一、LLM 大语言模型

• 本质：大模型本质上是一个磁盘上的超大参数文件

• 不同产品形态：

  • 将参数文件加载到显卡内存 + HTTP 接口 → 大模型 API 服务

  • 加上聊天界面 → 聊天 AI（如 ChatGPT、Claude）

  • 加上代码编辑器 → AI IDE（如 Cursor、Claude Code）

• 工作原理：基于当前输入的内容，预测下一个字词大概率是什么。本质上是在"猜"你想要什么——如果指令太宽泛，预测的答案就会非常发散

---

二、Function Calling

• 定义：Agent 和大模型之间沟通的约定

• 目的：让大模型的回答符合一定的格式，方便程序解析和处理

• 作用：使大模型能够"调用函数"，将自然语言指令转化为结构化的函数调用

---

三、MCP（Model Context Protocol，模型上下文协议）

• 定义：Agent 和工具服务之间调用的约定

• 目的：像接口文档一样约定：

  • 怎么调用工具

  • 怎么传参

  • 怎么接收返回值

• 意义：提供标准化的工具集成方式，让 Agent 可以无缝对接各种外部服务和插件

---

四、LangChain

• 定义：纯编程的形式来实现 Agent 流程

• 特点：

  • 全部是硬编码，流程固定

  • 优点：特别稳定，行为可预期

  • 缺点：很难包容一些小问题，缺乏灵活性

---

五、Workflow（工作流）

• 定义：将 LangChain 的程序控制流程替换为低代码的拖拽形式

• 特点：

  • 可视化编排

  • 流程仍然是预先定义好的

  • 实质上与 LangChain 一样，只是实现方式不同（低代码 vs 纯代码）

---

六、Skill（技能）

• 定义：把 LangChain 和 Workflow 这种由程序控制的流程走向，变成由智能体自行控制

• 实现方式：提前写好说明文档和可直接运行的脚本

• 特点：

  • 存在一定的灵活调整空间

  • 同时又不至于变得特别不可控

  • 规定了在什么场景下、按什么顺序、组合使用哪些工具（MCP 插件、本地 Script 脚本）

---

七、Agent（智能体）

• 定义：可以随时根据自己的判断进行流程调整的程序

• 本质：Agent 就是一个 for 循环——思考 → 行动 → 观察 → 再思考...

  • 这套"一边思考一边行动"的循环，就是所谓的 ReAct（Reasoning + Acting）

  • 大模型越强，Agent 外壳就可以做得越薄

• 公式：Agent = 大模型 + Harness（驾驭工程）

• 特点：

  • 灵活性最高

  • 但也会因此变得不可控

  • 循环一长，上下文一定会膨胀，即使上下文工程做得再好也可能会腐化

---

八、Prompt Engineering（提示词工程）

什么是提示词工程？

• 有意识地调整和设计提示词，让模型稳定地朝着你预期的内容和格式输出的技术手段

• 它解决的是大模型"无引导、乱说话"的问题

为什么需要提示词工程？

• 大模型本质上是"猜"下一个词，如果输入太宽泛，输出就会非常发散

• 通过精心设计的提示词，可以约束模型的行为，获得更精准的结果

---

九、Context Engineering（上下文工程）

什么是上下文？

• 打包到一起发给大模型的所有信息都叫"上下文"

• 提示词只是上下文的一部分

上下文窗口（Context Window）

• 大模型一次性能处理的上下文有最大限制，这个限制叫"上下文窗口"

上下文腐化（Context Corruption）

• 随着对话轮次增多，上下文窗口很容易被打满

• 需要通过一些策略去压缩或丢弃部分信息

• 在这个过程中，不可避免地会丢失关键信息，破坏上下文的完整性和准确性

• 表现：模型开始记不住、回答前后不一致

上下文工程要解决的问题

怎么才能在合适的时候，将合适的内容，塞入到有限的上下文中？

上下文工程的三个步骤

步骤	含义	涉及技术
召回	获得什么信息	RAG、Memory 等
压缩	让信息变小	如将信息分开发给大模型做总结
组装	调整信息的位置和顺序	信息放置位置和顺序直接影响模型理解和输出（越靠后越容易被关注）

