从提示词工程到驾驭工程：AI协作的三代进化

从提示词工程到驾驭工程：AI协作的三代进化

一、开场

想象一下：两年前，你还在跟朋友炫耀"我发现了一个神奇的prompt，用这句话AI就会变聪明！"；一年前，你开始研究怎么把自己的资料喂给AI，让它更懂你；而到了2026年，那些最懂AI的人，聊的都是"驾驭工程"（Harness Engineering）。

这个变化不是突然发生的。从Prompt Engineering到Context Engineering再到Harness Engineering，这不是谁替代了谁，而是一层一层的升维------就像人类从学会用火，到发明炉子控制火，再到用蒸汽机把火变成动力。

今天这篇文章，我想跟你聊聊这三代技术到底是什么，以及在2026年的今天，我们普通人到底该怎么跟AI协作。

---

二、三代技术详解

2.1 第一代：提示词工程（Prompt Engineering）

什么是提示词工程？

有个比喻说得好："提示词是AI的'说明书'，提示词工程就是写这本说明书的艺术。"

简单说，提示词工程就是研究怎么跟AI说话，才能让它给出你想要的答案。这不是随便写写就行，这里面结合了语言学、认知科学，甚至一点心理学。

为什么会出现？

还记得2022年底ChatGPT刚出来的时候吗？大家都疯了。有人发现，只要加上一句"Let's think step by step"（让我们一步步来想），AI的智商好像突然就提高了；还有人发现，给AI几个例子，它就能学会做复杂的任务。

2023年简直是提示词工程的黄金年：GPT-4发布了，思维链（Chain-of-Thought）提示火了，甚至"提示词工程师"都成了热门职业。大家突然意识到：原来同一个AI，你问法不一样，结果能差这么多！

你肯定用过这些技巧：

• 直接问："帮我写个邮件"------这叫零样本学习
• 给几个例子："比如A情况这么写，B情况那么写，现在帮我写C"------这叫少样本学习
• 让它一步步想："先分析问题，再给出方案，最后总结"------这叫思维链推理

这个阶段大家都在怎么玩？

提示词工程的进化路线其实很有意思：

1. 最开始大家只会直接提问（Zero-Shot）
2. 然后发现给几个例子效果更好（Few-Shot）
3. 接着学会让AI一步步思考（Chain-of-Thought）
4. 后来甚至让AI探索多条思路（Tree-of-Thoughts）
5. 再后来，工具出现了------自动帮你优化提示词（APE、OPRO）
6. 到最后，有人把提示词工程做成了编程框架（DSPy）

---

2.2 第二代：上下文工程（Context Engineering）

什么是上下文工程？

2025年6月发生了一件有意思的事：Shopify的CEO Tobi Lütke发了条推特说："我真的很喜欢'context engineering'这个词，胜过'prompt engineering'。"一周后，Andrej Karpathy（前特斯拉AI负责人）也发推说："+1"。

什么意思呢？Karpathy解释说："大家总觉得prompt就是给LLM的那几句简短任务描述。但在每一个工业级的LLM应用里，context engineering其实是填充上下文窗口的精妙艺术与科学。"

简单说：提示词工程问的是"我怎么措辞这个问题？"；而上下文工程问的是"模型必须知道什么才能给出好答案？"

为什么突然从"怎么问"变成了"喂什么"？

因为大家发现，光靠一两句话的prompt不够了。你想让AI帮你做复杂的事，得把背景信息都给它：

• 之前的对话历史（但不是逐字记录，而是总结后的要点）
• 你希望它扮演的角色（比如"你是一个资深产品经理"）
• 相关的参考资料（通过RAG检索出来的）
• 它调用工具返回的结果

到了2025年，大家都在说"这是AI agents之年"。但决定agent成败的最关键因素是什么？不是选哪个模型，而是你给它的"上下文质量"。

这个阶段的高手都在怎么做？

你看Cursor这个编辑器为什么这么火？Karpathy总结了它成功的四个层次：

1. 做好context engineering（把你的代码库上下文喂给AI）
2. 编排多个LLM调用（不是一次对话搞定，而是后台串成复杂的流程）
3. 提供应用特定的GUI（让你能方便地在循环中干预）
4. 提供"自主滑块"（让你选择让AI自主到什么程度）

