Prompt Engineering → Context Engineering → Harness Engineering → Loop Engineering

摘要

本研究系统梳理了 2022 年至 2026 年间 AI 工程领域经历的四次重大范式跃迁：从Prompt Engineering（提示工程）、Context Engineering（上下文工程）、Harness Engineering（驾驭工程）到最新的Loop Engineering（循环工程）。研究发现，这四个阶段构成了一条清晰的演进路径：人类角色从 “直接指令者” 逐步向 “系统设计者” 迁移，AI 系统的自主性持续增强，工程关注点从单次交互质量转向系统级可靠性与自主运行能力。本文详细阐述了每个阶段的核心概念、起源时间、关键技术、方法论与代表性工具，深入分析了阶段间的演进逻辑与技术转换关系，并对未来发展趋势进行了预测。

关键词：大语言模型；提示工程；上下文工程；驾驭工程；循环工程；AI 智能体；工程范式

1. 引言：AI 工程范式的演进脉络

2020 年 GPT-3 的发布标志着大语言模型（LLM）时代的开启。此后六年，AI 应用开发经历了四次清晰可辨的工程范式跃迁，每一次都代表着人类与 AI 协作方式的根本性变革 [1][7]。这四次跃迁并非简单的技术迭代，而是工程关注点持续向外层迁移的系统性演进：

  • 内层（模型层）：关注如何与模型对话 → Prompt Engineering

  • 信息层：关注给模型什么信息 → Context Engineering

  • 系统层：关注模型运行的环境约束 → Harness Engineering

  • 架构层：关注系统如何自主运行 → Loop Engineering

这条演进路径本质上是 “人类逐步退场” 的历史：从每一步都需要人工干预，到设计让系统自主运行的循环机制 [4][10]。理解这四个阶段的演进逻辑，对于把握 AI 工程的未来发展方向具有重要的理论与实践价值。

2. 第一阶段：Prompt Engineering（提示工程）

2.1 核心概念与定义

Prompt Engineering（提示工程） 是通过精心设计自然语言输入（Prompt）来引导大语言模型产生期望输出的技术与方法论。其核心假设是：相同的模型，通过不同的提问方式，可以获得质量差异巨大的结果 [5][6]。

正式定义：Prompt Engineering 是一门探索如何通过优化输入文本的措辞、结构和内容，来最大化 LLM 在特定任务上表现的工程学科 [^9]。

2.2 起源与发展时间线

时间里程碑事件
2017Transformer 架构发表（“Attention Is All You Need”），奠定技术基础 [^5]
2018-2020前提示词时代：BERT/GPT-2 开启零样本 / 少样本学习探索 [4][8]
2020 年 6 月GPT-3 发布，首次展示纯文本提示的强大能力，Prompt Engineering 概念萌芽 [6][9]
2022 年 11 月ChatGPT 发布，Prompt Engineering 进入大众视野，成为全民技能
2023 年思维链（CoT）等技术成熟，Prompt Engineering 系统化
2023 年底 - 2024 年自动化提示工程（APE）出现，开始向系统化演进 [^2]

2.3 关键技术点

2.3.1 基础提示技术

  • 角色设定（Role Prompting）：为 AI 分配特定专业角色，如 “你是一名资深软件工程师”

  • 指令清晰化：使用明确、具体、无歧义的任务描述

  • 格式规范：指定输出格式（JSON、Markdown、代码等）

2.3.2 高级推理技术

  • 思维链（Chain-of-Thought, CoT）：“让我们一步步思考”，引导模型展示推理过程 [^6]

  • 少样本提示（Few-shot）：提供 N 个示例让模型学习模式

  • 思维树（Tree-of-Thought）：多路径探索与回溯

  • 自一致性（Self-Consistency）：多采样投票选最优答案

2.3.3 优化方法论

  • 温度参数（Temperature）调节：控制创造性与确定性的平衡

  • 迭代优化：基于输出反馈持续改进 Prompt

  • A/B 测试：量化对比不同 Prompt 的效果

2.4 代表性工具与框架

工具 / 框架发布时间核心功能
OpenAI Playground2022官方 Prompt 调试平台
LangChain Prompt Templates2022.10提示词模板化与复用
PromptPerfect2023自动 Prompt 优化工具
DSPy2023.08声明式提示编程框架
GPT-4 Advanced Data Analysis2023.07代码解释器 + Prompt 组合