总结

• 提示词是上下文的一部分 → 提示词工程也是上下文工程的一部分

• 上下文工程一般通过外部程序实现（如 Cursor、Claude Code、Trae 等 Coding Agent）

---

十、Harness Engineering（驾驭工程）

定义

一套包裹着大模型的工程外壳，让 Agent 能够持续、稳定、按规范执行任务并最终交付

四大核心层

1. 记忆层（Memory Layer）

• 问题：随着 Agent 看过的文件越来越多，拿到的信息越来越杂，前面约定好的目标和约束后面可能慢慢被冲淡，理解越来越偏

• 解决方案：保证每次给大模型的上下文中，都包含一些可复用的核心信息

• 实现：

  • 核心信息单独写成文件，固定在代码仓库里（如 CLAUDE.md）

  • 这些文件在调用大模型时，作为系统提示词自动注入上下文

  • 与提示词工程和上下文工程配合，形成记忆层

2. 执行层（Execution Layer）

• 给大模型加上 Bash 沙箱（安全隔离的命令执行环境）、文件系统、MCP 等能力

• 让大模型能像人一样操作外部工具、读写代码文件、执行命令做测试

3. 反馈层（Feedback Layer）

• Agent 写代码 → 跑 Lint（静态代码分析）和单元测试 → 将测试输出和报错加入上下文 → 驱动 Agent 在下一轮循环中自动修复

• 这套"通过校验结果回传错误来实现自动修复"的能力，形成了反馈层

4. 编排层（Orchestration Layer）

• 问题：Agent 的循环如果缺乏全局规划和清晰的结束目标，很容易跑偏，甚至陷入无效死循环

• 解决方案：将大任务拆解为具有明确执行标准的多个子任务

• 以全局规划为核心，对任务做拆解与全流程管控，形成编排层

核心认知

Agent = 大模型 + Harness 只要不是大模型的那部分，都属于 Harness Engineering 的范畴 大模型越强，外壳就可以做得越薄——但无论怎么样，这层外壳都得有

---

十一、Harness Engineering 如何落地？

方式一：轻量级——直接写 CLAUDE.md

Claude Code 等工具本身已原生支持 Harness 的四层能力，只需在 CLAUDE.md 文件中写清楚：

• 项目背景是什么

• 你希望大模型做什么

• 别做什么

• 做完之后要跑哪些 Lint、单测和 CI

• 执行哪些 Skill

方式二：插件扩展——Spec-Driven Development（SDD）

• 引入插件（如 spec-kit 等扩展），根据项目将需求拆成多个阶段

• 每个阶段都可能会更新一次 CLAUDE.md

• 这样，每一阶段注入上下文的，尽可能都是核心信息

• 本质上做的事情就是 Harness Engineering 的落地

---

十二、总结：三层工程的关系

工程层级	解决什么问题	核心目标
提示词工程	大模型无引导、乱说话	让大模型明白你的具体需求和输出标准
上下文工程	上下文腐化、信息丢失	给大模型注入精准有效的上下文
驾驭工程	Agent 跑偏、死循环、不可控	让大模型持续按规范执行任务并最终交付

三者关系：

• 提示词工程 ⊂ 上下文工程（提示词是上下文的一部分）

• 上下文工程 ⊂ 驾驭工程（上下文管理是记忆层的核心手段）

• Harness Engineering 是所有非模型部分的总称，覆盖编排、执行、反馈、记忆四大层

---

核心理念：大模型本身只是"预测下一个词"的概率引擎。从让它能稳定输出（提示词工程），到让它在有限的上下文中保持精准（上下文工程），再到让它能自主完成复杂任务（驾驭工程）——每一步都是在给这个概率引擎套上越来越完整的外壳，使其从"会聊天"变成"能干活"

十三、知识概览图