目录开场你是不是也有这种感觉第 0 层大模型——一切的地基第一层Prompt Engineering——学会跟天才说话第二层Context Engineering——给天才配全参考资料第三层MCP——给天才接上互联网第四层Skill——给天才写入岗位手册第五层Harness Engineering——给天才套上缰绳最终形态AI Agent——把前五层全部激活一张表串联所有术语结尾读完这篇你会明白为什么光有一个强大的AI还不够以及怎么从零搭出一个真正能干活的AI Agent开场你是不是也有这种感觉上个月刚把Chain of Thought提示词练熟感觉自己是AI界高手了。这周朋友发来一篇文章《Prompt Engineering已经过时了学Context Engineering吧》下周又看到《MCP、Skill、Agent……》再下周《Context Engineering也不够Harness Engineering才是未来》我能不能等我把上周的消化完再出新词但仔细一想这些词其实不是在互相替代——它们是一层套一层的关系。今天我们换一个角度来理解它们假设你要从零开始搭一个真正能干活的AI Agent你需要依次解决哪些问题答案就是这些词出现的顺序。跟我走一层一层来。第 0 层大模型——一切的地基在所有词之前先搞清楚一件事大模型LLMLarge Language Model是什么简单说大模型是一个经过海量文本训练的超级预测机器——你给它一段话它预测下一个词应该是什么然后再预测下下个词一直预测下去就成了一段看起来很有道理的回答。听起来很简单对吧但就是这个预测下一个词的能力在参数规模足够大的时候涌现出了推理、写作、写代码、解数学题的能力。这就是为什么GPT、Claude、GLM-5.1这些模型被叫做大模型——不是因为它们体积大是因为它们的参数规模大到出现了质变。但问题来了大模型本身只是一个坐在房间里等你提问的天才。它不主动做事不记得昨天聊了什么不知道你的项目是什么也不会自己去查资料。一个孤立的大模型就像一个被关在小黑屋里的天才——聪明归聪明但什么活都干不了。所以问题变成了怎么把这个天才一步步变成一个真正能干活的员工第一层Prompt Engineering——学会跟天才说话天才进了房间你第一件要做的事是什么跟他说话。这就是Prompt Engineering提示词工程解决的问题怎么跟大模型说话才能让它输出更好的结果你可能试过这两种问法❌ 普通版「帮我写个报告」✅ 进阶版「你是一名有10年经验的行业分析师请用数据驱动的方式为科技创业公司写一份500字的市场分析报告结构包括市场规模、竞争格局、机会点语气专业但不晦涩」同一个模型输出天差地别。这就是提示词工程的价值——通过角色设定、思维链Chain of Thought、少样本示例Few-shot等技巧让大模型的预测方向更精准。但它有一个根本性的天花板只解决了单次对话的问题。你跟它说了半天下一个对话窗口打开它完全不记得你是谁你的项目是什么你们昨天达成了什么共识。每次对话都要重新自我介绍就像每天见面都忘了你的同事。这不是模型的问题这是只有提示词这种方式的结构性缺陷。第二层Context Engineering——给天才配全参考资料提示词练好了但你发现一个新问题这个天才虽然博学但他只知道训练数据里有的东西。你的项目文档、你的代码库、你们公司的规范、今天发生的新闻——他一概不知道。怎么办把这些信息塞给他看。这就是Context Engineering上下文工程的核心逻辑不只是写好一条指令而是管理AI能看到的全部信息。前Tesla AI总监、OpenAI联合创始人Andrej Karpathy给了一个经典定义上下文工程是一门精巧的技艺——把恰好正确的信息在恰好正确的时刻以恰好正确的格式填进AI的上下文窗口。这里有个关键概念需要理解Context Window上下文窗口——这是AI每次能看到的全部信息的总量可以理解为AI的工作桌面。桌面就这么大你放什么、怎么放直接决定它能干多好的活。