AI 工程三代演進
AI 工程從 2022 年至 2026 年歷經三個典範轉移：怎麼說（Prompt）→ 看什麼（Context）→ 怎麼幹（Harness）——每一代解決的核心問題不同。
三代對照表
| 世代 | 名稱 | 年代 | 核心問題 | 主要技術 |
|---|---|---|---|---|
| 第一代 | Prompt Engineering | 2022–2024 | 怎麼說：如何表達指令讓模型聽懂 | Few-shot、Chain of Thought、Role prompting |
| 第二代 | Context Engineering | 2025 | 看什麼：如何在正確時機把正確資訊送入 context | RAG、記憶管理、工具定義、上下文壓縮 |
| 第三代 | Harness Engineering | 2026 | 怎麼幹：如何設計持續執行、驗證、恢復的運行系統 | 多 Agent 架構、外部記憶、生成/評估分離、確定性約束 |
各代的演進邏輯
第一代：Prompt Engineering（2022–2024）
焦點在輸入端——如何措辭、如何給示例、如何引導模型推理。
核心假設：模型知識夠了，關鍵是問法。
問題：到了 2024–2025，模型足夠強，單靠問法已不是瓶頸。
第二代：Context Engineering（2025）
焦點在資訊供給——把哪些資訊、在什麼時機送進 context window。
核心技術：MCP 三層架構、上下文壓縮、RAG。
問題：資訊供對了，但 Agent 在長鏈路任務中仍然不穩定——每步成功率 95%、20 步後剩 36%（見 長鏈路成功率衰減）。
第三代：Harness Engineering（2026）
焦點在執行機制——設計模型的外部運行系統，讓 Agent 能持續做對。
核心技術：3A 架構、Externalized Memory、工具約束原則、確定性 Linter。
見 Harness Engineering 詳細說明。
演進鏈條
Prompt Engineering
→ 解決：模型表達 & 指令理解
→ 留下問題：資訊供給不足
Context Engineering
→ 解決：資訊供給 & 記憶管理
→ 留下問題：長鏈路執行不穩定
Harness Engineering
→ 解決：執行機制 & 系統可靠性
→ 留下問題：Harness 本身的「可撕裂性」（隨模型進步部分機制變多餘）
類比：從計算機發展史看
Karpathy 指出 1950–60 年代有一個選擇：計算機應該像「計算機（Calculator）」還是「神經網路（Neural Net）」？當時選了計算機路徑。
三代演進是一條從傳統計算邏輯（Prompt = 指令集）走向類神經運算邏輯（Harness = 運行系統）的移轉路徑。詳見 軟體 3.0 框架。
相關概念
強連結（原文明確提及）
- Harness Engineering — 第三代的完整說明
- 長鏈路成功率衰減 — 第三代出現的直接動機
- 3A 架構 — 第三代的代表性實作
- MCP 三層架構 — 第二代的代表性技術
- 上下文壓縮 — 第二代的核心操作
推斷連結（LLM 認為相關，待確認）
深入閱讀
← 回到 wiki