文章指出随着AI从简单问答转向复杂任务执行仅靠Prompt Engineering已不足够。文章提出了Harness Engineering的概念强调为AI搭建可靠的工作环境至关重要。Harness Engineering关注AI执行环境的设计包括工具使用、状态持久化、失败恢复、日志监控等确保AI持续稳定输出。文章还介绍了OpenAI的观点强调将隐性知识显性化、设计可维护的系统以及建立反馈回路的重要性。最后文章提出了Harness Engineering的五层结构指令层、知识层、工具层、反馈层和治理层帮助开发者构建可靠的AI系统。当 AI 开始真正干活决定结果的就不只是提示词而是你给它搭了一个什么样的工作环境。Prompt 写得挺好为什么 Agent 还是老掉链子你有这种感觉吗让 AI 回答一个问题其实已经很顺了。写一段 prompt让它总结、翻译、写代码、改文案大多数时候都能出结果。可一旦你想让它连续工作半小时、改十几个文件、跑测试、查日志、开 PR事情马上就不一样了• 提示词明明写得不错结果跑到一半偏题了• RAG 也接了文档也喂了还是会漏掉关键约束• 测试过了但产出不稳定这次能用下次就翻车• 一出问题你根本说不清到底是模型不行还是环境设计得不对问题出在哪儿很多人还在把注意力全放在 prompt 上。但当 AI 从“回答问题”变成“执行任务”真正的难点已经变了。只靠 Prompt Engineering 行吗不行。它优化的是一次输入、一次输出。只靠 Context Engineering 行吗也不行。它解决了“给 AI 看什么”但还没解决“让 AI 在什么环境里可靠工作”。今天想聊的就是 2026 年开始被越来越多人认真讨论的Harness Engineering。如果说 prompt 是你跟 AI 说话的方式context 是你给它看的信息那 harness 就是你给它搭的整个工作台。1、过去三年AI 工程关注点其实换了三次把这三年连起来看会很清楚。1.1 Prompt Engineering把一句话说对这一阶段大家都在研究提示词。怎么写角色怎么拆步骤怎么让模型按格式输出怎么少跑偏。这当然有用。直到今天也有用。但它有一个天然边界它更像是在优化一次性的输入输出对。你问一次它答一次。任务一旦拉长光靠 prompt 顶不住。1.2 Context Engineering不只改措辞而是改信息环境到 2025 年大家慢慢发现问题常常不是“你说得不够好”而是“AI 根本没看到该看的东西”。于是焦点从 prompt 变成 context• system prompt 怎么设计• 对话历史怎么保留• memory 怎么组织• RAG 检索什么文档• tool output 怎么回灌给模型这一步已经前进很多因为你开始把模型放进一个更完整的信息系统里看。1.3 Harness Engineering开始关心整个执行环境Harness Engineering 比 Context Engineering 再往前走了一步。它不只关心“往模型里塞什么”还关心模型之外的一整套执行条件• 它能用哪些工具• 工具调用怎么路由• 状态怎么持久化• 失败了怎么恢复• 日志和指标能不能看见• 规则怎么被强制执行• 产出怎么审查、怎么回滚、怎么自动修正说白了Harness Engineering 研究的不是“AI 知不知道”而是“AI 干活时会不会失控”。2、Harness 到底是什么可以把 harness 理解成 Agent 的运行时总控层。模型是大脑工具是手文档是地图测试是护栏日志是仪表盘。而 harness就是把这些东西编排到一起、让它形成闭环的那套系统。它通常会负责下面几件事能力具体在管什么指令入口task、system prompt、验收标准怎么传进去上下文组织AGENTS.md、docs、历史记录、RAG 结果怎么喂给模型工具编排shell、浏览器、测试、Git、MCP、CI 怎么调用反馈回路lint、test、review、截图、trace、日志怎么回流可靠性重试、断点恢复、超时、回滚、人工接管治理权限、规范、审查、质量阈值、清理机制所以 Harness Engineering 的重点不只是“再写一个 agent loop”而是在回答一个更工程化的问题要怎么设计一个环境才能让 AI 持续地产出可靠结果3、OpenAI 这篇文章真正点醒人的地方在哪儿2026 年 2 月 11 日OpenAI 发了一篇官方文章工程技术在智能体优先的世界中利用 Codex。这篇文章最有价值的地方不是又给了一个新名词而是把工程重心讲透了。3.1 工程师的主要工作开始从“写代码”变成“设计环境”OpenAI 在文中写得很直白他们关心的是当软件团队的主要工作不再是手写代码而是设计环境、明确意图、构建反馈回路时会发生什么。这句话其实就是 Harness Engineering 的定义。你不再只是给模型一个任务而是在搭一个能让它自己推进、自己验证、自己修正的系统。3.2 AGENTS.md 不是百科全书而是目录这个判断我很认同。很多团队一上来就想写一个超级长的AGENTS.md恨不得把所有规则都塞进去。OpenAI 的做法是反过来•AGENTS.md保持简短只当地图• 真正的知识放在结构化的docs/目录里• 计划、设计、技术债、规范都进代码仓库版本管理这背后反映的是一个很典型的 harness 思路不要把上下文做成一坨而要把它做成可导航、可验证、可维护的系统。3.3 “看不见的信息等于不存在”文章里还有一个非常扎心的判断如果某些架构决策只存在于 Slack、飞书、聊天记录或者人的脑子里那对智能体来说它们就等于不存在。