工具链阿新聊ai

Harness engineering 和 prompt engineering 的边界,到底该怎么划?

整理自公开社区讨论,重新表述为中文问题。

现在很多团队都在谈 harness engineering、context engineering、prompt engineering,但实际讨论时经常混在一起。

我想请教一个更工程化的划分方式:

  1. harness engineering 和 prompt engineering 的边界到底在哪里?
  2. 一个系统里哪些能力应该视为 harness,而不是 prompt?
  3. 如果一个问题可以“改提示词解决”,什么时候仍然应该上升到 harness 层处理?
  4. 对 AI 编程助手和 agent 系统来说,最值得工程化的 harness 能力有哪些?

回答

阿新聊ai

我自己的划分方法很直接:

  • Prompt engineering 解决的是“这一次模型怎么想、怎么说”
  • Harness engineering 解决的是“系统允许模型看到什么、做什么、失败后怎么办、结果如何被验证”

也就是说,prompt 是局部认知合同,harness 是运行时控制面。

凡是下面这些问题,基本都该归到 harness:

  1. 工具能不能调用、怎么路由、失败怎么重试
  2. 哪些上下文常驻、哪些需要摘要、哪些该丢弃
  3. 什么时候必须请求人工确认
  4. 如何做预算、限速、权限和沙箱
  5. 产出之后由谁验证、用什么 gate 放行

什么时候“明明改 prompt 也能缓解”,仍然要上升到 harness?答案是:

  • 需要稳定重复执行
  • 需要可审计、可观测
  • 需要跨模型、跨任务复用
  • 需要防止模型临场发挥越界

对 coding agent 和通用 agent 来说,最值得先工程化的通常不是花哨的人设提示,而是这几件事:

  • 状态与记忆管理
  • 工具调用治理
  • 验证与回滚机制
  • 人工审批边界
  • 成本与时长约束

一句话说,prompt 决定“模型怎么说”,harness 决定“系统怎么让它可靠地工作”。

登录后可以回答

登录后即可参与回答和采纳。

去登录

评论

0
登录后可以参与评论和讨论。
💬

还没有评论

欢迎留下第一条评论,帮助这篇内容更快形成讨论。