夜雨聆风前两天我用 Claude Code 改一个项目。
它在终端里自己读文件、自己改代码、自己跑测试，测试挂了它自己看报错、自己重试，跑通了自己提交。
我就在旁边看着。
那一刻我突然意识到，这件事离我们两年前熟悉的“写 prompt”已经隔了十万八千里了。
如果你还停留在“怎么把提示词写好”的认知里，你大概率会觉得这两年 AI 的发展完全看不懂。
因为 AI 应用的工程方法，这五年 quietly 换了五代。
从软件工程，到提示工程，到上下文工程，到 harness 工程，再到 loop 工程。
每一代都不是推翻前一代，而是把前一代包进去，再往外多一圈。
今天我想把这五个阶段一次讲清楚。讲完你就明白，为什么现在最值钱的能力，已经不是“写提示词”了。
一、软件工程：人写代码
这是大家最熟悉的阶段，玩了几十年。
人是执行者。人把需求拆成逻辑，用代码一行行写出来，机器负责跑。
它的特点是确定。写一行就是一行，bug 是 bug，跑通是跑通。出了问题，顺着逻辑 debug 就行。
这套方法成熟稳定，可以预测。所以它能撑起整个互联网行业几十年。
但它的瓶颈也在人。人写得慢，人改得慢，人懂一个系统的成本越来越高。
直到有一天，模型能写代码了。
二、提示工程：怎么问
2022 年底 ChatGPT 出来，所有人发现的第一个事实是：同一个模型，你怎么问它，决定了它回答得有多好。
于是有了提示工程。
few-shot 举例、思维链（CoT）、角色设定、“请一步一步思考”、各种魔法咒语。
核心关注点就一件事：how you ask（你怎么问）。
2023 年这是最火的方向，甚至催生了一个叫“提示工程师”的岗位，年薪开得很高。
它确实有用。把一个问题换种问法，输出质量可以从不及格跳到优秀。
但它的天花板很快就到了。
因为 prompt 写得再花，模型只知道你嘴里说的那几句话。它不知道你公司的数据，不知道最新的新闻，不知道你那个庞大代码库里的上下文。
你问它“帮我总结一下这个季度的销售情况”，你不说数据，它就瞎编。
于是大家发现，光研究“怎么问”是不够的。更关键的是“你到底喂给它了什么”。
三、上下文工程：给什么信息
2025 年 6 月，Andrej Karpathy 在 X 上发了一条推文。
他说：别再提 prompt engineering 了，应该叫 context engineering。紧接着他补了一句很关键的话：上下文工程只是协调每一次 LLM 调用的那一厚层非平凡软件中的一个小角落。
注意他用的词：“一厚层非平凡软件”。他的意思是，prompt 只是冰山一角，底下还有一大坨围绕模型搭出来的工程系统。
Shopify 的 CEO Tobi Lütke 紧跟着站队，他给的定义更直白：上下文工程就是为任务提供所有必要上下文，使其能被 LLM 合理地解决。
关注点从“怎么问”，正式变成了"what you feed the model"（你喂给模型什么）。
RAG 检索来的资料、历史对话、工具调用的结果、记忆系统、系统提示，所有这些塞进上下文窗口的东西，都成了工程对象。
你要决定：什么信息进、什么时候进、以什么格式进、怎么压缩、怎么淘汰。
2025 年 7 月，Gartner 直接宣布“prompt engineering 已死，context engineering 当立”，并预测它会嵌进 80% 的 AI 开发里。
我用一句话帮你理解它：LLM 的本质是开卷考试，上下文工程就是在帮它准备那个开卷包。包里装什么，比它答题的技巧重要得多。
但上下文工程做到一定程度，又有人发现一个问题。
光把信息塞进去还不够。模型要干活，还得有工具、有环境、有约束、有反馈。
于是下一层出现了。
四、Harness 工程：给模型套上挽具
这一层现在最热。
LangChain 前不久发了一篇文章，标题叫《The Anatomy of an Agent Harness》。它开篇就甩出一个公式：Agent = Model + Harness（模型 + 挽具）。
后面还跟了一句更狠的：If you’re not the model, you’re the harness. 不是模型的那部分，都是挽具。
Harness 这个词本意是马的“挽具”——套在马身上，让它能拉车、犁地、被人驾驭的那一套。
放到 AI 里，模型是那匹马，harness 就是套在它外面的一切：工具、文件系统、沙箱、记忆、编排逻辑、安全约束、钩子（hooks）。
LangChain 那篇文章里还有一句特别清醒的话：模型负责聪明，harness 负责让这份聪明真正派上用场。
Martin Fowler（软件工程界的元老）也写了一篇。他把 harness 拆得更细，说它本质上就是两样东西的组合：
- Feedforward guides（前馈引导）： 在模型动手之前，告诉它怎么干。比如 AGENTS.md、规范文档、bootstrap 脚本。
