一、AI 工程化的三个时代

从 2020 年至今AI 工程化走过了三个阶段。每个阶段解决的问题各不相同，却是层层叠加而非相互替代。

>< > > > >

阶段	时间	要解决的问题	主要思路	代表产品/技术
Prompt Engineering	2023‑前期	模型不知道你想要什么 → 通过调整输入文本让它“听话”。	写“完美”prompt	ChatGPT、GitHub Copilot 等
Context Engineering	2024‑中期	模型缺少背景信息 → 把相关资料塞进去。	检索 + 提高输入	Cursor、Trae、RAG 系列工具
Harness Engineering	2025‑至今	模型不可控 → 约束其行为。	在外部为模型搭建“围栏”。	Claude Code、Codex、Hermes 等实现方案。

关键分界线：

痛点共鸣：

• 写了千行 prompt，结果仍然时好时坏？——因为你只是在教马听话，却没有拴住缰绳。
• 把所有文档塞进上下文，却仍然出现“我忘记了前面的内容”？其实，——因为 LLM 天生无状态。
• 想让模型直接去查询天气。却只能得到一句“我帮你查”，却没有实际数据——因为它根本无法操作外部世界。

二、理解 Harness 之前。先认识 LLM 的四大硬伤

L​LM 天生带有四个结构性缺陷，这些不是 bug，而是设计决定的限制。其实，只能通过约束来弥补。

. 无状态

L​LM 每一次调用都是一次独立的 HTTP 请求。服务器处理完就忘记你的身份和历史。即使在 ChatGPT 界面上看到连续对话。那也是前端帮你拼接上下文，并不是模型内部记忆。

Pain point： 你在对话中频繁出现“上一次我们说了…”，却发现模型根本不记得！这导致业务流程需要手动保存上下文，效率低下。

Harness 的做法： 在外部维护持久记忆文件（CLAUDE.md。MEMORY.md)，每轮请求都强制注入这些文件。这样相当于为 LLM 配置了一张地图，而不是期待它自行长出脑袋。话说回来，

. 无法直接操作外部世界

L​LM 本质是词语接龙。只能生成文字描述，而没有真正执行代码或访问 API 的能力。

Pain point： 当使用者要求 “帮我查询今天北京的天气”。AI 常常只能回复 “好的，我帮您查询”，却没有实际返回天气数据，导致使用者体验破碎。

Harness 的做法： 在程序层注册工具。 把每个工具包装成 LLM 能读懂的 JSON Schema，并写入 System Prompt。L​LM 只负责生成调用意图，真正执行交给 Runtime。这样形成“认知植入 + Runtime 执行”的双层桥梁。

. 输出概率性

Pain point： 每次运行同一段代码生成 Prompt。都可能得到语法错误或逻辑漏洞，需要人工反复校验，耗时耗力。

Harness 的做法： 引入 Loop机制：生成 → 检查 → 不达标则重试 → 达标后交付”。检查环节可以使用轻量正则/JSON Schema。也可以让同一个 LLM 扮演审查者角色，实现自检闭环，从而将概率性转化为可接受的可靠度。

. 有限

Pain point： 大型项目往往需要跨文件引用和长期历史记录。但一次请求只能放进几千个 token，导致信息丢失或摘要失真，引发错误决策。怎么说呢，

Harness 的做法： 采用分层管理：主要规范必带；参考资料按需检索，历史对话压缩成摘要。这样保证 L​LM 每次只看到最关键的信息，而不是被噪声淹没。

三、Prompt 与 Context 的局限性——为什么它们不能解决掉实际问题？说起来，

PROMPT ENGINEERING：

• "写得越精准越好" 的假设忽略了不同模型之间还有同一模型不同时间点表现的不一致性；同一段千字 prompt。模型可能只捕捉到其中一句关键句子，就产生偏差结果。

SITUATION: 你花大量时间打磨 Prompt。却仍然收到 “跑偏” 或 “漏掉关键信息” 的反馈，这种无力感正是 Prompt 本身难以克服的根本问题。不过，

# CONTEXT ENGINEERING：

"把全部资料塞进去"。但如果资料未被有效利用，仍然会出现 “我不知道该怎么用这些信息”的情况；说起来，检索与提高过程依赖于 L​MM 自己对上下文的理解能力。一样受限于其固有缺陷，

"依赖模型自行消化背景"，这把控制权又交还给了不可预测的黑盒子。

"看似提高准确度。却仍旧不稳" —— 因为底层仍旧是让 L​MM 去自行解释，而不是强制约束其行为。

# 痛点：业务方经常抱怨 “我们已经提供完整文档，可 AI 仍然答错”。这说明仅靠 Prompt/Context 已经触及瓶颈。

四、Harness 四层约束架构——从根本拴住千里马🐎

至于第一层，记忆层 — 地图

为什么要记忆？

因 为LLM 是无 状态，只有外部显式注 入才能形成连续业务流。

第二 层：护栏层 — 围栏

---