基本信息

来源摘要/节选

公开展示已截断至最多 800 个字符；请访问原始来源查看完整上下文。

Harness Engineering：驾驭 AI Agent 的工程学 “任何时候当你发现一个 agent 犯了一个错误，你就花时间工程化地解决它，使得这个 agent 再也不会犯那个错误。” — Mitchell Hashimoto（Terraform / Ghostty 作者，Harness Engineering 早期推广者之一） 换了更好的模型，只提升了 0.7% LangChain 用一次实验把一件事说清楚了。 他们拿同一个模型参加 Terminal Bench 2.0 基准测试：默认设置跑出 52.8 分，排第 30 名；什么模型参数都没改，只调整了 agent 的运行环境——文档结构、验证回路、追踪系统——分数跳到 66.5，排名升到第 5 名， 提升 26% 。 对比组：换成更好的模型，提升 0.7% 。 这组数字在工程师圈子里流传了很久。不是因为好看，而是因为它指向一个让人不舒服的问题：如果你的 AI 工程精力都集中在"换更好的模型"上，你可能把 99% 的注意力放在了那 0.7% 的空间里。 这就是 Harness Engineering 要解决的问题。 三次范式跃迁 AI 工程已经走过了三代。每一代工程师的焦点都不一样： 第一代：Prompt Engineering（2022-2024） ，问题是"怎么跟模型说话"。Few-shot、Chain-of-Thought、角色设定——工程师花大量时间打磨措辞，因为同一个问题换种说法，结果可能天差地别。 第二代：Context Engineering（2025） ，瓶颈转移了。影响质量的不再是怎么说，而是给它看什么。私域知识、历史对话、动态状态——怎么把正确的信息在正确的时机送进上下文窗口，成了核心工程问题。 第三代：Harness Engineering（2026 起） ，瓶颈再次转移。…

来源说明

当前只保存了公开页面节选，不代表原文全文。请以原始来源为准。

本页只呈现已做哈希绑定的来源证据，不包含基于旧正文或缺失原文的扩展推断。