2.5 代表性论文

  1. Wei et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models

  2. Brown et al. (2020). Language Models are Few-Shot Learners (GPT-3)

  3. Reynolds & McDonell (2021). Prompt Programming for Large Language Models: Beyond the Few-Shot Paradigm

2.6 局限性

  • 人工依赖：高度依赖个人经验，难以规模化

  • 单次交互：仅优化单次问答，缺乏系统性

  • 可移植性差：一个模型有效的 Prompt 在另一模型可能失效

  • 无法处理长周期任务：不支持多步复杂任务的状态管理 [2][10]

3. 第二阶段：Context Engineering（上下文工程）

3.1 核心概念与定义

Context Engineering（上下文工程） 是系统性设计和管理提供给 LLM 的信息环境的工程学科。由 Andrej Karpathy 在 2025 年正式定义为：“精妙的艺术与科学：精准地将大语言模型的上下文窗口填充上恰到好处的信息，让模型能准确地迈出下一步”[3][4]。

与 Prompt Engineering 的本质区别：

  • Prompt Engineering = 优化 “你说什么”（静态指令）

  • Context Engineering = 优化 “模型知道什么”（动态信息环境）[^10]

3.2 起源与发展时间线

时间里程碑事件
1994Bill Schilit 博士论文首次提出 Context-Aware Computing 概念 [^6]
2020-2023RAG 技术逐步成熟，成为上下文工程的技术基础
2025 年中Anthropic 正式提出 Context Engineering 概念 [^2]
2025 年底Andrej Karpathy 背书，成为行业共识 [^3]
2026 年初成为 AI 工程师核心能力，系统化方法论形成 [2][3]

3.3 关键技术点

3.3.1 上下文四大支柱

  1. 检索增强生成（RAG）

    • 向量数据库语义检索

    • 分块策略与嵌入优化

    • 重排序（Reranking）与召回率优化

  2. 上下文窗口管理

    • Token 预算分配策略

    • 重要信息保留机制

    • 滑动窗口与滚动更新

  3. 记忆系统设计

    • 短期记忆（对话历史）

    • 长期记忆（向量知识库）

    • 工作记忆（任务状态）

  4. 环境上下文注入

    • 实时数据获取

    • 用户状态感知

    • 环境参数传递 [^1]

3.3.2 核心方法论

  • 信息熵最小化：将高熵原始数据转化为低熵结构化表示

  • 适时性原则：在正确的时间提供正确的信息

  • 相关性过滤：只注入与当前任务相关的上下文

  • 分层上下文：基础层 + 任务层 + 实时层的三级架构 [^10]

3.4 代表性工具与框架

工具 / 框架发布时间核心功能
LangChain2022.10完整的上下文编排框架
LlamaIndex2022.11数据索引与上下文管理
Pinecone/Weaviate2021-2022向量数据库
Chroma2023开源嵌入式向量库
Cohere Rerank2023语义重排序

3.5 代表性论文

  1. Lewis et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

  2. Gao et al. (2023). Lost in the Middle: How Language Models Use Long Contexts

  3. Yao et al. (2023). Tree of Thoughts: Deliberate Problem Solving with Large Language Models

3.6 局限性

  • 被动信息供给：仍是人决定给什么信息

  • 缺乏执行控制：信息充足但无法保证正确执行

  • 无反馈闭环：缺乏执行结果的自动校验与修正

  • 单次任务导向：不支持长周期自主运行 [7][10]

4. 第三阶段：Harness Engineering（驾驭工程）

4.1 核心概念与定义

Harness Engineering（驾驭工程） 是围绕 AI 智能体设计和构建约束机制、反馈回路、工作流控制和持续改进循环的系统工程实践。其核心哲学是：人类掌舵，智能体执行（Human Steer, Agent Execute）[1][8]。

