先说几个核心判断。过去一年AI工程领域最大的变化，不是模型多聪明了，而是大家终于意识到——让AI自己把事情从头做到尾，比让它回答一个问题难得多。致网科技这份55页报告，把这件事拆成了四层：Prompt、Context、Harness、Loop。听起来像四个技术名词，背后其实是AI工程从“问一次”到“跑一圈”的完整思路转变。
从基础交互到自主循环——AI工程的演进
看看这个转变——AI工程的焦点，正在从“生成正确答案”转向“闭环执行”。
- 早期就是单次问答，你问一句它答一句；现在需要的是理解、检索、行动、验证、反馈——一套完整的执行链。
- 报告提出四层演进架构：Prompt Engineering（表达）、Context Engineering（信息）、Harness Engineering（执行）、Loop Engineering（闭环）。
- 重点在于，这四层不是替代关系，而是协作叠加：Prompt定义你要什么，Context给你证据，Harness确保安全执行，Loop读取反馈决定下一步。
- 反过来看，缺一层都会翻车：只有Prompt没事实支撑，回答再漂亮也是空谈；只有Context不会行动，资料再多也派不上用场；只有Harness没目标，就像给一台电脑装好了操作系统却不告诉它要做什么；只有Loop容易空转，不停自循环却毫无产出。
Prompt Engineering——意图的精确表达
说白了，Prompt Engineering就是把脑子里模糊的想法，翻译成模型能执行的指令。核心要素其实就五类：身份（限定视角）、任务（明确目标）、上下文（提供背景）、约束（划定边界）、输出（规定格式）。
- 提示技巧1——Few-Shot：用少量示例把那些隐含的业务标准、输出格式、边界案例具体化。特别适合规则很难写全的任务，给两三个例子，模型基本就能揣摩出套路。
- 提示技巧2——CoT与Self-Consistency：CoT是让复杂任务按步骤一步步拆解推导；Self-Consistency是让模型跑多条推理路径，最后投票选结果，减少单次推理的偶然偏差。
- 一个很有意思的点：同一件任务，按角色（架构师/客服/产品经理）、受众（技术团队/普通用户/管理层）、场景（故障复盘/客户通知/决策汇报）来输出结构完全不同的内容。这不光是Prompt技巧，更是对业务场景的理解。
- 真正工程化落地时，需要建立模板库、示例库、版本管理与失败样本库。这样Prompt才能可版本化、可评测、可回滚，不再是玄学调参。
Context Engineering——知识与记忆的窗口
核心目标只有一个：让模型在正确的时间看到正确的资料。怎么做？通过检索、筛选、排序、压缩、权限过滤、引用绑定，最终生成一个上下文包。
- 上下文窗口管理：原始文档、历史对话、工具返回结果，按优先级整理成六大区块——系统指令、当前任务、关键证据、近期对话、工具结果、工作状态。
- RAG体系：离线阶段做文档采集、清洗切分、向量化与索引库构建；在线推理阶段，通过查询改写、召回、Rerank、上下文拼装、模型生成、引用输出来完成答案生产。
- 更进一步的Agentic RAG：从单次检索升级为模型主动判断是否需要改写查询、拆解子问题或持续检索。相当于模型有了“查资料”的主动性。
- 上下文组装器：对输入材料做优先级排序、去重、冲突检测、权限过滤、格式化，最终输出一个可用的上下文包。
- 长文档处理方面，通过去重裁剪、摘要压缩、证据定位、关键片段提取来应对。
- 多模态场景也一样——文本、图片、表格、代码、日志、网页截图，统一处理后生成一个结构化的上下文包。
Harness Engineering——系统的安全护栏
2025年Agent的能力确实爆发了，但可靠性问题也跟着爆发——死循环、忘事、无视规则、低级错误层出不穷。Harness Engineering解决的，就是让AI在你划定的轨道里跑，别跑偏。
一个很贴切的类比：模型像CPU提供算力，上下文像内存存放信息，Harness像操作系统负责调度，Agent像应用程序完成任务。
- ETCLOVG框架：执行环境（E）、工具接口（T）、上下文与记忆（C）、生命周期与编排（L）、可观测性（O）、验证与评估（V）、治理与安全（G）。
- 执行环境：通过沙箱实现安全隔离（代码/命令/网络限制）、可复现性（一键重置、初始状态一致）与自主性提升（减少人工授权）。
- 工具接口：MCP（Model Context Protocol）和A2A（Agent-to-Agent）这两个标准化协议，解决模型无法直接操作软件界面、API、命令行的问题。
- 记忆管理：短期上下文（工作内存）、中期会话记忆（会话级缓存）、长期持久记忆（向量/图数据库）三层体系，层层递进。
- 生命周期编排：单智能体用ReAct（思考-行动-观察-反思），多智能体用规划者-执行者-评审者分工，全流程管线则可以跑一条从GitHub Issue到开发、测试、PR的自动化流水线。
- 可观测性：链路追踪（模型/工具/上下文变化）、成本与性能监控（Token消耗、推理延迟）、故障运维（循环调用、环境异常、推理失效），缺一不可。
- 验证与评估：从只看最终分数，升级为全过程质检——任务定义、运行前校验、链路采集、多维度评判（结果/工具合理性/效率/合规）、回归迭代。
- 治理与安全：权限管控（文件/网络/工具精细授权）、执行钩子（前后检查点、拦截违规）、组件加固（防沙箱逃逸、防提示注入）、审计与合规。
- 报告还提出了一个三元悖论：质量、速度、成本，三者此消彼长，必须按场景取舍。
Loop Engineering——循环的设计与自主执行
这是最碘伏的一层。核心转变在于：从人不断手动驱动智能体，演进为人设计循环，循环自动驱动智能体。
- 外循环与内循环：外循环决定要不要启动下一轮，内循环负责这一轮里具体怎么做。
- 六大组件：
- Automations：定时触发、扫描状态、总结失败。
- Worktrees：隔离并行任务，避免多智能体文件覆盖与代码冲突。
- Skills：通过SKILL.md沉淀项目知识（规范、流程、踩坑记录），一次配置就能持续复用。
- Plugins & Connectors：通过MCP连接工单系统、数据库、Slack、CI、API等真实环境。
- Sub-Agents：角色拆分（探索、开发、审核、校验），解决自审盲区，实现交叉验证。
- Memory：外部持久化记忆（Markdown/任务看板/状态文件），解决重启后遗忘问题，实现跨循环无缝延续。
- 自动化任务：对比单次AI执行，Loop支持按频率重复（/loop）或直到满足条件（/goal），配合独立校验模型确保结果可信。
- 实践映射：Codex内置Worktree支持多线程并行；Claude Code支持独立工作目录、子智能体隔离与任务后自动清理。
总结与未来展望
- 四大工程一句话总结：Prompt解决怎么问，Context解决让AI看到什么，Harness解决AI在什么环境里工作，Loop解决AI做完一步后怎么办。
- 三阶段演进：阶段1指令驱动（Prompt Engineering，简单/单轮/静态）→阶段2信息驱动（Context+Harness，多轮对话/工具调用，仍需人工干预）→阶段3系统驱动（Loop Engineering，长周期/多步骤/自主迭代）。
- 本质：从给模型写指令，到给模型提供信息与环境，再到搭建一套会自己运行的系统。这才是真正的系统思维。
