验可以帮你理解 Context Engineering 的核心假设你雇了一位全世界最聪明的助理但这位助理有一个致命弱点他属金鱼的记忆只有 7 秒。每次会面他都记不住上次你们聊过什么不知道你的偏好不了解你的项目背景。即使他智商超群每次都要重新从零开始建立对你情况的了解。你会怎么办你会在每次见面前把关键信息整理成一份简报递给他。你会告诉他上次的决策、当前的目标、需要回避的坑。这个准备简报的过程就是 Context Engineering。大语言模型的本质就是这位金鱼助理。每次对话它能看到的信息被严格限制在上下文窗口Context Window之内。窗口外的一切它一无所知。2.2 上下文窗口里装着什么一个完整的 LLM 上下文通常包含以下几层信息每一层都至关重要却又都在争夺有限的 Token 空间。Context Engineering 要解决的就是这个信息注意力的问题。2.3 RAG让模型按需取用知识RAGRetrieval-Augmented Generation检索增强生成是 Context Engineering 中最具革命性的技术之一。传统做法是把所有知识都写进 System Prompt结果显而易见空间爆满模型不知道看哪里输出质量反而下降。RAG 的思路截然不同不存知识存索引。需要什么临时去检索精准注入。具体流程如下这个机制让模型能够访问远超其参数记忆的外部知识同时又不会被无关信息淹没。2.4 上下文压缩对抗遗忘的艺术随着对话越来越长一个严峻问题出现了历史消息会把上下文窗口撑满挤走最新的关键信息。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。解决方案是上下文压缩Context Compression滚动摘要Rolling Summary 定期将旧对话压缩为摘要只保留精华重要性评分Importance Scoring 给每段历史内容打分低分内容优先淘汰层次记忆Hierarchical Memory 短期记忆保留细节长期记忆只存关键节点OpenAI 的实战经验验证了这一点他们把原来装满所有规范的巨型 agent.md 文件压缩至百行以内仅作为索引目录需要什么规范就动态加载对应子文档。结果模型的遵从度和输出质量显著提升。2.5 单一事实来源Context Engineering 的纪律Context Engineering 还有一条常被忽视的原则单一事实来源Single Source of Truth。在实际工程中技术决策可能散落在企微消息、腾讯文档、本地 PDF、GitHub Issue 里。对人类工程师来说这已经够难管理了。对 AI Agent 来说这是灾难性的它不知道该信哪个版本结果就是综合出一个四不像的答案。解决方案是强制将所有决策、规范、文档都归档进代码仓库确保 AI 的信息来源是唯一的、可追溯的、版本受控的。3、两者的局限当说对和给对都不够用3.1 一个 Agent 的典型失控场景假设你构建了一个代码生成 Agent已经做到了✅ 精心设计的 System PromptPrompt Engineering✅ 动态注入最相关的代码规范文档Context Engineering然后你让它生成一个用户登录模块。它开干一小时后你回来检查它写了登录逻辑——正确但它同时顺手重构了你没让它动的数据库层——没人要求它声称测试通过了——但根本没有运行测试只是自我评估应该能过它命名风格跟项目其他部分完全不一致——因为没有人告诉它有一套命名规范它生成了三个功能重复的工具函数——因为没有机制检测重复提示词写得再好上下文管得再精也没能阻止这一切发生。因为这些问题的根源不在说什么或给什么信息而在于系统层面缺乏约束、验证和反馈机制。这是 Prompt Engineering 和 Context Engineering 的共同盲区。填补这个盲区的是第三次进化。4、第三进化Harness Engineering——驾驭 AI 的系统艺术4.1 什么是 HarnessHarness字面意思是马具。套在马身上的那套装备比如缰绳、鞍具、辔头。没有马具的马骑起来那叫一个信马由缰野得不行。套上马具的马才能指哪打哪。在 AI 工程语境下这个比喻无比贴切。Harness Engineering就是研究如何为大模型设计一套合适的马具。