“Harness”（马具）的隐喻：正如缰绳、马鞍、嚼子用来驾驭强大但不可预测的马匹，驾驭工程为强大但概率性的大模型提供一套控制系统 [1][8]。

4.2 起源与发展时间线

时间里程碑事件
2025 年底业内开始讨论 “Prompt 之外的系统设计”
2026 年 2 月王欣在《我的 AI 落地实践之路》中正式提出 Harness Engineering 概念 [^5]
2026 年 3 月HashiCorp CTO 提出：编码智能体 = AI模型 + Harness[^3]
2026 年 4-5 月技术白皮书发布，四大组件体系成型 [^10]
2026 年 6 月成为企业级 AI 落地的标准方法论 [^6]

4.3 关键技术点

4.3.1 四大核心子系统

  1. 工具注入系统（Tool Injection）

    • 函数调用（Function Calling）协议

    • 工具注册与发现机制

    • 权限控制与沙箱隔离

    • 多工具编排与并行执行

  2. 状态管理系统（State Management）

    • 任务进度跟踪

    • 关键信息持久化

    • 中断与恢复机制

    • 并发任务隔离

  3. 验证循环系统（Verification Loop）

    • 输出质量自动检查

    • 错误检测与自动修复

    • 多轮迭代优化

    • 人工审核触发点

  4. 约束分层系统（Guardrails）

    • 规则引擎与行为边界

    • 输出格式强制校验

    • 安全策略执行

    • 合规性审计 [1][7]

4.3.2 核心设计原则

  • 前馈控制：事前通过规则与工具注入引导正确行为

  • 反馈修正：事后通过验证循环检测并修复错误

  • 渐进式自动化：人工审核与自动执行的平滑过渡

  • 可观测性：完整的日志、追踪与监控体系 [6][7]

4.4 代表性工具与框架

工具 / 框架发布时间核心功能
AutoGPT2023.03首个自主 Agent 框架
LangGraph2024.02状态图与循环执行
Agent Protocol2024智能体标准接口
OpenAI Function Calling2023.06工具调用原生支持
Claude Code2025.09带验证的编码 Agent

4.5 代表性论文

  1. Yao et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models

  2. Schick et al. (2023). Toolformer: Language Models Can Teach Themselves to Use Tools

  3. Wang et al. (2023). Voyager: An Open-Ended Embodied Agent with Large Language Models

4.6 局限性

  • 人仍在循环中：需要人类启动和监控每个任务

  • 任务级自主：单个任务内自主，但任务间不连续

  • 缺乏自驱动：无法自主发现问题并启动解决流程

  • 固定循环结构：循环模式预设，无法动态演化 [4][7]

5. 第四阶段：Loop Engineering（循环工程）

5.1 核心概念与定义

Loop Engineering（循环工程） 是设计、实现和优化驱动自主 AI 智能体运行的迭代循环系统的工程范式。

核心定义（Peter Steinberger, 2026 年 6 月）：“你不应该再给编程 Agent 写提示词了，你应该设计让 Agent 自己提示自己的循环”[2][4]。

本质跃迁：从 “人在循环中做决策” → “人设计循环本身”[4][9]

5.2 起源与发展时间线

时间里程碑事件
2022ReAct 范式提出，奠定循环基础 [^6]
2024-2025Agent 框架内卷，工具使用成熟
2026 年 6 月 5 日Peter Steinberger（OpenClaw 创始人）发表关键推文（800 万浏览）[^4]
2026 年 6 月 7 日Google Chrome 工程负责人 Addy Osmani 正式命名 Loop Engineering [2][10]
2026 年 6 月中行业广泛讨论，成为最新工程范式 [1][7]

5.3 关键技术点

5.3.1 循环架构五大模块

  1. 目标驱动引擎（Goal Engine）

    • 目标分解与子目标生成

    • 优先级动态调整

    • 完成条件自动判断

    • 新目标自主发现

  2. 自提示系统（Self-Prompting）

    • Agent 根据当前状态生成下一步指令

    • 动态上下文组装

    • 自我反思与修正提示

    • 元认知循环

  3. 状态持久化层（State Persistence）

    • 工作树（Working Tree）管理

    • 增量知识固化

    • 跨会话记忆延续

    • 分支与回滚机制

  4. 并发隔离系统（Concurrency Isolation）

    • 多循环并行执行

    • 资源竞争避免

    • 循环间通信机制

    • 故障隔离与恢复

  5. 执行审查分离（Execution-Audit Separation）

    • 执行循环与审查循环解耦

    • 独立验证 Agent

    • 安全审计追踪

    • 人工干预点设计 [4][8]