---

2.3 第三代：驾驭工程（Harness Engineering）

什么是驾驭工程？

先记住这个公式：Agent = Model + Harness

什么意思？LangChain的博客说得很直白："如果你不是模型，你就是harness。"Harness就是除了模型本身之外的每一段代码、每一个配置、每一条执行逻辑。

Martin Fowler（就是那个写《重构》的大牛）给了个更务实的定义："Harness engineering把人类工程师的重点，从写代码，转移到设计环境、明确意图、提供结构化反馈。"

Harness这个词，英文原意是"马具"------缰绳、马鞍、笼头那一套东西。一匹千里马，你不给它套上马具，它只会四处乱跑。大语言模型就是这匹千里马。

为什么现在大家都在聊这个？

OpenAI在2026年2月11日发了篇官方博客，讲了一个疯狂的实验：三个工程师，五个月时间，用Codex从零构建了一个内部产品，大概写了100万行代码。重点是：人类没有手写一行代码。

那这三个人在干嘛？他们在做Harness Engineering：

• 设计架构边界（告诉AI哪部分是哪部分）
• 制定依赖规则（告诉AI什么能用什么不能用）
• 写自动化测试（让AI知道自己写得对不对）
• 配置lint规则（给AI定好代码规范）
• 搭建CI/CD流水线（让AI能自动交付）
• 设计反馈循环机制（让AI能从错误中学习）

"我们团队一直在做一个实验：用0行手写代码，构建和交付一个软件产品的内部测试版。"

数据不会骗人：

LangChain做了个实验，模型固定用gpt-5.2-codex，只改harness，结果编码agent在Terminal Bench 2.0测试上的分数从52.8%提升到66.5%------足足提高了13.7分！排名从Top 30直接升到Top 5。

"我们的编码agent从Top 30升到Top 5。我们只改了harness。"

还有更狠的："模型是商品。Harness是护城河。"

为什么这么说？Manus这家公司，六个月内重写了五次harness。模型没变，架构变了五次，每次重写都提高了可靠性和任务完成率。LangChain更夸张，一年内四次重构Deep Research------不是因为模型进步了，而是因为他们发现了更好的方式来结构工作流、管理上下文、协调子任务。

你从Hugging Face下载不到好的harness。你必须自己构建、测试、失败、学习、重建。这才是护城河。

这个阶段的高手都在怎么"驾驭"AI？

Martin Fowler的框架很清晰：Guides和Sensors

• Guides（前馈控制）：在AI行动前就引导它

  • 比如写个AGENTS.md文件，告诉AI"你是谁、你要做什么、你要遵守什么规则"
  • 比如写架构文档，告诉AI系统怎么设计
  • 比如定好编码约定，让AI按你的风格来

• Sensors（反馈控制）：在AI行动后观察它，帮它自我纠正

  • 比如写自动化测试，AI写完代码跑一遍测试就知道对不对
  • 比如配置lint规则，AI写得不符合规范立刻提示
  • 比如让另一个AI来检查第一个AI的工作

Anthropic的玩法更激进：三个agent互相配合

1. Planner（规划者）：先想清楚要做什么
2. Generator（生成者）：真的去写代码
3. Evaluator（评估者）：直接跟页面交互，打分，挑毛病

评估者的反馈又流回生成者，一次又一次迭代，每次生成跑5到15次。

李宏毅教授的比喻最形象：三根缰绳

1. 第一根缰绳：控制"认知框架"：给AI读CLAUDE.md、AGENTS.md这些文件------模型每次开始工作前，都会先"复习"这些规则
2. 第二根缰绳：控制"能力边界"：像权限系统一样，不把所有权限都给AI，只开放它需要的那部分
3. 第三根缰绳：控制"行为流程"：用Ralph Loop这种反馈循环模式------不让AI一次性盲猜最终答案，而是每次产出一个版本，外部评估给反馈，再基于反馈修正，迭代逼近

