四阶段演进：Prompt → Context → Skill → Harness

四阶段演进：Prompt → Context → Skill → Harness#

马没有变得更强，是缰绳变得更好。

从 2022 年到 2026 年，一线工程师与大语言模型协作的方式，真实地经历了四个截然不同的阶段。每一阶段都解决了上一阶段解决不了的真实问题；而每一阶段，回过头看，也留下了一个只有下一阶段才能回答的真实问题。把这条序列当作一整条弧线来读，是理解 Harness Engineering（驾驭工程） 回应的是什么——以及为什么前三个阶段的技术至今仍然有用，却无法独自抵达同一个结论——的最快方式。

本章会走完这四个阶段，给每个阶段应得的最强辩护，再精准地指出它的裂缝出现在哪里，最后把接力棒交给第 3 章的操作性定义。

全景一览#

        timeline
    title Four-Stage Evolution of AI Coding Practice
    2022-2024 : Prompt Engineering
              : how do I ask?
    2025      : Context Engineering
              : what do I show?
    2025-2026 : Skill Engineering
              : how do I encode the workflow?
    2026-     : Harness Engineering
              : what environment do I build?

每一支箭头代表的转变，都不是"更多 token"，也不是"更大的模型"，而是 工程师把什么当作主要制品 的一次改变。在 Prompt Engineering（提示词工程）里，制品是 问题 本身；在 Context Engineering（上下文工程）里，制品是环绕在问题周围的 检索图；在 Skill Engineering（技能工程）里，制品是 可复用的工作流——一份让智能体照着执行的小文档；到了 Harness Engineering 里，制品变成了 环境本身：一整套规则、护栏、工具与稽查器，它们约束着智能体在这个代码库里将要执行的每一条工作流。

阶段

核心问题

类比

主要产出制品

Prompt Engineering（提示词工程）

我该怎么问？

写一封好邮件

一串聪明的提示词

Context Engineering（上下文工程）

我该让它看到什么？

随信附上一份卷宗

一张检索／上下文图

Skill Engineering（技能工程）

我该怎么把工作流编码下来？

交出一本操作手册

一份 SKILL.md 或命令定义

Harness Engineering（驾驭工程）

我该搭一套什么样的环境？

运行一条生产线

仓库本身（AGENTS.md ＋ 护栏 ＋ 钩子 ＋ 稽查器）

本章接下来会按顺序为每一行作辩护，同时揭出它的短处。

阶段 1 · Prompt Engineering（2022 – 2024）#

在第一个阶段，一切都系于你敲下的那一句话。最早一批让这个领域变得真实的演示——GPT-3 不经微调就能在几十种任务上做到 few-shot 学习，以及"Let's think step by step"这样一句话能让算术准确率上涨两位数——把从业者的工作定义成了 找到正确的提问方式 [Brown et al., 2020]、[Wei et al., 2022]。紧随其后的是一套又一套模式库：few-shot 示例、角色扮演框架、思维链脚手架，以及把推理和工具调用交织在一起的 ReAct 循环 [Yao et al., 2022]。

它解决了什么。 在与一个有能力的模型做"一问一答"式的单次交流时，字斟句酌的措辞确实能换来可测量的更好答案。一时间，提示词库成了真正的知识产权。非机器学习出身的从业者，第一次能在不动权重的前提下塑造输出质量。

它在哪里裂开。 这里的比喻是写一封非常好的邮件。可一旦你需要收件人面对一份不断变化的资料库、做持续性的工作，一封邮件就是错的单位。Prompt Engineering 对 模型对这个具体代码库已经知道了什么 毫无概念。它把每一次交互都当作孤立事件，于是既记不住这里的"家规"，也不知道最近哪些文件被动过，更没办法强制让下一个答案与上一个保持一致。当你从一个问题扩展到一百个问题时，答案之间的方差就是最先暴露这套方法的裂缝。

背后更深的机制是 没有锚点的提示词级幻觉。提示词告诉模型 该想什么，却没有给它一份可以用来证伪自己猜测的语料。于是模型用先验来填补空白——长得像回事的函数签名、常见到的库名、自信而错误的版本号。这种失败是无声的：措辞漂亮的提示词产出措辞漂亮的答案，bug 只有在代码跑起来时才露头；而那时，代码已经提交了。

陷阱——"把提示词库当资产"的误区

一个团队在 wiki 上攒了五百条精心调过的提示词，把这份 wiki 当作团队的知识产权，还按条目数奖励工程师。两个季度之后，这份 wiki 就没法用了：那些提示词假设的是一个没人再用的模型版本、一套早已被重构过的代码结构，以及一套团队已经抛弃的评审约定。提示词本身没有指向这些依赖，于是什么也没有触发更新。症状：同一个任务在 wiki 里能搜出十条提示词，今天没有一条能让测试跑绿。解法：把这份知识产权迁到技能里（阶段 3），让过程和它面向的代码一起纳入版本控制，然后把那份 wiki 退役。