研究者还发现了一个有意思的现象上下文窗口里有Smart Zone黄金区域和Dumb Zone死角区域——重要信息放在开头和结尾模型更容易注意到塞在中间的内容模型经常视而不见。用Claude Code举个例子你用Claude Code帮你写代码它为什么不需要你每次都解释项目背景因为它会自动读取你项目里的readme.md、claude.md、代码注释——这些文件就是你提前准备好的上下文。你写得越详细它干活越靠谱。这就是上下文工程在真实产品里的体现。但问题又来了信息从哪里来你不可能手动把所有资料一条条复制粘贴给AI吧第三层MCP——给天才接上互联网想象一下你给那个天才的小黑屋装了一排插口——插上GitHub他就能读你的代码库 插上Slack他就能看到团队的对话 插上数据库他就能查到实时数据 插上浏览器他就能自己上网查资料。这就是MCPModel Context Protocol模型上下文协议。这是Anthropic在2024年底提出的开放协议解决的核心问题是让大模型能标准化地连接任何外部工具和数据源。通俗类比MCP就像手机的USB-C接口。以前每个设备都有自己的充电口乱七八糟现在统一成USB-C任何充电器插上就能用。MCP对AI也是一样——以前每个工具都要单独开发接口现在按照MCP协议做任何工具都能接入任何支持MCP的AI。再用Claude Code举例Claude Code通过MCP可以连接GitHub直接提PR连接数据库直接查数据连接Slack直接发通知——整个过程AI自主完成你坐着喝咖啡就好。MCP和Context Engineering的关系MCP是Context Engineering的基础管道——它负责把外部世界的信息搬进上下文窗口。没有MCP上下文工程的信息来源就只有你手动粘贴进去的内容严重受限。有了MCP上下文窗口里的信息可以是实时的、动态的、来自真实系统的。第四层Skill——给天才写入岗位手册现在这个天才有了信息来源但你发现一个新问题每次让他做同一类任务他的做法都不一样。有时候他写PPT风格很好有时候乱七八糟。 有时候他写代码格式规范有时候随心所欲。你不可能每次都在提示词里把规范重新说一遍——那太累了而且他还是会忘。解法是什么把规范写成文件让他每次遇到对应任务就去读。这就是Skill技能文件的概念。Skill本质上是预先为特定场景写好的结构化指令文件——你把某类任务的最佳实践、注意事项、输出规范都写进去AI遇到这类任务就加载这个文件。Claude Code里的实际体现Claude Code支持SKILL.md文件。比如你在项目里放一个pptx/SKILL.md里面写了制作PPT时第一步分析内容结构第二步选择配色方案第三步……。以后每次让Claude Code帮你做PPT它就自动去读这个文件按照你定义的流程来——不用每次重新解释不会忘记跨项目也能复用。Skill和Context Engineering的关系Skill是上下文工程里知识库那一层的具体实现形式。它解决的问题是知识和规范如何沉淀、复用、跨项目迁移。没有Skill你的AI每个项目都是重新开始经验不能积累有了Skill你的最佳实践可以变成资产越用越值钱。一句幽默的话Skill就是给AI写的岗位说明书——让它知道在你这里干活规矩是什么。不然它会凭感觉发挥而AI的感觉……有时候很难评。第五层Harness Engineering——给天才套上缰绳好现在我们有了强大的大模型大脑精心设计的提示词说话方式丰富的上下文信息参考资料MCP连接的外部工具手脚Skill文件定义的规范岗位手册这个时候你以为万事俱备了。然后你让它跑一个复杂任务回来一看它绕了一大圈做了件你根本没让它做的事。或者它改了不该改的文件。或者它成功完成任务——但完成的方式和你想的完全不一样。问题在哪里问题在于你给了它能力、给了它信息、给了它工具、给了它规范但你没有给它一套完整的约束、反馈和纠错系统。这就是Harness Engineering驾驭工程要解决的问题。