从prompt engineering, context engineering到harness engineering, 我们对大模型的管理经历了一个从“大模型有没有听懂”，到“大模型有没有拿到足够且正确的信息”，再到现在的“大模型能不能持续在真实世界完成任务”的阶段。
大模型本质上是一个对上下文敏感的概率生成系统，prompt engineering塑造了一个局部概率空间，使得模型的回答能够更倾向于用户规定的“角色设定、风格约束、分布引导、拒答边界、输出格式，few-shot示例”等等，这在“一次回答”的聊天机器人领域能够起到很好的约束作用，“把话说明白”就能激发模型自身的潜力。
而在一个具体的Agent工作场景中，除了prompt之外，模型还需要知道当前环境“有什么”，比如，你让agent根据你的历史文档，模拟你的写作风格，写一份周报总结，agent必须要拿到你的真实历史文档，context就是当前模型真实“拿到了哪些信息”，换句话说，context是所有能影响当前模型决策的信息总和，包括输入给它的当前prompt，用户文件内容，数据库信息，历史对话memory，浏览器搜索结果，上一个agent的输出等等，如何管理这些context，让模型得到真实有用的结构化信息，并正确传递给下一个模型，就是context enginnering. RAG就是context enginnering到一部分，补充了模型能够拿到的信息。
context的长度是有限的，并且过于长的context会让模型注意力分散，反而会影响输出效果。上下文优化不是“给的更多”，而是“按需给，分层给，在正确时机给”(skill)
当我们写好提示词，做好上下文管理后，一个完整合理的执行链路决定了agent是否能完成任务，以及完成任务的优秀程度。prompt engineering和context engineering都是在完善模型的输入侧，prompt优化意图表达，context优化信息供给，而在执行侧，我们需要管理连续执行中的不确定性，需要持续的监督、约束和纠偏，harness enginnering由此诞生。
harness包含了prompt和context，专注于让agent在真实世界里稳定工作，合理的harness设计往往比模型本身的能力更重要（一个实用例子是，在claude code cli里配置其他国产模型免费API，用一个不差的模型搭配claude的harness设计，效果往往也很好）
参考资料：
学习资料：