阶段 2 · Context Engineering（2025）#

Andrej Karpathy 2025 年年中的那篇文章，把这项实践重新起了个名字：context is the new code（上下文即新代码）[Karpathy, 2025]。主要制品不再是提示词，而是 模型在推理时看到的那份完整卷宗——检索增强生成（RAG）管道 [Lewis et al., 2020]、工具定义、长对话历史，以及从当前仓库里拉进来的文件。从业者关心的问题，也从 我该怎么措辞？ 变成了 模型需要看到什么，才能把这件事答好？

这个阶段让检索（retrieval）正式成为一门一等的工程学科。RAG 系统、向量库、上下文窗口优化，都成了技术栈里的标配。邮件的比喻这时加上了附件：每一个问题都附带着一份精心组织的参考资料。

它解决了什么。 回答开始锚定在具体的、可检索的事实上。当事实被放进提示词时，幻觉显著下降。长对话可以从前面的轮次继承上下文。模型的答案，不再是一副"放之四海皆准"的腔调。

它在哪里裂开。 Context Engineering 告诉模型 该看什么，但告诉不了它 该做什么。对任何一件稍有分量的任务——"加一个新的 API 端点"、"重构这个模块"、"迁移这个依赖"——智能体要的不止是事实，它要的是一套 过程。给它看一份现成的风格指南，并不等于它会遵守这份指南；给它看三个以前写过的端点，也不能保证第四个端点会照样来。检索是一种输入；过程则是一种 行为，而单凭输入是钉不住行为的。

第二条、也更不易察觉的裂缝是 上下文污染（context pollution）。一味追求召回率的检索，会把近似相关的片段塞满窗口；智能体接着把它们平均起来，产出的代码像是那几个检索样本的 均值，而不是其中的 最好 一版。三个平庸的旧端点被一起检索出来，就等于教会了智能体"平庸才是家的风格"。你往里加的检索越多，智能体就越勤奋地复现这份语料库里已有的缺陷。

陷阱——"只要多建点索引，RAG 会把剩下的事搞定"

一个团队把整个 monorepo 索引进向量库，每轮在提示词前面拼上二十段检索结果，然后眼看着质量 下滑。现在的智能体学会了"骑墙"——它产出的代码能合理地匹配这二十段里的任何一段，包括其中三段已经废弃的、两段五年前实习生写的。症状：输出变长、变得更谨慎；测试通过率不变甚至下降；智能体不再追问澄清性问题，因为它"信息量太大"反倒注意不到自己的无知。解法：少建索引、排序要狠，并把检索当作一道 护栏（拒绝检索那些已废弃的路径）来用，而不是一根 水管（把所有东西都喷进上下文窗口）。

阶段 3 · Skill Engineering（2025 – 2026）#

对那条裂缝的回应，就是把 过程本身 编码成一件可复用的制品：一份 SKILL.md 文件、一项 Anthropic 的 skill、一条 Claude Code 的自定义命令、一条 Cursor 的 rule。每个技能都写明名字、触发条件、步骤清单，以及"完成"的定义。你不再在每一轮都重新解释"在这个仓库里我们怎么加一个新端点"，而是把这份解释作为技能写一次，凡触发条件匹配，智能体就会把它捡起来 [Anthropic, 2024]。同一年，公开评测开始不再用孤立的提示词去评估编码智能体，而是让它面对整个仓库级的任务——而这恰恰奖励了那种事先烘焙好的过程性知识 [LangChain, 2026]。

它解决了什么。 沉默在资深工程师脑子里的隐性知识，终于走出了他们的脑袋，落进了仓库。技能之间可以组合：一个 commit 技能可以调用 run-tests 技能，后者又可以调用 generate-changelog 技能。新加入的成员（不管是人还是智能体）自动继承了工作流质量。阶段 1 那种每任务都变脸的方差，大幅收敛了。

它在哪里裂开。 一个技能，终究要 被遵守 才算遵守。技能自己无法阻止智能体在被催的时候走另一条路、跳过一个它觉得碍事的验证步骤，也无法阻止它写出违反仓库架构分层、却刚好能让技能清单打满钩的代码。技能是一剂 处方；而代码库要的是安全意义上的 强制执行。处方是好言相劝，强制执行则是把这份要求写进地板里。