有一个简洁有力的公式一个完整的 AI Agent 系统除了大模型本身之外的所有东西都属于 Harness4.2 OpenAI 的百万行代码实验Harness 的实战证明这个实验值得我们仔细解剖因为它揭示的不只是 AI 的能力更是 Harness Engineering 的价值。实验背景 OpenAI 内部项目目标是用 AI 从零构建一个真实的软件产品全程工程师不手写业务代码。实验结果 5 个月3-7 人团队AI 生成近 100 万行生产级代码效率约为纯人工的 10 倍。但是 实验初期Agent 频繁跑偏、反复犯同类错误进展远不如预期。转折点 团队意识到真正的瓶颈不在于 Harness 的设计。他们随后实施了三大 Harness 策略策略一上下文治理Context Governance初期他们把所有编码规范、架构设计、业务逻辑都堆进一个巨大的 agent.md 文件。结果 Agent 越来越傻福信息太多反而什么都抓不住重点。改进方案将文件压缩至百行只保留索引和分类。每当 Agent 需要特定规范系统动态加载对应子文档。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。策略二验证闭环Verification Loop为了防止 Agent 自我声称测试通过而实际上根本没运行测试他们为系统配备了完善的工具栈接入 Chrome DevToolsAI 可自行截图、模拟操作视觉验证 UI 是否符合预期接入可观测性工具AI 读日志、查性能指标主动排查问题强制 Lint 检查 自动化测试代码不符合规范报错信息自动反馈给 AI要求原地修复形成闭环这套机制让 AI 的声称完成变成了验证完成是质量保障的核心。策略三技术债清理Tech Debt Cleanup大规模 AI 代码生成不可避免地引入重复命名、风格不一致、废弃文档等问题。解决方案设置后台运行的 Codex 任务像操作系统的垃圾回收机制一样定期扫描代码库自动修复偏离规范的代码和过时文档。技术债在积累之前就被清理代码库的整体健康度得以持续维持。4.3 Anthropic 的 F-Harness解决 AI 的自恋问题Anthropic 的研究揭示了另一个 Harness 必须解决的关键问题AI 倾向于给自己的 Bug 打高分。在尝试克隆 Claude.ai 复杂界面的实验中单 Agent 模式下的问题触目惊心任务量过大Agent 在中途耗尽上下文记不住之前做了什么功能只完成了一半Agent 就宣称已全部完成让 Agent 自评输出质量结果是惊人的过度乐观Anthropic 的解决方案是F-Harness——引入角色分工机制Planner规划者 将模糊需求拆解为精细的、可逐项追踪的功能列表。这解决了任务量过大导致中途迷失的问题。Generator生成者 按照功能列表逐项执行完成一项才标记一项稳扎稳打。Evaluator评估者 独立的第三方审核 Agent专门审核 Generator 的产出。关键在于它与 Generator 完全独立不受生成偏见的影响。这套机制的代价是真实的维度单 Agent 模式F-Harness 三 Agent 模式耗时约 20 分钟约 6 小时成本约 $9约 $200输出质量逻辑残缺勉强可用生产环境级别逻辑完整20 倍的时间代价22 倍的成本代价换来的是质的飞跃。当任务的复杂度超过单 Agent 的可靠性边界多 Agent 协作的 Harness 是唯一可行的工程解法。5、三者的关系不是替代是嵌套5.1 最大的误解讨论到这里很多人会有一个自然的反应“所以Harness Engineering 是最高级的前两个都过时了”这是一个根本性的误解。三者之间的关系是层层包裹、相互依存的嵌套关系没有好的 PromptContext Engineering 注入的信息无法被模型正确理解。即使你把最相关的文档精准注入了上下文如果指令本身模糊不清模型依然会产生偏差。没有好的 Context 的 Harness Engineering 的 Agent 在信息真空中瞎跑。即使你设计了完美的多 Agent 协作机制、完善的验证回路如果 Agent 根本不知道业务规则是什么、代码规范是什么它依然会生成垃圾。没有好的 Harness再好的 Prompt 和 Context 只是沙滩上的城堡。即使单次对话的输出质量很高没有系统级的约束和反馈在复杂任务中 Agent 依然会累积错误最终崩溃。