blog.dopana

返回

AI Agent 的每一次能力跃迁都遵循同一个模式:实践者撞上一堵墙,找出真正构成瓶颈的那一层,然后把那一层升级为一门工程学科。三层墙、三门学科——Prompt Engineering → Context Engineering → Harness Engineering。理解这道阶梯,不仅能看清 Agent 从哪里来,也能看清这个行业正往哪里去。

01 Prompt Engineering2022–2023让模型答得好02 Context Engineering2023–2025给模型对的上下文03 Harness Engineering2025–至今让执行变得可靠

阶段 01 · Prompt Engineering(2022–2023)#

起源#

ChatGPT 在 2022 年 11 月发布,让模型能力第一次被所有人亲眼所见——同时也暴露出一个奇怪的事实:输出质量高度依赖输入的措辞。同一个模型,同一个问题,两种问法,可能产出精彩,也可能产出垃圾。Prompt 成了整个技术栈里杠杆最大的环节。

最早的 Agent 原型也诞生在这里:用一段很长的提示词,让模型扮演一个「自主完成任务」的助手。在那个年代,Prompt 是唯一能对模型行为进行「编程」的接口。

核心技法#

  1. Few-shot 示例——给模型看几个示范,让它照葫芦画瓢。
  2. Chain-of-Thought——「一步一步想」引导出显式的推理链,可度量地提升复杂任务的表现。
  3. 系统提示词 / 角色设定——用系统级指令约束人格、边界与输出风格。
  4. 结构化输出——要求 JSON 或 XML,让结果可以被程序消费。

为什么不够用了#

  • 没有记忆——每次对话都从零开始,跨会话什么也留不下。
  • 知识截止——模型不知道训练之后发生的事,也不知道你的私有数据。
  • 不能行动——只能生成文字,无法调用 API、无法碰文件。
  • 窗口有限——再完美的提示词也装不下无限的任务;长任务迅速失焦。

[!NOTE] 瓶颈不在「怎么问」,而在模型能看到什么、能做什么。这个认知打开了第二个时代。

阶段 02 · Context Engineering(2023–2025)#

为什么上下文是新的记忆#

模型的权重在训练时就冻结了。推理时,模型对你所处情况的全部「认知」,就是上下文窗口里装得下的那些内容。这让上下文窗口成为 Agent 的工作内存——而把它组装好(放什么、放多少、什么顺序、何时丢弃)成了一门独立的工程学科:上下文工程。

用一句话概括这个转变:从打磨指令,转向设计指令周围的信息环境。

三大支柱#

支柱做什么解决什么
RAG(检索增强生成)把文档切块向量化,提问时取回最相关片段注入上下文知识新鲜度与私有数据
Memory旧轮次摘要进短期工作记忆;事实与偏好向量化进长期存储「每次都从零开始」
Tool Use模型输出结构化调用指令(Function Calling、MCP),程序执行后把结果回填与真实世界的交互
|工具调用||结果|用户提问检索器向量数据库上下文组装器记忆库LLM工具 / API回答

RAG 往窗口里填相关的知识,Memory 让历史与偏好跨会话存活,Tool Use 让模型把手伸出自己之外。只要组装得对——关键信息放对位置以避开「lost in the middle」,过期的历史被压缩掉——一个冻结的模型也能表现得像一个会学习的系统。

阶段 03 · Harness Engineering(2025–至今)#

从一段 Prompt 到一台发动机#

Harness(执行框架)是包裹模型的整套工程系统:规划循环、工具执行、沙箱隔离、权限控制、错误恢复、可观测性。模型负责智能,Harness 负责可靠性。

框架的演进时间线就是这段故事本身:

2023AutoGPT 时代单文件循环脚本2024框架化LangChain / LangGraph /CrewAI2025工程化 Harness沙箱、权限、上下文管理2026标准化MCP / A2A 协议
  • 2023 · AutoGPT 时代——输入一个目标,得到一个「思考—行动」的自主循环。它证明了模型 + 循环 + 工具的组合可行,也证明了它极不稳定。
  • 2024 · 框架化——LangChain、LangGraph、CrewAI 把 Agent 变成可编排的图与角色团队:确定性代码和 LLM 步骤同处一个可审计的结构。
  • 2025 · 工程化 Harness——Claude Code、OpenClaw 等产品把沙箱、权限关卡、上下文管理做成一等公民。Harness 本身成了产品。
  • 2026 · 标准化——MCP(统一的工具接入)与 A2A(Agent 间通信)等协议,把 Agent 变成可组合的基础设施。

代表产品#

  • AutoGPT(2023)——先驱。给它一个目标,它就在一个极简 Harness 里自行拆解、自主执行。它的价值更多在于证明了可能性,而非可靠性。
  • ACPAgent——协议优先的协作:多个 Agent 通过标准的 Agent 通信协议互相发现、委派任务、交换上下文。工程重心从单体内部循环转向协作网络。
  • OpenClaw——开源的个人 Agent Harness:运行在本地沙箱里、可接入消息渠道、管理长期记忆与工具权限。它把 Harness 工程所追求的「工程确定性」做成了产品。

[!TIP] 贯穿三个阶段的更深层规律:模型越强,Harness 就要承担越多的工程确定性。智能交给模型,一切不允许失败的环节交给 Harness。

一张表看懂整道阶梯#

时代学科核心问题心智模型
Prompt Engineering指令的手艺怎么问?Prompt 即程序
Context Engineering信息的组装模型能看到什么?上下文即内存
Harness Engineering系统的可靠性能否安全地把事办成?Harness 即操作系统

每一层都没有取代上一层,而是吸收了它。Prompt 依然重要,但被纳入了上下文策略;上下文依然重要,但被纳入了 Harness。抽象层级不断上移,本质始终未变:让模型可靠地把事情做完。

下一站是什么?多 Agent 协作、可验证执行,以及 Agent 之间互相交易的「Agent 经济」。每一个都会要求在顶上再叠一层新的工程——这也正是这个故事一贯的展开方式。

参考资料#