Prompt Engineering、Context Engineering、Harness Engineering：它们到底是什么关系？
过去两年，AI 圈出现了三个越来越常见的词：
- Prompt Engineering
- Context Engineering
- Harness Engineering
很多人第一次看到时会以为它们是同义词，只是换了个更"高级"的说法。
但如果把它们混在一起，就很容易在实际项目里走偏。
最简单的理解是：
Prompt Engineering 关注"怎么说"
Context Engineering 关注"给模型什么信息"
Harness Engineering 关注"如何把整个 AI 系统管起来，让它稳定工作"
如果说你在和一个非常聪明但容易跑偏的实习生合作：
- Prompt engineering 是你怎么给他下指令
- Context engineering 是你给他哪些背景资料、工具和上下文
- Harness engineering 是你给他设计的工作流程、约束、检查机制和反馈回路
这三者不是互斥关系，而是层层展开的关系。
一、Prompt Engineering：最早被大众理解的"AI 技能"
Prompt engineering 最早火起来，是因为大家发现：
同一个模型，换一种提问方式，结果可能差很多。
OpenAI 官方文档把它定义为：编写有效指令，让模型更稳定地产生符合要求的内容。
这套方法包括：
- 明确任务目标
- 指定角色和语气
- 给出 few-shot 示例
- 约束输出格式
- 拆解复杂任务
在聊天式 AI、内容生成、分类抽取这类单轮任务里，prompt engineering 很有效。
例如你让模型"总结这篇文章"，和你说：
请用 3 点总结下文，面向非技术读者，每点不超过 30 字，并给出 1 句结论
两者效果通常差别很大。
所以 prompt engineering 的核心价值，不是"魔法咒语"，而是把要求说清楚。
但问题也很明显：
当任务从"一次回答"变成"多步执行"，prompt engineering 就开始不够用了。
二、Context Engineering：从"怎么问"升级到"给什么上下文"
2025 年之后，越来越多团队开始把重心从 prompt engineering 转向 context engineering。
一个重要原因是：
很多 AI 应用失败，不是因为模型不够强，而是因为模型没有拿到完成任务所需的正确上下文。
LangChain 官方文档对 context engineering 的定义很直接：
把正确的信息和工具，以正确的形式，提供给模型，让它能够完成任务。
这句话很重要，因为它意味着：
context 不只是 prompt 文本本身，还包括：
- 系统指令
- few-shot 示例
- 会话历史
- 用户画像
- 检索到的知识
- 工具描述
- 工具返回结果
- 中间状态
- 长期记忆
也就是说，prompt engineering 其实只是 context engineering 的一部分。
为什么 context engineering 比 prompt engineering 更进一步？
因为真实世界里的 AI 应用，往往不是一次性问答，而是一个动态过程。
比如一个客服 Agent，要先理解用户问题，再查订单，再调用退款工具，再确认政策，再生成回复。
在这个过程中，每一步模型需要的信息都不一样。
这时真正关键的，不再是"开头那句 prompt 写得漂不漂亮"，而是：
- 哪些信息应该放进上下文
- 哪些信息应该删掉
- 哪些信息应该压缩
- 哪些任务应该隔离到子 Agent
- 哪些历史应该保留为长期记忆
这就是 context engineering 的本质：
动态管理模型每一步看到的工作记忆。
一句话总结：
Prompt engineering 是写好一句话；
Context engineering 是设计一整套"信息供给系统"。
三、Harness Engineering：再往上一层，开始工程化地"驯服"AI
到了 2026 年，另一个词开始快速出现：Harness Engineering。
OpenAI 在 2026 年 2 月 11 日发布的文章《Harness engineering: leveraging Codex in an agent-first world》中，讲了一个非常有代表性的案例：
他们用 Codex 构建并交付了一个内部产品 beta，声称整个代码库里"0 行人工手写代码"，总代码量达到百万行级别，而且已经有真实用户在使用。
这篇文章传递出的核心信息不是"prompt 更重要了"，而是：
当 agent 真正进入生产环境后，人类工程师的主要工作，越来越像是在设计环境、约束和反馈回路，而不再只是亲手写代码。
这就是 harness engineering 的核心。
"harness" 原意是马具、缰绳。
这个比喻非常贴切：模型能力像马力，harness 的作用不是替代马，而是把力量导向可控、可复用、可验证的方向。
从 OpenAI 的实践看，harness engineering 关注的内容包括：
- 让 Agent 能访问代码库中的结构化知识
- 让规则不仅写在文档里，还能被 lint 和 CI 强制执行
- 给 Agent 提供浏览器、日志、指标、测试环境等可观察能力
- 让 Agent 能自己 review、修复、验证、再提交
- 通过 PR、测试、文档、执行计划形成闭环
所以，harness engineering 不是"再高级一点的 prompt engineering"，而是：