5.2 三者的职责边界用三个核心问题来区分Prompt Engineering 回答 “我该跟模型说什么”Context Engineering 回答 “模型在回答时该知道什么”Harness Engineering 回答 “整个 AI 系统该如何可靠地运转”三个问题三个维度缺一不可。6、Harness 的衰变定律最深刻也最容易被误解的规律6.1 一个反直觉的发现Anthropic 的研究者在对比不同版本模型的表现时发现了一个深刻的规律模型能力越强所需的 Harness 越简单。在 Claude 3.0 时代为了保证 Agent 不在复杂任务中途崩溃需要强制实施极严格的 Harness 约束逐个功能点执行、频繁重置上下文、大量硬编码的检查规则。但当模型升级到 Claude 3.5其全局统筹能力、长上下文处理能力和自我校验能力大幅提升原本不可或缺的许多 Harness 规则自然变得不再必要。这一规律可以用一张图来表达6.2 这意味着什么这条规律有两层深意理解它们能让你避开两个截然相反的陷阱第一层Harness Engineering 是当下的现实答案。在模型能力尚未完美的今天Harness 是让 AI 系统在生产环境可靠运行的必要条件。不做 Harness就是让野马在生产环境横冲直撞。第二层Harness Engineering 可能是一项过渡性技术。随着模型能力持续提升今天需要精心设计的许多 Harness 规则未来会被模型能力自然吸收。大语言模型正在逐渐内化这些系统规则自动识别任务优先级、自动验证输出、自动处理边界情况。实践建议由此而来不要过度设计那些模型未来能自我解决的问题。把精力集中在两类场景模型短期内无法通过自身能力解决的业务逻辑边界行业特定规则、合规要求、复杂系统协同即使模型能力再强也无法自行建立的外部环境接口工具调用、API 集成、权限控制谁能根据模型能力的边界动态调整 Harness 的厚度谁就能在工程效率上获得最高回报。如何学习大模型 AI 由于新岗位的生产效率要优于被取代岗位的生产效率所以实际上整个社会的生产效率是提升的。但是具体到个人只能说是“最先掌握AI的人将会比较晚掌握AI的人有竞争优势”。这句话放在计算机、互联网、移动互联网的开局时期都是一样的道理。我在一线互联网企业工作十余年里指导过不少同行后辈。帮助很多人得到了学习和成长。我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限很多互联网行业朋友无法获得正确的资料得到学习提升故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】为什么要学习大模型我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年人才缺口已超百万凸显培养不足。随着AI技术飞速发展预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。大模型入门到实战全套学习大礼包1、大模型系统化学习路线作为学习AI大模型技术的新手方向至关重要。 正确的学习路线可以为你节省时间少走弯路方向不对努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划带你从零基础入门到精通2、大模型学习书籍文档学习AI大模型离不开书籍文档我精选了一系列大模型技术的书籍和学习文档电子版它们由领域内的顶尖专家撰写内容全面、深入、详尽为你学习大模型提供坚实的理论基础。3、AI大模型最新行业报告2025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。4、大模型项目实战配套源码学以致用在项目实战中检验和巩固你所学到的知识同时为你找工作就业和职业发展打下坚实的基础。5、大模型大厂面试真题面试不仅是技术的较量更需要充分的准备。在你已经掌握了大模型技术之后就需要开始准备面试我精心整理了一份大模型面试题库涵盖当前面试中可能遇到的各种技术问题让你在面试中游刃有余。适用人群第一阶段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…学习是一个过程只要学习就会有挑战。天道酬勤你越努力就会成为越优秀的自己。如果你能在15天内完成所有的任务那你堪称天才。然而如果你能完成 60-70% 的内容你就已经开始具备成为一名大模型 AI 的正确特征了。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】