- Feedback sensors（反馈传感器）： 在模型动手之后，检查它干得对不对。比如 linter、类型检查、测试、代码审查。
前者提高它一次做对的概率，后者给它一个自我纠错的回路。
OpenAI 一个用 Codex 的工程团队写了一句话，我觉得特别能说明问题：他们现在最难的挑战，已经变成怎么设计环境、反馈循环和控制系统。
注意这句话，他们没说“我们最难的挑战是写 prompt”。最难的是设计环境和反馈循环。
Addy Osmani（Google Chrome 团队）说得更直白：一个还行的模型配一个好 harness，能打赢一个好模型配差 harness。
换句话说，harness 的好坏，比模型本身的好坏更要紧。
有意思的是，LangChain 还点破了一层窗户纸：今天的 harness，很大程度上就是上下文工程的交付机制。
所以你看，这一层是在把上一层的活儿做扎实、做成系统。
那 harness 搭好了，就够了吗？
还不够。因为 harness 是静态的。真正让 agent 干活的，是让它转起来。
五、Loop 工程：让它自己跑下去
这一层最新，也最前沿。
最有说服力的一句话，来自 Boris Cherny。他是 Claude Code 的负责人。他说：我不再 prompt Claude 了，我有一堆 loop 在 prompt Claude、在决定该做什么，我的工作就是写 loop。
Claude Code 的负责人，日常工作已经不写 prompt 了，是在写 loop。这句话分量很重，建议你停下来想一想。
一个 agent 要完成一个复杂任务，它必须能在一个循环里持续运转：执行、检查、修正、再执行，直到搞定。
但这件事远比想象的难。模型天然有两个毛病：一是“早停”，干到一半说“剩下的你来吧”就退出了；二是“context rot”，上下文越塞越满，模型越来越糊涂。
LangChain 在文章里提到了一个叫 Ralph Loop 的模式。这个设计很巧妙：用一个 hook 拦截模型想退出的动作，把原始指令重新注入一个干净的上下文，强制它接着干。因为之前的工作都沉淀在文件系统和 git 里，所以它每次重启都能接着上次的进度继续。
这就是 loop 工程要解决的核心问题：让 agent 跨越单次对话、单个 context 窗口，长时间自主地把活干完。
除了 Ralph Loop，还有几种 loop 在被实践：
- Self-verification loop（自检循环）： 执行完一步，自己跑测试验证，失败就把报错塞回去重来。
- Steering loop（驾驶循环）： Martin Fowler 提的，人不断迭代 harness 本身。agent 这次没干好，就改 guides 和 sensors，让它下次别再犯。
- 自改进 loop： 这是最前沿的方向，让 agent 分析自己的执行 trace，找出 harness 哪里设计得不好，自己改。Adaline Labs 甚至说 self-improving agent 已经是生产级模式了，不只是想象。
Addy Osmani 给 loop 工程下过一个很准的定义：loop 工程就是把你“那个去 prompt agent 的人”替换掉，改成你去设计一个系统，让它去 prompt。
我前面说的 Claude Code 在终端里自己跑测试、自己重试，就是一个 self-verification loop。
这一层的工程才刚刚开始，谁也说不清它最后会长成什么样。但方向已经清晰了：从“人写代码”，到“人设计一个让 AI 自己跑下去的系统”。
这五个阶段，到底是什么关系
讲完了。我想给你一个判断。
这五个阶段之间的关系，是层层包裹。
提示工程没有消失，它变成了上下文工程的一部分，写 prompt 还在，只是它不再是主角。
上下文工程没有消失，它变成了 harness 工程的核心。LangChain 自己都说，harness 本质是上下文工程的交付机制。
harness 工程也没到顶，它必须在 loop 里转起来才有意义。
就像俄罗斯套娃。每一层都在前一层外面多包一圈。
那我们现在在哪？
我的判断是，行业主流在上下文工程和 harness 工程之间。RAG、MCP、Agent 框架这些热词，本质上都在这两层里打转。
真正在做 loop 工程的团队，全世界也没几个。它太新，太难，而且不便宜。
但方向已经在那儿了。
所以如果你还在纠结“提示词怎么写”，我的建议是，把视角往上抬两层。
提示词只是冰山最尖上那一丁点。水下面是上下文管理、是工具环境、是反馈回路、是让整个系统转起来的设计。
这些才是现在 AI 应用工程师真正在啃的硬骨头。
也是未来两三年最值钱的能力。
以上，既然看到这里了，
如果觉得不错，随手点个赞、在看、转发三连吧，
如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章