从提示词到 Agent 自动化的发展路径

一张图：四层嵌套，后一层包住前一层

点任意一层，右侧展开它的核心问题、本质、工程难点与未来方向。外层 loop 把里面三层整个裹住——这正是「嵌套而非并列」的意思。

人教 AI 说话 → 管理它看见什么 → 给它搭环境 → 设计闭环系统

三条贯穿全文的判断：四层是嵌套不是替代，每层都把上一层收进自己的配置与接口；每往后一层瓶颈就迁移一次——从人说不清楚，到 AI 看不见关键信息，到会想却不能稳定行动，再到能做一步却不能可靠完成长任务；随着模型变强，harness 里的规划、自我验证、长程一致性会被逐渐吸收进模型本身，但就像 prompt 工程至今仍有价值，harness/loop 工程也会长期存在。

提示词工程 —— 意图表达层

本质是人和模型之间的接口契约。好的 prompt 更像一份简短 PRD——角色、目标、背景、输入、约束、标准、输出格式，而不是一段漂亮文字。难点是 Anthropic 说的 right altitude：太硬编码则脆弱难维护，太宽泛则模型拿不到信号；一个常被搞反的认知是 minimal ≠ short，要给足信息但不冗余。取舍上，与其堆一长串 edge case，不如给少量典型示例，few-shot 往往一图胜千言。它不会消失，只会下沉成模板、配置、自动生成与版本管理——这也是「嵌套」的第一层证据。

上下文工程 —— 工作记忆管理

管的是模型每一步看见什么。很多失败不是模型不会，而是它看不见关键事实，或被噪声淹没。难点是 context rot：token 越多，召回反而越差；attention budget 有限，transformer 的 n² 关系让注意力被稀释。所以上下文是有边际递减的稀缺资源，目标是最小的高信号 token 集。

常用手段有四个，各有代价：compaction 压缩历史，难在 recall 与 precision 的权衡——压太狠会丢掉后期才显现重要性的细节；structured note-taking 把记忆写到上下文外、需要时再拉回；sub-agent 隔离让子代理用几万 token 探索、只回传一两千的结论；just-in-time 检索用文件路径、查询等轻量标识按需加载。判断：重点已经从更大的窗口，转向更高质量的选择——预检索快但会过时，按需取新鲜但更慢，实际常用混合。

harness 工程 —— 执行环境

一句话：Agent = Model + Harness，不是模型的部分，就是 harness。它给模型补上天生不会的能力——持久状态、执行代码、访问实时信息、配置环境。最基础的 primitive 是文件系统：工作区、状态外置、多 agent 与人协作的共享账本，加上 git 还能版本化；再给它 bash/code 当通用工具，与其为每个动作预设工具，不如给它一台电脑让它自己写工具；外面套 sandbox 做隔离与按需开销。

难点是工具集要最小可用、不重叠——如果工程师自己都说不清该用哪个工具，agent 更不行；模型训练与 harness 耦合还会过拟合，换掉 apply_patch 的编辑逻辑就能让模型变差。证据很硬：SWE-agent 证明 agent-computer interface 的设计显著影响性能，SWE-bench pass@1 做到 12.5%，远超非交互式基线；LangChain 也观察到同一个模型换 harness、分数差距巨大。能力不只来自模型，也来自接口。未来方向是工具协议标准化（MCP）、权限最小化、可观测性、领域专用 harness。

loop 工程 —— 闭环控制

本质是控制论：目标→计划→执行→观察→评估→修正→继续或停止，把模型从回答器变成自动执行系统。证据不少：Self-Refine 让同一个模型自己生成、自反馈、再迭代，七个任务平均提升约 20%，不需要训练；Reflexion 把语言化反思写进 episodic memory 指导后续决策，HumanEval pass@1 做到 91%，超过 GPT-4 的 80%；工程上的 Ralph Loop 用 hook 拦截模型的退出、在干净上下文里重注入原始目标，逼它继续，靠文件系统跨轮传状态。

真正要强调的难点只有一句：没有终止条件的 loop，就是一个会烧钱、会漂移、会误操作的黑箱。必须设计明确的评估标准、停止条件、预算上限、失败处理、人工介入点，并且把生成器和评估器分开。取舍也清楚：loop 适合可验证任务——有测试、有标准答案；完全开放、无标准的高风险任务并不适合。

一句收尾

• 四层不是替代关系，是嵌套关系。每一层包住上一层——提示词没消失，它变成了里面的配置、模板和接口契约。
• 每往后一层，瓶颈迁移一次：人说不清楚 → AI 看不见 → 会想却不能稳定行动 → 能做一步却不能可靠完成长任务。
• 模型变强会吸收 harness 里的能力，但不会清零它的价值——就像 prompt 工程至今还在。核心竞争力，已从写提示词，转向设计上下文、工具环境、反馈系统与验证机制。