> **来源：[研报客](https://pc.yanbaoke.cn)** # 驾驭工程（Harness Engineering）研究报告总结 ## 核心内容 驾驭工程是操作系统层，其核心在于围绕高自治、长时程、可治理的AI系统构建整套可持续执行环境。它与提示词工程、上下文工程、智能体工程并非互斥关系，而是逐层上卷，形成一个完整的工程体系。驾驭工程不是替代提示词工程，而是对它的上卷和扩展，旨在将AI系统从“会做事”升级为“系统级环境设计”。 ## 主要观点 - **提示词工程**解决“怎么说清楚”，关注指令表达、输出格式、上下文供给、示例组织与指令优先级。 - **上下文工程**解决“喂给模型什么”，包括系统指令、工具、外部数据、消息历史、MCP、长期状态等，是驾驭工程的隐形内核。 - **智能体工程**解决“怎么让模型动起来”，关注工作流、控制流、工具、记忆/知识、guardrails等，是工作流层的工程。 - **驾驭工程**解决“制度层”，包括契约、权限、回滚、审计、熵控制等，是系统级的工程，强调组织能力与制度设计。 ## 关键信息 ### 四层链条 1. **语言层**：提示词工程，解决指令表达与输出清晰。 2. **上下文层**：上下文工程，解决状态供给与记忆管理。 3. **工作流层**：智能体工程，解决动态决策与任务执行。 4. **操作系统层**：驾驭工程，解决制度设计与系统治理。 ### 六大负重部件 1. **机器可验证的完成契约**：定义任务完成的标准，确保系统可评估。 2. **Durable Knowledge 的 System of Record**：建立知识库，确保知识可追溯与版本管理。 3. **Agent 的感官与手脚**：赋予Agent真实感知与执行能力，如UI、日志、指标等。 4. **长时程失忆解决方案**：通过progress file、feature list、git与init script等机制，确保状态可恢复、可交接、可继续。 5. **验证回路**：引入外部评测、回归测试与监控，确保系统稳定运行。 6. **边界、沙箱与熵控制**：通过机械化方式控制系统边界，确保安全与可控。 ### 中国落地窗口 - **政策支持**：人工智能+已从口号进入任务书，政府推动具体城市与场景的数字化转型。 - **制造业实践**：制造业是AI落地的重要场景，具备指标硬、验证强、责任链清晰等优势。 - **企业知识运营**：作为system of record的练兵场，是构建可治理AI系统的起点。 - **高频岗位任务**：如客服、销售、文档管理等，适合优先试点，提升效率与ROI。 ## 落地路径 1. **第一步**：定义machine-checkable的完成契约，包括输入边界、输出要求、验证方法和停止条件。 2. **第二步**：将durable knowledge从长prompt搬进versioned artifacts，确保知识可追溯。 3. **第三步**：为Agent配备真正的感官，如UI、日志、测试等，提升系统透明度。 4. **第四步**：通过progress file、feature list、git与init script解决长时程失忆问题。 5. **第五步**：引入evaluator、regression eval与生产监控，确保系统可评测与可审计。 6. **第六步**：将taste、architecture与security写入机械规则，实现制度化管理。 ## 反模式与边界 - **反模式一**：把大长prompt当Harness，需将知识存入versioned artifacts。 - **反模式二**：混淆workflow、agent与harness，需明确各自定义与职责。 - **反模式三**：工具越多越好，需精简工具，提升效率。 - **反模式四**：过早追求完全自治，高风险场景应采用Agent预处理+人类放行。 - **反模式五**：让主Agent自证完成，需引入外部评测机制。 - **反模式六**：没有回滚点就改外部状态，需建立可回滚机制。 - **反模式七**：追求复杂性，需避免过早优化与过度工程。 ## 一句话结论 驾驭工程不是把提示词再写长一点，而是把模型周围整个制度化执行环境设计出来。