大模型工程三板斧：Prompt Engineering、Context Engineering 与 Harness Engineering

目录

一、背景与问题定义

在大模型应用开发中，一个核心问题是：

❓ 如何让大模型稳定、准确、可控地完成复杂任务？

工程实践中逐渐抽象出三层能力：

层级 解决问题
Prompt Engineering 如何“问”模型
Context Engineering 给模型“什么信息”
Harness Engineering 如何“组织模型完成任务”

二、Prompt Engineering（提示词工程）

2.1 定义

Prompt Engineering 是通过设计输入提示（Prompt），来引导模型生成符合预期输出的技术。

2.2 核心目标

  • 控制输出格式（JSON / Markdown）
  • 控制推理方式（是否分步思考）
  • 控制角色与风格

2.3 常见技术

（1）指令设计（Instruction）

1
你是一个Java面试官，请结构化回答问题

（2）Few-shot 示例

1
2
Q: 什么是线程安全？
A: ...

（3）思维链（Chain-of-Thought）

1
请一步一步推理再给出答案

（4）输出约束

1
请用JSON格式输出

2.4 优缺点

✅ 优点

  • 成本低，见效快
  • 无需改模型或系统

❌ 缺点

  • 不稳定（对输入敏感）
  • 无法补充模型知识盲区

2.5 一句话总结

Prompt Engineering 本质是在控制模型“怎么思考、怎么表达”。

三、Context Engineering（上下文工程）

3.1 定义

Context Engineering 是通过构造和管理输入上下文，使模型在回答前“拥有正确的信息”。

3.2 核心问题

  • 给多少上下文？
  • 给哪些内容？
  • 如何组织上下文？

3.3 核心技术

（1）RAG（检索增强生成）

流程：

1
用户问题 → 向量检索 → 相关文档 → 拼接上下文 → LLM回答

（2）Chunking（分块策略）

  • 固定长度分块
  • 语义分块
  • 滑动窗口

（3）上下文压缩

  • 摘要压缩
  • 重排序（Re-ranking）
  • 去重

（4）Memory 机制

  • 短期记忆（对话历史）
  • 长期记忆（向量库 / 数据库）

3.4 优缺点

✅ 优点

  • 弥补模型知识不足
  • 提升回答准确率

❌ 缺点

  • 上下文窗口有限
  • 检索质量决定上限

3.5 一句话总结

Context Engineering 本质是在控制模型“知道什么再回答”。

四、Harness Engineering（编排工程）

4.1 定义

Harness Engineering 是将大模型、多工具、多步骤组织成完整系统的工程能力。

4.2 核心能力

（1）多步推理（Multi-step）

  • Plan → Act → Reflect

（2）工具调用（Tool Use）

  • 搜索引擎
  • 数据库查询
  • API调用

（3）Agent循环（ReAct）

1
Thought → Action → Observation → Thought → ...

（4）错误处理

  • 重试（Retry）
  • 降级（Fallback）
  • 超时控制

（5）输出校验

  • JSON Schema校验
  • 格式纠错

4.3 示例流程

1
2
3
4
5
6
7
8
9
用户问题
   ↓
LLM规划任务
   ↓
调用搜索工具
   ↓
获取结果
   ↓
总结输出

4.4 优缺点

✅ 优点

  • 可构建复杂系统（Agent / Copilot）
  • 提高稳定性和可控性

❌ 缺点

  • 系统复杂度高
  • 调试成本高

4.5 一句话总结

Harness Engineering 本质是在控制模型“如何一步步完成任务”。

五、三者关系与分层架构

5.1 分层结构

1
2
3
4
5
6
7
应用层（Agent / RAG / Copilot）
        ↑
Harness Engineering（流程编排）
        ↑
Context Engineering（信息供给）
        ↑
Prompt Engineering（表达控制）

5.2 类比理解

层级 类比
Prompt 提问方式
Context 提供资料
Harness 做题流程

5.3 关键结论（面试高频）

Prompt Engineering 是局部优化
Context Engineering 是信息优化
Harness Engineering 是系统级优化

六、典型系统设计（结合RAG / Agent）

6.1 RAG系统

1
2
3
4
5
6
7
用户问题
   ↓
向量检索（Context）
   ↓
Prompt拼接
   ↓
LLM生成

👉 重点在：

  • Context Engineering

6.2 Agent系统

1
2
3
4
5
6
7
8
9
用户问题
   ↓
任务规划（Prompt）
   ↓
工具调用（Harness）
   ↓
多轮推理
   ↓
最终输出

👉 重点在：

  • Harness Engineering

七、面试高频问题与回答模板

❓问题1：三者有什么区别？

✅ 标准回答：

Prompt Engineering 主要解决如何设计输入，让模型输出更符合预期；
Context Engineering 解决的是给模型提供哪些信息；
Harness Engineering 则是从系统角度，组织模型和工具完成复杂任务。

❓问题2：哪个最重要？

✅ 推荐回答：

在简单任务中 Prompt 就够了，但在实际工程中，
Context Engineering 和 Harness Engineering 更关键，因为它们决定了系统的上限和稳定性。

❓问题3：RAG属于哪一层？

✅ 回答：

RAG主要属于 Context Engineering，但在实际系统中也会涉及 Harness（检索流程）和 Prompt设计。

❓问题4：Agent属于哪一层？

✅ 回答：

Agent主要属于 Harness Engineering，因为它涉及任务拆解、工具调用和多轮推理。

八、总结

Prompt Engineering -> 怎么问
Context Engineering -> 怎么记
Harness Engineering -> 怎么管