AI工程范式的三次演化:Prompt Engineeri

---

你猜怎么着？同一个模型，有时候比傻子还笨，有时候却像天才！

说到这儿，我得跟你坦白一件事——这半年来，我一直被一个破问题折磨得睡不着觉。

你有没有过这种经历？明明用的是同一个顶级AI模型，今天它像个神队友，三下五除二帮你搞定了工作。第二天呢？好家伙，翻来覆去在同一个坑里打转，你恨不得钻进电脑里给它一巴掌！

我刚开始以为是自己prompt没写好。后来觉得是背景材料给得不够。直到花三天把一堆工程实践报告啃完，才发现——哈！我踩的坑，根本不是这个坑！

第一次栽跟头，摔得我怀疑人生

先讲个我的糗事。

2023年底那会儿，我写prompt那叫一个认真。跟写高考作文似的——“你是一位资深工程师”“请一步一步仔细思考”“输出格式严格按照如下要求”……

效果呢？时好时坏，全靠运气。

有一次可把我气坏了。我让一个Agent排查线上崩溃，把堆栈信息、错误日志全贴进去，洋洋洒洒写了几百字的prompt：“你是顶级SRE，请分析崩溃原因，重点关注xxx”……

结果你猜怎么着？

它在代码库里跟没头苍蝇似的乱转！翻了一大堆不相关的文件，输出了一份看起来有模有样、但屁用没有的报告。我盯着屏幕，血压直接拉满。

后来我自己动手排查，花了一下午才把问题理清楚，其实根源特别简单——就是一个符号重命名导致的调用链断裂。就这么一个入门级问题，号称能写代码的AI竟然搞不定。

我当时就觉得不对劲：我们是不是搞错了什么？

一顿操作猛如虎，一看效果像二百五

后来我换了个思路，结果让我直拍大腿。

我不再堆prompt了，而是给Agent加了点东西——就叫它“崩溃分析技能”吧。不是什么高大上的玩意儿，就几条具体方法：

• 遇到崩溃，先搜这些关键字
• 先调这个工具（提前配好了脚本索引）
• 去 git 历史里反查术语是什么时候引入的
• 翻翻过去怎么解决类似案例的

就这些。再跑起来，效果完全不一样了——Agent不再瞎逛，而是走一条清晰的路径：先搜关键字框定范围，然后调工具分析调用链，再查 git 记录。半小时定位问题。

我彻底反思了：Agent缺的根本不是“你再解释一遍任务”，而是“一条可执行的调查路径”。

说到这儿，你是不是也有种“原来如此”的感觉？

三件事，压根儿就不是一回事

从那天起，我开始琢磨这三件事到底有什么区别。

第一层：Prompt。 解决的是“怎么把任务说明白”。重要吗？重要。但别神话它。模型再牛逼，本质上还是个统计机器，不会因为你写了“请谨慎分析”就真的变得谨慎。你信不信？

第二层：Context。 解决的是“给模型喂什么”。日志、代码、案例、文档——喂对了，效果确实提升明显。但它只是优化“认知输入”——模型知道得更多，不等于执行得更稳。

第三层：Harness。 这才是真正的王炸。解决的是“怎么让模型在真实环境里可靠地干活”。

你想想，以前Agent表现不好的时候，我的第一反应是什么？“把prompt写长点”。

现在呢？我的第一反应是：它到底缺的是目标表达、任务材料，还是工程支架？

大部分时候，缺的是支架。

一个让我下巴掉下来的案例

说个真事。国外有个顶级AI团队做过一个实验：他们让Agent在3位工程师的监督下构建一套大型生产系统，最终代码量达到百万行，期间几乎没有人工直接编写。关键在于，他们设定了一条极度反直觉的规则——禁止任何人工手动输入代码。

这不是炫技，是倒逼。

当你绝对不能自己动手，你就只能把藏在脑子里的经验全变成系统可执行的规则：架构模式哪些能用、检查必须过哪些、代码库规范怎么统一……过去靠默契、靠经验、靠拍脑袋的东西，全得写成显式约束。

这就是Harness Engineering的精髓：把人类的隐性知识，变成Agent可以遵守的规则。

你琢磨琢磨，这有多炸裂。

最新研究告诉你：别再瞎折腾了

今年有篇综述把这事儿讲得挺透。它提出一个概念叫“绑定约束”——对于长任务，性能方差主要来自Harness，而非模型本身。

证据呢？有团队只调整了编辑工具和架构配置，模型权重完全不变，15个不同模型的编码基准成绩就提升了将近10倍。另一个团队固定同一个模型，只重写了系统提示词、增加了中间验证环节，终端任务的得分就从52.8%升到了66.5%。还有团队用自动优化的方法调整架构，得分达到了76.4%。

相比之下，模型本身迭代通常只带来两三个百分点的提升。

你品，光换模型不换Harness，效果有限。这事儿真不是我瞎编。

我现在是怎么干的？

跟你说说我现在的习惯，跟以前完全反过来。

以前我是先写prompt，再给材料，最后才想怎么跑。顺序全反了。现在呢？先用Harness想清楚：这个Agent需要什么运行环境？工具链怎么搭？状态怎么管理？失败了怎么恢复？然后再设计Context流动：每步该看到什么、哪些记忆要留、哪些要忘。最后才写Prompt，定义目标和输出格式。

顺序一反，效果差不少。

最后说句大实话

你想想，模型能力越来越强，它需要的其实是什么？不是“被更严厉地管束”，而是“给它一个自由发挥的舞台”。

人类要帮它搭舞台，而不是不断纠正它的每个动作。

用了一堆顶级模型但效果不好，大概率不是模型不够聪明——而是你还没给它提供足够好的运行环境。在烂系统上装再好的引擎，也跑不起来。

这可能是未来程序员真正的主战场——不是写代码，而是设计能让Agent高质量产出的环境。

最后送你一句话：

**想让Agent变得更好，要么换更强的模型，要么写更好的Harness。模型迭代速度已经在放缓，Harness这部分的提升空间，可能比你想象的大得多。**

我最近彻底翻新了团队排查Agent问题的思路。大多数问题就出在Harness上。

不是模型不行。

是你的舞台还没搭好。