完整版 ｜ 影片：客人秘懷員
一個真實故事：某團隊的 Agent 用了最好的模型、提示詞改了上百版、各種參數調了個遍，但任務成功率始終不到 70%——有時聰明，有時莫名跑偏。
後來請人診斷，改動最大的地方既不是模型也不是提示詞，而是：任務怎麼拆、狀態怎麼管、關鍵步驟怎麼校驗、失敗後怎麼恢復。結果？同一個模型、同一套提示詞，成功率拉到 95% 以上。
這背後揭示了一個第一性原理：
過去兩年 AI 工程經歷了三次重心轉移。每一次轉移都源於上一階段碰到了結構性天花板。三者是包含關係——Prompt 是 Context 的子集，Context 是 Harness 的子集。
解決的問題：模型有沒有聽懂你在說什麼？
本質：大模型是對上下文極度敏感的概率生成系統。給什麼身份，它就沿著那個身份回答；給什麼範例，它就沿著那個範式補全。所以提示詞工程的本質不是命令模型，而是塑造一個局部的概率空間。
天花板：只能激發模型已有的能力。說得再好，也補不了事實、管不了狀態、處理不了多步驟的複雜任務。提示詞解決的是「表達」的問題，不是「資訊」的問題。
解決的問題：模型有沒有拿到足夠且正確的資訊？
本質：Context 不只是幾段背景資料，而是所有影響模型當前決策的資訊總和——用戶輸入、歷史對話、檢索結果、工具返回、任務狀態、中間產物、系統規則、安全約束、其他 Agent 傳遞過來的結果。Prompt 其實只是 Context 的一小部分。
關鍵認知：上下文窗口是稀缺資源。資訊不是越多越好——一多，注意力就分散。所以成熟的做法是按需給、分層給、在正確的時機給。（典型實踐：Agent Skills 只先給最少量的元資訊，需要時才動態載入完整 SOP。）
天花板：就算資訊全部給對了，模型在長鏈路執行中仍然會計劃做得好但執行跑偏、呼叫了工具但誤解了返回結果、在漫長的鏈路中慢慢偏移卻無人發現。
解決的問題：模型在真實執行中能不能持續做對？
本質：Harness 原意是「韁繩、馬具、約束裝置」。前兩代工程關注的是怎麼讓模型「更會想」，Harness 關注的是怎麼讓模型「別跑偏」——跑偏了、出錯了，還能拉回來。
提示詞優化「意圖表達」、上下文優化「資訊供給」，但複雜任務裡最難的問題是：當模型開始連續行動，誰來監督它、約束它、糾偏它？
派新人去做重要客戶拜訪：
Prompt = 把任務講清楚（見面先寒暄、介紹方案、問需求、確認下一步）
Context = 把資料準備齊（客戶背景、過往紀錄、報價、競品、會議目標）
Harness = 讓他帶著 checklist、關鍵節點即時匯報、會後核實紀錄與錄音、發現偏差馬上糾正、按標準驗收結果
長時間自主任務中，上下文越來越滿，模型開始丟細節、丟重點，甚至出現一種有趣的現象——它好像「知道自己快裝不下了」，開始急著收尾。
一般做法是壓縮歷史上下文繼續跑，但 Anthropic 發現壓縮只是變短了，模型的「負擔感」並沒消失。所以他們做了更激進的事：直接換一個全新的 Agent，把工作交接過去。就像軟體工程中遇到記憶體洩漏——不繼續清快取，直接重啟進程再恢復狀態。
模型自己做事、自己打分，天然偏樂觀。解法：把「做」和「驗」拆開給不同角色——
核心原則：只要評估者足夠獨立，系統就能形成有效的「生成→檢查→修復→再檢查」循環。
人類不寫程式碼，只負責「設計環境」。工程師的工作變成三件事：
早期把所有規範塞進一個巨大的 AGENT.MD，結果 Agent 反而更糊塗——上下文窗口是稀缺資源，塞太滿等於什麼都沒說。後來改成目錄頁結構：只保留核心索引，詳細內容拆到子文件，需要時再鑽進去。本質上和 Agent Skills 的「按需載入」是同一個思路。
Agent 提交速度太快，人類 code review 盯不過來。所以把資深工程師的經驗寫成系統規則（模組分層、依賴限制、攔截條件），而且規則不只報錯，還會把「怎麼修」一起返回給 Agent，進入下一輪修正。這已不是傳統的程式碼規範，而是可持續運行的自動治理系統。
