Prompt、Context和Harness三大AI工程范式的核心差异在于，它们分别解决模型“听不懂”、“没信息”和“反复错”的问题。从优化单次指令到构建完整系统，这三种范式层层递进，共同推动AI从“能说话”到“能干活”。

Prompt Engineering：让模型“听懂”指令

Prompt Engineering的核心是打磨单次输入的表达技巧，让模型理解任务意图。列如，用“思维链”引导模型分步推理，或用“角色扮演”让模型代入特定身份。它的目标很直接：解决模型“听不懂”指令的痛点。在2022到2024年，这曾是AI工程的热点，人们研究如何通过精妙的措辞一次性获得理想输出。

但问题在于，当任务从单轮问答转向多步执行时，光靠一条提示词就不够用了。

Context Engineering：给模型“备齐”信息

随着任务复杂度升级，模型需要更多信息才能决策，Context Engineering应运而生。它关注如何为模型动态构建完整的认知环境，列如动态检索知识库、管理历史对话或定义工具接口。更关键的是，它解决了模型“没信息”的短板——就像发邮件时，确保所有附件和背景资料都已备齐。

不过，当AI进入更长链路、更高复杂度的真实任务时，仅靠信息供给仍不够，由于上下文注意力有限，且难以自动补齐业务场景中的隐性知识。

Harness Engineering：为Agent搭建“办公室”

Harness Engineering则更进一步，它为AI Agent搭建一个能持续、稳定工作的“操作系统”。这不再是优化单次输入或信息环境，而是设计系统级的约束、反馈循环和工具链。同一个模型，换一套运行环境，编程基准的成功率就从42%跳到了78%。Harness包括：

• 系统提示与约束：定义Agent的行为边界。
• 工具与技能集成：如文件系统、代码执行器，让Agent能自主解决问题。
• 反馈循环：用测试工具自动检查输出，让Agent根据结果修正。

LangChain团队就曾固定使用GPT-5.2-Codex模型，仅通过调整harness，将智能体在编程基准上的得分从52.8%提升至66.5%。这标志着工程重点从“调试模型”转向了“调整系统”。

简单来说，Prompt是“基础语言”，Context是“信息补给”，Harness是“运行系统”。低复杂度任务靠Prompt，中复杂度靠Context，高复杂度靠Harness——它们共同构成了AI从模型到实干家的完整链条。