这也是为什么Harness Engineering会天然推动团队把隐性知识变成显性工件• Markdown 文档• 可执行计划• 规则文件• 测试与评估• 可观测性数据不是因为文档更“规范”而是因为只有被系统访问到的知识才真的能参与推理和执行。3.4 好 harness 一定有“垃圾回收”这篇文章还有个很妙的说法他们后来给系统加了类似“垃圾回收”的循环。原因很现实。AI 会复用代码仓库里已经存在的模式。好的会被放大坏的也会被放大。所以 Harness Engineering 不是把系统搭起来就完了它还得负责• 定期发现坏模式• 把团队偏好变成机械规则• 自动发起修复和重构• 让系统长期保持可读、可审、可维护这已经不是 prompt 优化了而是在给 AI 团队设计“操作系统”和“保洁系统”。4、一个像样的 Harness最少得有这 5 层如果你今天就在做 Claude Code、Codex、Cursor Agent、MCP Agent 或内部自动化助手我觉得可以先按这 5 层理解。4.1 指令层让任务边界清楚任务目标、验收标准、限制条件要能被 AI 看清楚。不是一句“帮我优化一下”而是• 要解决什么问题• 什么算完成• 哪些文件能改• 哪些约束不能碰4.2 知识层让它找到真正的记录系统别把知识散在聊天记录里。把架构、规范、计划、接口说明、质量标准都沉淀到仓库里让 AI 能导航。一个非常实用的结构长这样repo/ AGENTS.md docs/ ARCHITECTURE.md PRODUCT_SPECS.md RELIABILITY.md SECURITY.md exec-plans/ scripts/ run-evals.sh review-pr.sh再往前一步你甚至可以把 harness 的关键约束直接配置化harness: knowledge: [AGENTS.md, docs/] tools: [shell, playwright, github, observability] checks: [lint, test, review] recovery: retry: 2 rollback: true4.3 工具层让执行能力可组合AI 不只是看文档它还要能动手。所以 harness 里通常会接这些能力• shell• browser / Playwright• GitHub / PR• MCP servers• 测试和构建• 日志、指标、trace 查询工具不是越多越好关键是调用路径要稳定、返回结果要结构化、失败信号要明确。4.4 反馈层让系统能自己纠错如果 AI 改完代码之后没有测试、没有审查、没有截图、没有可观测性回流那它其实是在盲飞。Harness Engineering 最核心的价值之一就是建立反馈回路• 改完就跑 lint 和 test• UI 改动自动截图对比• 服务改动自动看日志和 trace• PR 自动拉 review再把评论回灌给 agent让 AI 不只是“做”还能“看见自己做得怎么样”。4.5 治理层让产出长期可维护这一层最容易被忽略。短期看AI 能把需求做出来好像就够了。但长期看更关键的是• 风格会不会漂移• 坏模式会不会扩散• 技术债有没有被持续清理• 人的判断能不能沉淀成规则Harness Engineering 真正工程化的地方就在这儿。5、给开发者一句更直白的话Prompt Engineering 解决的是“怎么说”。Context Engineering 解决的是“给它看什么”。Harness Engineering 解决的是“怎么让它像一个靠谱同事一样持续工作”。它关心的不是单次回答漂不漂亮而是这个系统能不能• 跑得久• 跑得稳• 出错能恢复• 结果可验证• 长期不烂尾所以从 2026 年开始真正拉开差距的可能不再是谁 prompt 写得更花而是谁先把环境、约束、反馈和治理这套东西搭出来了。模型决定上限context 决定它看见什么harness 决定它最终能不能交付。最后唠两句为什么AI大模型成为越来越多程序员转行就业、升职加薪的首选很简单这些岗位缺人且高薪智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200% 远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。那0基础普通人如何学习大模型 深耕科技一线十二载亲历技术浪潮变迁。我见证那些率先拥抱AI的同行如何建立起效率与薪资的代际优势。如今我将积累的大模型面试真题、独家资料、技术报告与实战路线系统整理分享于此为你扫清学习困惑共赴AI时代新程。我整理出这套 AI 大模型突围资料包【允许白嫖】✅从入门到精通的全套视频教程✅AI大模型学习路线图0基础到项目实战仅需90天✅大模型书籍与技术文档PDF✅各大厂大模型面试题目详解✅640套AI大模型报告合集✅大模型入门实战训练这份完整版的大模型 AI 学习和面试资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】①从入门到精通的全套视频教程包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图0基础到项目实战仅需90天全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤640套AI大模型报告合集⑥大模型入门实战训练如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】