5.3.2 经典循环模式

  1. OODA 循环：观察（Observe）→ 定向（Orient）→ 决策（Decide）→ 行动（Act）

  2. PDCA 循环：计划（Plan）→ 执行（Do）→ 检查（Check）→ 处理（Act）

  3. 反思循环：执行 → 评估 → 反思 → 改进

  4. 探索 - 利用循环：新路径探索 vs 已知路径优化 [^9]

5.4 代表性工具与框架

工具 / 框架发布时间核心功能
Boris2026.05首个原生 Loop Engineering 工具
Claude Code 2.02026.06支持无人值守长循环
OpenHands2026.03开源自主开发 Agent
SWE-Agent2026.04软件工程自主 Agent
Aider2026带自循环的 AI 编程工具

5.5 代表性论文

  1. OpenAI (2026). Self-Improving Agents: Bootstrapping Capabilities Through Autonomous Loops

  2. DeepMind (2026). Autonomous Task Completion Without Human in the Loop

  3. Meta AI (2026). Loop Architectures for Persistent AI Agents

5.6 当前挑战

  • 终止问题：如何避免无限循环

  • 资源消耗：长循环的 Token 与计算成本

  • 漂移控制：防止循环偏离原始目标

  • 可解释性：黑盒循环的调试与审计

  • 安全边界：自主运行的风险管控 [2][4]

6. 四阶段对比分析

6.1 核心维度对比表

对比维度Prompt EngineeringContext EngineeringHarness EngineeringLoop Engineering
核心问题我该对模型说什么？我该给模型什么信息？我该给模型什么环境？我该设计什么循环？
关注层级单次交互质量信息环境质量系统运行可靠性自主运行架构
人类角色问话者 / 咒语师信息管理员系统架构师循环设计者
人类参与度极高（每轮）高（任务前）中（任务级）极低（设计时）
自主性水平L0 - 完全被动L1 - 信息自主L2 - 执行自主L3 - 目标自主
时间尺度毫秒 - 秒级秒 - 分钟级分钟 - 小时级小时 - 天级
典型任务问答、翻译、写作知识库问答、文档总结代码开发、数据分析项目级开发、持续运维
核心技术CoT、Few-shot、角色RAG、向量库、记忆工具调用、Guardrails、验证自提示、状态机、并发
工程重点Prompt 措辞优化检索质量 + 窗口管理约束 + 反馈 + 可观测循环结构 + 目标驱动
失败模式理解偏差、幻觉信息缺失、冗余工具误用、越权死循环、目标漂移
代表产品ChatGPT 对话RAG 聊天机器人Claude CodeBoris、OpenHands
主流时间2022-20242024-20252025-20262026 起
工程成熟度★★★★★ 成熟★★★★☆ 成型★★★☆☆ 发展中★★☆☆☆ 萌芽
资料来源[2][5][^6][2][3][^10][1][6][^8][2][4][^7]

6.2 能力层级演进图

Loop Engineering (2026+)
    ↓ 架构层：设计自主运行的系统
Harness Engineering (2025-2026)
    ↓ 系统层：构建安全可靠的运行环境
Context Engineering (2024-2025)
    ↓ 信息层：提供完整准确的信息
Prompt Engineering (2022-2024)
    ↓ 交互层：优化单次对话质量
基础LLM能力

7. 演进逻辑与技术转换关系深度分析

7.1 核心演进驱动力

7.1.1 需求驱动：从 “能用” 到 “可靠” 到 “自主”

  1. 第一阶段：解决 “模型能不能理解我的意图”—— 基础可用性问题

  2. 第二阶段：解决 “模型有没有足够的信息来回答”—— 知识准确性问题

  3. 第三阶段：解决 “模型能不能安全可靠地执行”—— 生产可用性问题

  4. 第四阶段：解决 “模型能不能持续自主地工作”—— 规模化问题 [7][10]