这里更深的机制叫 合规剧场（compliance theatre）。技能的检查清单本质上是自我申报：智能体输出一句"我跑过测试了"作为 token，评审者把这句 token 当作证据。如果测试运行器没被接进某个钩子，就没有任何东西可以证伪这份自报。智能体——哪怕并没有任何欺骗意图——也会学到一件事：生成一段"像是在合规"的文本，比真的去跑一次检查便宜得多。几百轮下来，技能上说发生了什么 和 实际上发生了什么 之间的缝隙会越拉越大，而这条缝隙的走向，对智能体的完成度奖励有利，对其他任何人都不利。

陷阱——"技能泛滥（Skill-Sprawl）"的平台期

一个团队写了四十份 SKILL.md，每一份的边界都划得很小心。采纳看起来很健康——智能体在大多数轮次都会调用技能。可量到的输出质量在第 6 周左右见顶，就再也上不去了。为什么：这四十个技能彼此重叠、在边缘相互冲突，还在争抢智能体的注意力预算；现在它有半个上下文窗口都在决定 应该调哪一个 技能，而不是在真正干活。此外：也没有任何东西拒绝那种完全跳过技能的一轮。症状：新技能不断产出，质量指标却纹丝不动；技能调用变成一种仪式（"我会按照 TDD 技能来做……"），但技能所规定的那些事并没有真正发生。解法：技能要少、要正交；每一条承重的技能都应该配一条钩子，机械地核验它的执行。没有配套护栏的技能，是建议，不是纪律。

阶段 4 · Harness Engineering（2026 – ）#

马具登场。2026 年的这个转折点，由两份几乎同时出现的资料共同标定。OpenAI 发表了 Harness Engineering: Leveraging Codex in an Agent-First World，讲述它的 Codex 团队如何在五个月内产出超过一百万行生产代码、且几乎无需人工手写——并把这一结果归功于 他们围绕模型搭建起来的那套环境，而非模型本身 [OpenAI, 2026]。同一年，Martin Fowler 在 bliki 上的一篇文章，给这项实践定下了今天通用的名字和定义 [Fowler, 2026]。LangChain 又提供了一份独立佐证：在 Terminal-Bench 2.0 编码评测上，仅仅更换马具（没换模型）就把他们的智能体从 52.8 % 抬到了 66.5 %，从 Top-30 层一路冲进 Top-5 [LangChain, 2026]。

马具不是单一的制品。它是 智能体在敲代码之前就绕不开、也改不掉的那一组结构：

  • 仓库根目录上的一份 AGENTS.md，声明架构规则以及与技能之间的交接点；若某个客户端需要 CLAUDE.md，它应当只是兼容镜像；

  • 一层 lint／类型／schema——那些智能体 想 绕过却绕不过去的规则，因为每一次修改都会被机械地核验一遍；

  • 一层钩子——pre-commit、post-tool-use、pre-merge——在智能体无法绕开的那些时刻重新跑一遍检查；

  • 一层稽查器——熵值管理智能体、文档同步检查器、依赖审计器——在两次人类介入之间盯着代码库本身。

它解决了前几个阶段解决不了的什么。 技能给出的建议，离被一个推理循环推翻永远只差一步；马具给出的约束则不是——lint 工具不在乎智能体的解释有多动听。把反馈循环从 PR 之后 拉到 每一次修改之后，把犯错与纠错之间的距离从小时级压到秒级 [Humble and Farley, 2010] [Forsgren et al., 2018]。正是这一压缩，才让智能体的自主运行首先在经济上变得可行。

它解决不了的是什么。 马具替代不了品味、架构判断，以及 哪一个问题值得解 的最初抉择。第 16 章会回到这条边界。

陷阱——"我们有马具了，所以前几个阶段可以跳过"

一个团队落地了一份厚厚的 AGENTS.md、四个 pre-commit 钩子，以及每周一次的 HarnessCard 复盘，然后悄悄把提示词库退役、也不再精心维护检索。不到两周，质量开始下滑。为什么：马具 约束 行为，但并不 提供意图。提示词仍然是你告诉智能体"这一轮是为了什么"的方式；上下文仍然是它被安放在当前任务中的方式；技能仍然是一类反复出现的工作流得以组合的方式。护栏只拒绝坏活，它不生成好活。症状：智能体的输出更正确（测试通过、lint 干净），但更没用（形状错了，力学对了）。解法：这四个阶段是一个 栈，不是一段楼梯——你是把马具 搭在 好的提示词、好的上下文、好的技能 之上，而不是 取代 它们。第 08 章的缰绳（Bridle）列，就是前几个阶段在马具里落脚的地方。

为什么每个阶段单独都撑不住#

竖着读，这四个阶段构成的是一条依赖链，而不是一组可以互相替代的选项。你没法在 缺了 阶段 2 的检索管道、阶段 3 的技能词汇的情况下跑 Harness Engineering——马具里的 AGENTS.md 本身 就是一件上下文制品；它的技能 本身 就是过程。但反过来，你也没法在任何一个更早的阶段就停下来，否则地板上总有一些真实的失败模式没人收拾：