底層模型完全不變，只通過改造和優化 Harness，就把自家智能體在排行榜上的排名從 30 名開外拉到前 5。這是 Harness Engineering 價值最直觀的證明。
諸葛亮是三國最強的「模型」——謀略無雙，相當於頂級的 LLM。隆中對是他的「Prompt」，清晰定義了三分天下的戰略目標。但蜀漢的存續從來不是靠一次次神機妙算。
真正讓蜀漢這個最弱的國家維持數十年的，是諸葛亮建立的那套制度化治理體系：嚴明的法治（《蜀科》）是約束層；屯田制度和穩定的後勤供應鏈是執行編排；丞相府的官僚系統確保即使前線失敗也不會系統性崩潰，這是狀態管理與恢復機制。
反觀關羽——個人武力值頂尖（Model 能力強），但大意失荊州的本質是什麼？沒有 Harness。沒有情報校驗機制（評估觀測層缺失）、沒有失敗回滾方案（恢復層缺失）、狀態管理混亂（後方被偷襲時完全不知情）。一個沒有 Harness 的頂級 Model，一次失敗就是永久性崩潰。
商鞅變法的本質，就是一次完整的 Harness Engineering 實踐。
變法之前，秦國的「Model」（軍事潛力）並不比其他六國差多少。差的是什麼？運行系統。商鞅做的事情對應得驚人地精確：
結果：同樣一批秦國人，變法前被魏國打得丟失河西之地；變法後短短一代人就成為天下最強。Model 沒換，Harness 換了，整個系統的輸出就天翻地覆。這和影片中「同一個模型同一套提示詞，成功率從 70% 到 95%」的故事如出一轍。
AI 時代的競爭正在從「誰的模型最強」轉向「誰的系統最穩」。以下是三個從 Harness 思維出發的商業方向：
商業邏輯：模型在開源化、同質化，護城河越來越淺。但 Harness 層（編排邏輯、校驗規則、恢復機制、狀態管理）是高度場景化的，難以複製。
怎麼做：針對特定垂直場景（法律合約審核、醫療報告生成、金融風控報告），不賣模型 API，而是賣一套「保證 95%+ 成功率的完整工作流程引擎」。客戶不需要關心底層用什麼模型，他們買的是可靠交付。
護城河：每個行業的 Harness 都需要大量領域知識來設計校驗規則、錯誤恢復路徑、品質標準——這些不是換個模型就能取代的。
商業邏輯：影片中最被忽視的第五層「評估與觀測」，恰恰是最有商業價值的。因為所有企業客戶的核心焦慮都是同一個問題：「我怎麼知道 AI 做得對不對？」
怎麼做：提供獨立的「AI 審計」服務——不做生成，只做驗證。像 Anthropic 的 Evaluator 角色一樣，在客戶的 Agent 系統之外建立獨立的評估層：自動測試、日誌分析、錯誤歸因、合規檢查。
定價模型：按驗證次數或按「保證準確率」來收費。對於金融、醫療、法律等高監管行業，為「可靠性」付費的意願極高。
商業邏輯：OpenAI 的實踐揭示了一個關鍵轉變——工程師的價值不再是寫程式碼，而是「設計讓 Agent 能成功的環境」。這意味著市場需要一種全新的專業服務。
怎麼做：像影片中那個真實案例一樣——不幫客戶換模型、不幫他們改提示詞，而是診斷他們的 Harness：任務怎麼拆更合理？狀態管理是否有死角？校驗機制完不完整？失敗恢復路徑通不通？
市場時機：現在大量團隊正陷在「換了最好的模型但 Agent 還是不穩定」的困境中——這正是這個案例開頭描述的場景。能夠診斷並修復 Harness 問題的人，會是 AI 落地階段最搶手的專家。
三個階段，三個問題：
Prompt Engineering → 怎麼把任務講清楚（表達的工程化）
Context Engineering → 怎麼把資訊給對（輸入環境的工程化）
Harness Engineering → 怎麼讓模型在真實執行中持續做對（整個運行系統的工程化）
Harness 不取代 Prompt 和 Context，而是在更大的系統邊界上將兩者都包含進來。
當你的 Agent 表現不穩定時，問題幾乎從來不是「模型不夠努力」，而是它缺了某種結構性的能力。找到那個缺口、補上那層 Harness——這就是 AI 工程這個階段最值錢的事。