围绕模型构建一整套可控的工程系统。
四、三者到底是什么关系？
我认为，一个非常实用的关系图是：
text
Prompt Engineering ⊂ Context Engineering ⊂ Harness Engineering也可以翻译成：
- Prompt engineering 是最内层
- Context engineering 是中间层
- Harness engineering 是最外层
1. Prompt Engineering 是局部优化
它解决的是"单次调用如何表达得更清楚"。
你在优化的是：
- 指令措辞
- 输出格式
- 示例写法
- 角色设定
- 约束表达
这很重要，但它主要作用在"单个模型调用"层面。
2. Context Engineering 是信息编排
它解决的是"模型在这一刻应该看到什么"。
你在优化的是：
- 检索哪些信息
- 保留哪些历史
- 怎么压缩上下文
- 如何做记忆管理
- 如何拆分多 Agent 上下文
这已经从"写提示词"变成了"设计信息流"。
3. Harness Engineering 是系统治理
它解决的是"即使模型会出错，整个系统还能不能稳定地产出可接受结果"。
你在优化的是：
- 工作流
- 约束机制
- 自动校验
- 测试回路
- 观察与追踪
- 回滚与修复
- 人机协作边界
这已经不是"如何调用模型"，而是"如何运营一个以模型为核心的新型软件系统"。
五、为什么今天不能只谈 Prompt Engineering？
因为很多团队已经发现，项目做不起来，往往不是 prompt 不够好，而是系统太脆。
常见问题包括：
- 给了模型太多无关信息，反而让它分心
- 历史上下文不断膨胀，最后污染决策
- 工具调用结果没人校验
- 文档、代码、规则彼此不一致
- Agent 做完任务后，没有测试、审查和回归机制
- 一旦任务变长，系统就开始"漂移"
这些问题，prompt engineering 几乎无能为力。
你当然可以继续改 prompt，
但很多时候那只是"在错误层级上努力"。
这也是为什么越来越多一线团队开始强调：
- prompt 只是入口
- context 才是关键
- harness 才决定能不能规模化落地
六、如果你是普通开发者，应该怎么理解这三个层次？
一个很实用的判断方法是：
如果你在做这些事，你主要是在做 Prompt Engineering
- 调整提示词措辞
- 增加 few-shot 示例
- 约束输出格式
- 让模型语气更稳定
- 提高单次回答质量
如果你在做这些事，你主要是在做 Context Engineering
- 做 RAG 检索
- 设计 memory
- 控制历史消息长度
- 动态拼接工具说明
- 给不同子任务分配不同上下文
- 压缩中间结果
如果你在做这些事，你主要是在做 Harness Engineering
- 给 Agent 配测试、lint、CI
- 设计多轮执行和反馈闭环
- 给 Agent 加可观察性和日志系统
- 让规则可以被程序化执行
- 设计回滚、审批、人工兜底机制
- 把 AI 纳入完整的软件工程体系
七、一个更贴近现实的结论
如果只做演示 Demo：
- Prompt engineering 往往就够了
如果要做能用的 AI 应用：
- 你很快就会进入 context engineering
如果要做真正可上线、可维护、可规模化的 Agent 系统：
- 你最终绕不过 harness engineering
所以这三者不是"谁取代谁"，而是：
AI 工程正在从"写好提示词"，走向"设计上下文"，再走向"搭建完整的控制系统"。
这背后反映的，其实是 AI 应用从玩具走向生产系统的过程。
八、最后一句话总结
Prompt engineering 决定模型"听不听得懂你在说什么"；
context engineering 决定模型"有没有拿到完成任务所需的信息"；
harness engineering 决定模型"即使会犯错，系统还能不能持续、稳定、可控地运行"。
如果你只记住一句话，我建议记住这句：
Prompt 是输入技巧，Context 是信息架构，Harness 是系统工程。
参考资料
-
OpenAI, Prompting
https://platform.openai.com/docs/guides/prompting -
OpenAI, Prompt engineering
https://platform.openai.com/docs/guides/prompt-engineering/strategies-to-improve-reliability -
LangChain Docs, Context engineering in agents
https://docs.langchain.com/oss/python/langchain/context-engineering -
LangChain Blog, The rise of context engineering
https://blog.langchain.com/the-rise-of-context-engineering -
LangChain Blog, Context Engineering
https://www.blog.langchain.com/context-engineering-for-agents/ -
OpenAI, Harness engineering: leveraging Codex in an agent-first world
https://openai.com/index/harness-engineering