还有个更通俗的游戏玩家类比：

• Prompt Engineering时代：你对工人说"这里用胡桃木饰面，接缝处做45度斜拼"------每一块板材、每一颗钉子都得你亲自指挥，工人只会等你一句句指令
• Context Engineering时代：你准备好全套施工图纸、水电管线图、建材清单，定义了房子的骨架和功能
• Harness Engineering时代：你制定用地性质、容积率、绿化率等规则，城市就在这套框架下自主生长演变

单位越聪明、越自主，你越得靠一整套系统去约束它们的行为。

---

三、普通人与AI协作的四大问题

聊完了这三代技术，你可能会问：那我呢？我不是OpenAI的工程师，也不是LangChain的研究员，我就是个想用好AI的普通人。我该怎么办？

3.1 方法论：我当下应该如何与AI协作？

记住这点：三个时代的Engineering，从来都不是什么替代关系，而是一层一层升维、随着时代前进的嵌套关系。

什么意思？Harness Engineer需要懂Context Engineering，因为给AI提供正确的上下文信息本身就是Harness的一部分。Context Engineer也需要懂Prompt Engineering，因为最终跟AI沟通的单元还是一条条的Prompt。

每一层都没有过时，只是被更大的框架包裹住了。

所以，不要把之前学的都扔了，而是在此基础上升级你的思维：

• 先把提示词写好（这是基础）
• 再学会怎么给AI喂好上下文（这是进阶）
• 最后，开始思考怎么设计一套"系统"让AI帮你干活（这是前沿）

3.2 训练方法/核心竞争力：我要学习什么技能适应AI？

答案很明确：你要成为一个Harness Engineer。

别被这个词吓住了，不是要你去写复杂的代码，而是要你学会这几件事：

• 怎么给AI写"说明书"（比如AGENTS.md这种文件，告诉AI它是谁、要做什么、遵守什么规则）
• 怎么设计"检查机制"（比如自动化测试、核对清单，让AI知道自己做得对不对）
• 怎么给AI划边界（什么能做、什么不能做、做到什么程度）
• 怎么让AI迭代改进（一次做不好，给反馈，让它再来一次）

记住这个惊人的发现："Agent = Model + Harness。几十亿参数的小模型，加上好的马具，能打败一个万亿级的大模型裸奔。Harness的价值，可能比模型大小更重要。"

未来比的不是谁的模型大，而是谁的马具好。

3.3 工具论：我要学习什么工具提升效率？

推荐几个你可以马上用起来的工具：

• Cursor这种AI编程助手（它已经帮你做好了很多context engineering）
• Claude Code（你可以去试试，这是第一个真的能像个agent一样帮你干活的东西）
• 自动化测试工具（不管你做什么，能自动检查对错的工具都是好Sensors）
• 一些简单的流程工具（让AI按你的流程一步一步来）

但比工具更重要的是，你要有能力给这些工具"定规矩"------也就是写Guides和设计Sensors。

3.4 心态论：我要保持什么心态应对AI发展？

保持这三个心态，你就不会焦虑：

1. 升维而非替代：新的技术不是来替代旧的，而是嵌套在旧的之上。你之前学的提示词技巧依然有用，现在只是多了一个更大的框架。
2. 设计而非执行：你的价值正在从"亲手把事情做完"，转向"设计一个让AI高效把事情做完的环境"。别什么都自己干，想想怎么让AI帮你干。
3. 长期主义：从火到炉子到蒸汽机，人类花了几千年；从Prompt到Context到Harness，AI只花了三年------这个变化很快，但也没必要慌，适应这个节奏就好。

---

四、结语

这场变革的核心驱动力是什么？答案很简单：效率与规模化。

想想看：

• 最开始，你要手写每一行代码
• 后来，你用提示词让AI帮你写代码
• 现在，你设计一套Harness，让AI自主构建整个系统

我们正在把越来越多的工作交给AI，同时把自己的精力聚焦在更有价值的事情上：设计环境、制定规则、创建反馈循环。

"构建软件仍然需要纪律，但纪律更多地体现在脚手架中，而不是代码中。"

这就是Harness Engineering的时代。你准备好了吗？