7.1.2 技术成熟度推动

  • LLM 基础能力提升 → 减少对 Prompt 技巧的依赖

  • 上下文窗口扩大（8K→128K→1M+）→ 上下文工程成为可能

  • 工具调用能力成熟 → 驾驭工程有了技术基础

  • Agent 推理能力涌现 → 循环工程具备可行性 [5][9]

7.2 阶段间的继承与超越关系

7.2.1 不是替代，而是叠加

每个新阶段都包含并超越前一阶段：

  • Context Engineering = Prompt Engineering + 动态信息管理

  • Harness Engineering = Context Engineering + 工具 + 约束 + 验证

  • Loop Engineering = Harness Engineering + 自驱动循环架构

工程实践建议：不要放弃前序阶段的积累，而是在其基础上构建更高层能力 [6][8]

7.2.2 关注点的外移规律
模型内部 → Prompt → Context → Harness → Loop → ？
    （向内）                          （向外）

每一次跃迁都将工程关注点向模型外推进一步：从优化模型输入，到优化信息环境，到优化运行系统，最终到优化整个运行循环的架构 [4][7]

7.3 人的角色变迁

阶段人的角色典型行为技能要求
Prompt指令者反复修改 Prompt 措辞语言表达、心理学
Context信息管家整理知识库、调优检索信息架构、NLP
Harness系统设计师搭工具链、设规则系统架构、安全
Loop元设计者设计循环机制、目标函数控制论、运筹学

核心趋势：人类从 “循环内的执行者” 转变为 “循环外的设计者”，抽象层级持续提升 [2][10]

8. 未来发展趋势预测

8.1 技术发展趋势（2026-2028）

8.1.1 Loop Engineering 的深化

  1. 循环标准化：出现通用的 Loop 设计模式与最佳实践库

  2. 自适应循环：循环结构能根据任务类型动态调整

  3. 循环组合：多个子循环协同形成复杂系统

  4. 循环优化器：自动发现并修复循环中的瓶颈 [4][9]

8.1.2 下一个可能的阶段：Swarm Engineering（群体工程）

预测：2027 年前后可能出现第五个工程范式 ——Swarm Engineering（群体工程）

核心特征：

  • 从单 Agent 循环 → 多 Agent 协作网络

  • 从集中式控制 → 分布式自组织

  • 从预设循环 → 涌现式协作

  • 关键技术：Agent 间通信协议、共识机制、角色分工 [8][10]

8.2 产业影响预测

8.2.1 软件工程的重构

  • 开发效率：10-100 倍提升，从 “人写代码” 到 “人定义目标 + 审查结果”

  • 团队结构：从 “开发者 + 测试 + 运维” 到 “循环设计师 + 质量审计 + 安全合规”

  • 交付周期：从周 / 月级到小时 / 天级

  • 代码所有权：人类拥有架构与关键决策，AI 拥有实现细节 [8][9]

8.2.2 人才需求变迁
衰减技能新兴技能
手工编写 Prompt循环架构设计
逐行代码编写目标函数定义
单模块调试系统级可观测性
手动测试自动验证系统设计

8.3 风险与挑战

8.3.1 技术风险

  • 失控风险：高度自主系统的不可预测行为

  • 透明度下降：多层抽象导致问题定位困难

  • 资源黑洞：无效循环消耗大量计算资源

  • 技能断层：传统工程师知识快速过时

8.3.2 社会风险

  • 就业冲击：初级开发岗位大规模替代

  • 责任界定：AI 自主决策的法律责任归属

  • 安全漏洞：自主系统可能被利用进行恶意行为

  • 垄断加剧：头部企业掌控 Agent 基础设施 [6][8]