Harness这个词来自驾驭马匹的马具——缰绳、马鞍、嚼子。这个比喻是刻意为之的没有Harness的AI智能体就像是一匹在旷野中的纯血马——速度惊人令人印象深刻但对于完成任何实际任务完全无用。Harness Engineering是目前AI工程的最高层它包含三大支柱支柱一上下文工程就是前面讲的那些MCP、Skill、动态信息注入——都在这一层。但Harness Engineering对上下文提出了更高要求OpenAI团队发现传统的一个巨大的AGENTS.md文件方法注定失败上下文是稀缺资源过多的指导反而变成陈旧规则的坟场。正确做法用一个≤60行的AGENTS.md当目录索引按需加载具体细节——给AI一张地图不是1000页手册。支柱二架构约束让规则长出牙齿这是Harness Engineering里最反直觉、也最精髓的部分写在文档里的规则AI可以违反写进系统里的规则AI根本没有违反的机会。OpenAI用AI自己编写Linter代码检查工具来约束AI。Linter的错误信息本身也是上下文的一部分它会告诉AI为什么错了以及如何修复AI读取后会自动修正代码并重新提交。这不是在防AI犯错而是在把纠错机制编进系统——AI犯错→系统自动检测→反馈给AI→AI自动修正→继续推进。人类工程师甚至不需要在场。支柱三熵管理给AI安排睡眠随着任务越来越长上下文会越来越乱——过时的信息、矛盾的记录、重复的内容堆积在一起AI开始记忆混乱。Claude Code的解法是通过后台进程在不活跃时自动激活对历史信息进行整理——去重、丢弃过时的、合并相关的——形成精炼的新记忆。这个机制被形象地称为晚上做梦就像人类睡眠时的记忆固化过程把短期记忆转化为长期记忆。AI也需要睡一觉整理思路这不是比喻是真实的工程设计。Harness Engineering有多重要两组数据LangChain的编码Agent通过仅优化Agent运行的外部环境文档结构、验证回路、追踪系统排名从全球第30位跃升至第5位得分从52.8%飙升至66.5%。底层模型一个参数都没改。Anthropic说了一句被广泛引用的话Agent表现不好80%的原因不在模型在Harness。下次AI犯错先别骂它——先问问自己缰绳系好了吗最终形态AI Agent——把前五层全部激活终于到了这一层。AI Agent是什么就是能自主规划、调用工具、完成多步骤复杂任务的AI系统。但关键是Agent不是凭空出现的它是大模型 前面每一层叠加的产物。用一个公式来表达AI Agent 大模型大脑 Prompt Engineering说话方式 Context Engineering参考资料 MCP手脚/工具 Skill岗位手册 Harness Engineering约束反馈纠错系统少了任何一层Agent要么能力不够要么跑偏要么干着干着崩掉。一个真实的例子GLM-5.1最近开源能连续自主工作8小时完成工程级任务——100万行代码、零人工干预。这背后不是因为模型有多神奇而是因为它有完整的工具调用MCP层能读写文件、执行命令、查看输出它有结构化的任务规划Skill层知道先做什么后做什么它有完整的错误反馈机制Harness层碰壁了会自动切换策略出错了会自行修复而不是卡死或乱跑。研究者提出了一个新的衡量指标不再问模型多聪明而是问它能独立完成多长时间的人类任务。前沿模型的这个时间线每7个月翻一倍。今天是8小时7个月后呢一张表串联所有术语结尾2023年大家在学怎么跟AI说话。2025年大家在学怎么给AI准备资料。2026年真正的问题变成了怎么给AI搭一套完整的工作系统。从大模型到AI Agent不是一步跨过去的——是一层一层搭出来的。你掌握的层数决定了你能让AI帮你干多复杂的活。读完这篇你应该已经从第一层升到第六层了。最后一件事转发给你那个还在死磕提示词、每次用AI都要解释半天背景的朋友——告诉他哥你现在练的是青铜技能。这篇文章能帮他直接跳到黄金段位。别让他继续输在起跑线上了