2026驾驭工程（Harness_Engineering）研究报告_78页_6mb

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。