LLM 工程三阶段对比分析

概述

对比分析 Prompt Engineering、Context Engineering 和 Harness Engineering 三个阶段的核心差异、演化驱动力和未来发展趋势的详细研究。

关键内容

三阶段基础维度对比：
Prompt Engineering: 核心问题是"怎么说，让 AI 听懂？"，操作对象是自然语言指令文本，人类角色是指令设计师，AI 角色是执行单次任务的工具，关注输入端的Token级别。主要挑战包括幻觉、不稳定、不可迁移等问题。
Context Engineering: 核心问题是"给 AI 什么信息，它才能做好？"，操作对象是上下文窗口中的信息内容与结构，人类角色是信息架构师，AI 角色是在信息流中工作的助手，关注信息流的系统级别。主要挑战包括检索质量、上下文稀释、记忆管理等。
Harness Engineering: 核心问题是"设计什么环境，AI 才能持续做好？"，操作对象是代码库环境、约束系统、反馈循环，人类角色是环境架构师，AI 角色是自主编码的主体，关注工程环境的组织级别。主要挑战包括熵增、约束设计、人机协作边界等。
技术机制与演化分析：
核心机制: Prompt Engineering 依赖条件概率引导 P(y｜prompt)，Context Engineering 采用信息检索 + 上下文组装，Harness Engineering 使用机械约束 + 反馈循环。
约束类型: 从 Prompt 的软约束（语言描述）发展到 Context 的半软约束（结构化注入），再到 Harness 的硬约束（CI 门控，不可绕过）。
演化驱动力: 从 Prompt 到 Context 的跃迁由上下文窗口突破（4K → 128K）、LLM推理能力提升和企业级RAG需求爆发触发；从 Context 到 Harness 的跃迁由 Agent能力跃迁、规模化代码生成后的质量崩溃以及OpenAI Harness案例的示范效应驱动。
未来发展趋势：
短期趋势（2025-2026）包括Harness基础设施产品化、多Agent协作标准化和自进化约束系统的发展。
中期预测（2026-2028）预测第四阶段将是组织工程（Organizational Engineering），重点设计人机协作的整个组织系统，人类将专注于目标设定、价值判断、伦理边界和战略方向。
长期预测（2028-2030+）预示了"软件即意图"和自我演进软件系统的出现，工程师角色将从编码转向意图表达和系统目标设定。

来源

ai-engineering--04_comparison_and_future — LLM 工程三阶段：对比分析与未来预测

LLM 工程三阶段对比分析

概述

关键内容

来源

相关