内容目录
0、AI工程形态演进
AI工程领域的三次演进，分别解决了3个不同层级的根本性问题，使AI从单纯的问答走向复杂的工作，本质上就是把人类意图映射为模型行为并输出期望值的最小偏离结果：
- Prompt Engineering：让模型听懂用户的意图，旨在优化意图表达；
- Context Engineering：让模型拿到足够且正确的信息，旨在优化信息供给；
- Harness Engineering：让模型能够真的持续做对，旨在优化行为控制。
Prompt 是对 “提示词” 的工程化，Context 是对 “输入环境” 的工程化，Harness 是对 “整个运行控制系统” 的工程化。
1、Prompt Engineering
- 大模型的本质是一套“概率生成系统”，其生产机制是基于权重的下文补全模式。
- 提示词工程的本质是“塑造局部的概率空间”，最重要的工程能力是“语言设计”，解决的场景多为Chatbot。
2、Context Engineering
- Context包含了Conversation History（交互历史）、Task & Memory（任务与记忆）、Knowledge retrieval & Tools（外部知识与三方工具）、Rules & Structured outputs（规则和结构化结果）
- 经典实现——RAG外部动态扩展
a）文档切块：保留语义又方便召回；
b）检索排序：真正关键的内容优先进入上下文；
c）文档压缩：压缩长文档避免挤爆窗口；
d）记忆处理：历史对话何时摘要，何时保留原文；
e）结果筛选：工具返回的内容暴露多少给模型；
f）传输类型：多个Agent之间传递原文、摘要，还是结构化字段。
- 经典实现——Skill渐进式披露
a）元数据层（~ 50 Token）：仅包含技能名称、触发条件、功能概述，启动时全局加载；
b）指令层（~ 500 Token）：标准作业流程（SOP）、输入输出规范，仅在任务触发时加载；
c）资源层（按需加载）：脚本、模板、API 文档等，仅在执行具体步骤时动态调用。
3、Harness Engineering
- Agent = Model + Harness
- Harness = Agent – Model
4、Harness Engineering和Docker
Harness Engineering和 Docker 虽然处于不同的技术层级，但它们的核心设计哲学确实有异曲同工之妙。
它们最本质的共通点在于：为了“驯服”一个强大但“野性难驯”的系统，并能让它在生产环境中安全、稳定地运行，都通过“标准化+隔离”的手段，提供了约束、封装和环境一致性。
可以把它们的关系理解为“道”与“器”的相通，或是战略思想与战术武器的配合：
- 一个提供指导思想：Harness Engineering 是面向 AI Agent 的“治道”，它明确了要为“野马”（AI Agent）构建一套缰绳、马鞍和交通规则（即沙箱、工具权限、工作流约束）来驾驭它，以确保其输出质量、安全与可靠。
- 一个提供关键工具：Docker 是实现上述思想的“利器”，它打出的口号“Build, Ship, and Run Anywhere”就是一种极致的“驯服”手段。通过容器镜像，Docker 将应用程序及其所有依赖打包成一个标准的、在任何地方都一致的单元，杜绝了“本地能跑，线上就崩”的问题。
更具体来看，它们的异曲同工之妙体现在这三个层面：
-
目标一致——解决“野马”的可控性问题：
- Harness Engineering：要驯服的是能力强大但行为难以预测的 AI Agent，通过“驾驭体系”防止其越权操作或产生有害输出。
- Docker：要驯服的是在不同开发/生产环境中表现不一致的软件应用，通过“容器化”这个逻辑缰绳，约束应用的运行边界。
-
核心手段——创建一个标准化的“沙盒”：
- Harness Engineering：明确要求为 Agent 提供沙盒执行框架，而容器级隔离（即 Docker 技术）本身就是推荐的核心手段，用于隔离 Agent 的执行环境，限制其系统调用和网络访问，防止破坏宿主机。
- Docker：其核心技术就是利用 Linux 的
namespaces和cgroups创建一个进程级隔离的沙盒（容器），让应用在其中看似独占系统资源，实则被严格限制。
-
统一实践——“环境/约束即代码”：
- Harness Engineering：最佳实践之一是“Harness as Code”，主张将驾驭 Agent 的所有规则、工具权限、评测指标都用代码（如YAML）来定义，以实现版本管理和自动化。
- Docker：最佳实践是通过 Dockerfile 将应用环境的构建过程代码化，确保环境在任何地方都用同样的方式创建，实现了“环境即代码”。
在实际工程中，Docker 往往是 Harness Engineering 赖以实现的“标准配置”。一个设计良好的 AI Agent 系统，几乎必然会使用 Docker 容器作为其安全执行的基础环境，然后在其上叠加更上层的 Harness 策略，比如定义 Agent 在容器内能调用哪些特定 API、修改哪些路径下的文件、如何进行日志追踪等。