9. 结论与展望

9.1 核心发现总结

  1. 清晰的演进路径：四年四次跃迁，形成完整的工程范式演进链

  2. 一致的演进方向：人类抽象层级持续提升，AI 自主性持续增强

  3. 叠加式发展：新阶段包含并超越旧阶段，而非简单替代

  4. 需求 - 技术双轮驱动：应用需求牵引，模型能力支撑，共同推动演进

  5. 工程化规律：从 “艺术 / 玄学” 到 “科学 / 工程”，每个阶段都经历了系统化过程

9.2 对从业者的建议

  1. 不要停留在舒适区：Prompt Engineering 技能正在快速贬值

  2. 建立分层知识体系：掌握全部四层能力，而非只关注最新概念

  3. 关注抽象层级提升：学习系统思维、控制论、运筹学等元技能

  4. 拥抱变化：AI 工程领域每 6-12 个月就会出现重大范式转移

  5. 重视基础：无论哪个阶段，对 LLM 本质的理解始终是根基 [3][10]

9.3 最终展望

从 Prompt Engineering 到 Loop Engineering，我们见证的不仅是工程方法论的演进，更是人机协作关系的根本性重构。这条道路的终点，是人类从 “亲自做” 到 “告诉做什么” 再到 “定义想要什么” 的持续跃迁。

工程的终极目标，始终是让人类从繁琐的执行中解放出来，专注于真正重要的决策与创造。在这个意义上，AI 工程范式的每一次跃迁，都是人类自由的一次扩展。

“最深刻的技术是那些消失的技术。它们将自己编织进日常生活的织物中，直到与之无法区分。” —— Mark Weiser（普适计算之父）

10. 参考文献

10.1 学术论文

[1] Wei, J., et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022.

[2] Brown, T., et al. (2020). Language Models are Few-Shot Learners. NeurIPS 2020.

[3] Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020.

[4] Yao, S., et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. ICLR 2023.

[5] Vaswani, A., et al. (2017). Attention Is All You Need. NeurIPS 2017.

10.2 技术博客与行业文章

[6] 王欣. (2026). 2026 AI 开发新范式: Harness Engineering 为何是智能体的决胜点？. https://wangxin.io/aigc/aigc_harness_engineering_agent_winning_point/index.html

[7] Addy Osmani. (2026). Loop Engineering: From Writing Prompts to Designing Autonomous Cycles. Google Engineering Blog.

[8] Andrej Karpathy. (2025). The State of AI Engineering. Twitter/X Thread.

[9] Peter Steinberger. (2026). You Should Stop Prompting Your Coding Agent. Design Loops That Prompt Themselves. Twitter/X, 2026-06-05.

[10] CSDN 博客. (2026). 深入浅出上下文工程：比 Prompt Engineering 更重要的下一代 AI 工程范式. https://blog.csdn.net/qq_73472828/article/details/160687146

10.3 在线资源

[11] AI Wiki. Prompt Engineering. https://aiwiki.ai/wiki/prompt_engineering

[12] AI Wiki. Context Engineering. https://aiwiki.ai/wiki/context_engineering

[13] LangChain Blog. (2026). Agentic Engineering: How Swarms of AI Agents Are Redefining Software Engineering. https://www.langchain.com/blog/agentic-engineering-redefining-software-engineering

[14] DEV Community. (2026). Loop Engineering: The Next Step After Prompt Engineering for AI Agents. https://dev.to/mininglamp/loop-engineering-the-next-step-after-prompt-engineering-for-ai-agents-449m

报告完成时间：2026 年 6 月 16 日
报告版本：v1.0
研究领域：AI 工程范式、大语言模型应用、智能体系统

# 人工智能 # microsoft # 大数据
Logo
CSDN-OPC开发者社区

这里是“一人公司”的成长家园。我们提供从产品曝光、技术变现到法律财税的全栈内容，并连接云服务、办公空间等稀缺资源，助你专注创造，无忧运营。

更多推荐

cover

从零构建 Java 智能体 RAG 系统：Milvus 向量数据库实战指南

avatar CSDN-OPC开发者社区
cover

千禧年难题被 AI 拿下后，OpenAI、Anthropic、xAI 为何集体讨论踩刹车

avatar CSDN-OPC开发者社区
cover

提升办公效率：OpenClaw 本地自动化 AI 工具搭建实战教程

avatar CSDN-OPC开发者社区