有三个问题：
- 提示词工程 Prompt Engineering 是什么？
- 上下文工程 Context Engineering 是什么？
- Harness Engineering 是什么？
提示词工程 Prompt Engineering 是什么？
Prompt（提示词）是与AI大模型（LLM）交互的输入。
不管是与AI大模型的单轮交互，还是多轮交互，本质上都是输入Promp给AI大模型，然后得到AI大模型输出的结果。
单轮交互与多轮交互的区别就在于，多轮交互会把会话的历史消息作为Promp的输入给了AI大模型。
AI大模型，本质上就是一个包含训练好的神经网络的各个神经元的权重文件，作为输入Prompt能激发对应的这个神经网络内对应的神经元，然后得到对应的输出。
即Prompt设计的好坏，直接决定了AI大模型输出结果的好坏。
所以你想让AI大模型做好什么，那就得把任务表达对，且尽可能清晰和详细。
那么一个好的Prompt一般有哪些组成部分？
- “角色设定”
- “语气和约束”
- “任务明细”： 将复杂请求拆解为有序步骤。
- “给出与预期输出格式匹配的范例”
毛坯与精装的Prompt：
# Naive approach
prompt = "Fix the bug in my code"
# Prompt-engineered approach
prompt = """You are a senior Python engineer reviewing a production bug.
Context:
- The bug causes a KeyError on line 47 of orders.py
- It only occurs during weekend batch processing
- The system uses PostgreSQL with a read replica
Your task:
1. First, identify the root cause without changing any code
2. Describe what data condition triggers the error
3. Propose a fix that maintains backward compatibility
4. List any tests that should be added
Do not modify any files until I confirm your diagnosis."""
上下文工程 Context Engineering 是什么？
AI大模型的输入是有上限的，这个上限也叫上下文窗口。既然有上限，那么就需要管理 AI大模型的输入。
Context Engineering（上下文工程）是建立在Prompt Engineering之上的，维护着Agent每次调用AI大模型的输入的信息。
Agent（智能体）的组成：
- AI大模型（LLM）：即推理能力。
- 感知（Perception）：即
触发，传感器数据、用户输入、定时任务等等。 - 记忆（Memory）: 即存储。分为：短期记忆（当前会话的内容） & 长期记忆（历史会话的内容，知识库。。。）。
- 决策（Decision Making）：即一些规则，处理流程的编排。
- 行动（Action）： 即
执行层，可以输出文本、调用API、发送指令等等。
不同的Agent的情况不同，Context Engineering（上下文工程）维护的信息一般有哪些：
- Agent的基本信息（Agents.md，比如：“角色设定”、“语气和约束”等等）；
- 可以调用的工具（比如：文件、skill、MCP） & 调用记录和结果；
- 当前会话的消息；
- 命中的历史消息 or 知识，即长期记忆的；
Harness Engineering 是什么 ？
当Agent去做一个长任务时候，结果并不是稳定的，也就是在做的过程中会由于一些动态信息的影响（用户输入的信息、工具调用的结果、任务的难易等等）而导致走偏了，所以就需要及时的去纠正它。
Harness --- 驾驭 Harness Engineering --- 驾驭AI大模型的工程，即在
上下文工程的基础上，通过设定规则去纠正，让Agent能稳定的执行任务。
Harness Engineering 核心思想是：AI的能力极限不只在模型本身，更在于如何设计和管理模型运行的外部系统。即为AI大模型打造的“工业级操作系统”。
Harness Engineering 包含的核心功能模块:
- “游戏规则”： 即制定权限和边界。比如：操作权限控制、一些代码操作需要审核（可以让其它Agent去审核）。
- “标准工具箱”： 标准化的工具。比如：文件读写、搜索。
- “操作日志”： 记录AI的每一步操作。可追溯、可审计。
## 生产 TypeScript monorepo 的 Harness 设置清单
### Prompt 层
- [ ] System prompt defines role, scope, and what agent should NOT do
- [ ] Output format is constrained for structured responses
### Context 层
- [ ] AGENTS.md under 60 lines, universally applicable only
- [ ] Skills for: debugging, refactoring, PR creation, dependency auditing
- [ ] MCP servers: only 2-3 active at a time, disable unused ones
- [ ] Memory: conversation buffer + structured long-term rules store
### Harness 层
- [ ] Pre-commit hook: biome + typecheck
- [ ] PostToolUse hook: surface linter errors to agent on every file write
- [ ] Stop hook: run changed test files only, return errors
- [ ] Coverage hook: alert if coverage drops below threshold
- [ ] Loop detection: flag if same file edited 3+ times in same session
- [ ] Sub-agent patterns defined for: research, codebase tracing, QA
- [ ] Escalation rule: if blocked for 3+ tool calls, stop and ask
Sub-agent 是个好东西
Sub-agents 是上下文的防火墙。Chroma 的研究表明模型性能随上下文长度增长而下降，当问题与相关上下文之间的语义相似度低时，下降更为陡峭。Sub-agents 从结构层面解决了这一问题：每个 Sub-agent 获得一个全新的、小的、高相关性的上下文窗口，父 Agent 只接收压缩后的结果——中间的工具调用、grep 输出、文件读取全部隔离在 Sub-agent 内部。
多次（比如：超过 15 次）工具调用才能解决的任务，可直接交给 Sub-agent。
参考
-
Prompt、Context、Harness：AI Agent 工程的三层架构解析 https://developer.aliyun.com/article/1725017
-
Harness Engineering是什么？和提示词工程和上下文工程有什么关系？https://www.bilibili.com/video/BV1dpQTB3EXg/?spm_id_from=333.1007.top_right_bar_window_custom_collection.content.click&vd_source=539dc150870d618de4193749eb731a05
注意：本文归作者所有，未经作者允许，不得转载