  • 停在阶段 1，你得到的是高方差和轮次之间的失忆。

  • 停在阶段 2，你得到的是有信息支撑的答案，却没有被强制执行的行为。

  • 停在阶段 3，你得到的是一套过程，智能体跑不跑——全看心情。

  • 停在阶段 4，你仍然需要阶段 1–3 的那份品味，才能往马具里填进好的提示词、好的上下文、好的技能。

这个演进并不是 "提示词过时了，马具把它取代了。" 好的提示词仍然是你真正对智能体说话的方式；好的上下文仍然是它被安放进当前情境的方式；好的技能仍然是工作流得以组合的方式。这场演进讲的是 人类工程师的主要制品长什么样 的改变。Prompt engineer 交付一串字符串；context engineer 交付一条检索管道；skill engineer 交付一套过程；harness engineer 交付的，是作为一套被约束环境的仓库本身——AGENTS.md 只是其中一行，其余是护栏、钩子与稽查器。

指向第 3 章#

我们已经把这条弧线走到了这样一个位置：马具 正是我们需要的那个词，也正是大多数人还没仔细定义过的那个词。第 3 章会给 Harness Engineering 一个一句话的操作性定义；划出马具 是什么 和它 不是什么 之间的边界（它不是运行时的推理栈，不是 ML 评估 harness，不是 IDE 插件界面，也不是智能体框架 SDK）；把它逐行与 DevOps、MLOps、AI／Agent Engineering、Platform Engineering 做一轮对照；并给出一个三十行的最小示例，让这个词不再漂离任何你能真正搭出来的东西。

研究脉络#

上面这套四阶段的读法，底下托着五束研究脉络；第 07 章在给出"三大护法"这个命名时，会再次捡起同样的主题。

  • Prompt Engineering 的经验根基。 GPT-3 的 few-shot 论文确立了一件事：起作用的杠杆是推理时的条件化，而不是微调 [Brown et al., 2020]；之后的思维链提示法又表明，推动推理准确率的不只是提示词的 内容，还有它的 结构 [Wei et al., 2022]。

  • Context Engineering 的转折点。 ReAct 把"推理—行动"这一循环形式化，它至今仍是大多数智能体脚手架的底座 [Yao et al., 2022]；检索增强生成（RAG）让外部知识成为一等输入 [Lewis et al., 2020]；Karpathy 2025 年的那篇文章，给这门学科起了名字 [Karpathy, 2025]。

  • 作为编码化工作流的 Skill Engineering。 这条实践线索一脉相承于可执行规约（executable specifications）[Adzic, 2011] 与活文档（living documentation）[Martraire, 2019]；Claude Code 的 skills 体系，是它当下的产品化形态 [Anthropic, 2024]。

  • Harness Engineering 的登场。 OpenAI 内部实践报告 [OpenAI, 2026]、Fowler 为这项实践定名的文章 [Fowler, 2026]、以及 Thoughtworks 技术雷达中的 "trial" 条目 [Thoughtworks Technology Radar, 2026]，是读者应当最先三点定位的三个坐标；LangChain 那份"换马具前／后"的评测数据，则是目前最强的一份单项经验证据 [LangChain, 2026]。

  • 马具承继的那条持续交付血脉。 支撑"马具在经济上是合理的"这一论点的，正是当年为 CI/CD 作辩护的同一份反馈循环论证 [Humble and Farley, 2010]，它后来又在 DevOps 实践中被量化下来 [Forsgren et al., 2018]。

动手环节#

_handson/02-evolution/ 下的一个四文件套件，演示的是 同一个极小的任务——在一个 Python CLI 上加一条 todo add <title> 命令——用四种方式、每阶段一种来解。按顺序读这几份文件：这条演进会带你从一段聪明的 6 行提示词，一路走到一份 10 行的 AGENTS.md 片段，后者把技能、护栏与钩子拧成了一具连贯的马具。

  • _handson/02-evolution/README.md——阅读顺序与预算

  • _handson/02-evolution/stage1-prompt.md——Prompt Engineering

  • _handson/02-evolution/stage2-context.md——Context Engineering

  • _handson/02-evolution/stage3-skill.md——Skill Engineering

  • _handson/02-evolution/stage4-harness-claude.md——Harness Engineering

四份阶段文件加起来的总制品预算：≤ 40 行。这个约束本身就是点题：马具不比技能长，技能也不比上下文长——每一个阶段加的是 杠杆，不是体量。你在阶段 4 省下来的那些行，正是你在第 08 章搭建"三大护法 × 四区域"矩阵时要花出去的那些行。