驾驭工程_78页_24mb

驾驭工程（Harness Engineering）研究报告总结

核心内容

驾驭工程被定义为操作系统层，与提示词工程（语言层）、智能体工程（工作流层）形成逐层上卷关系。它不仅关注模型如何执行任务，更强调构建一个可治理、可持续的制度化执行环境。该工程的核心目标是将高自治AI系统融入企业流程，使其具备明确的完成契约、知识管理系统、感知能力、状态恢复机制、外部评测与治理边界。

主要观点

• 提示词工程解决“怎么说清楚”，重点在于指令表达与格式控制。
• 上下文工程解决“喂给模型什么”，关注状态供给与流程控制。
• 智能体工程解决“怎么让模型动起来”，关注工作流设计与动态决策路径。
• 驾驭工程是更高层次的系统设计，涉及组织能力、治理机制与制度化环境。

关键信息

• 驾驭工程不是对提示词工程的替代，而是对其的上卷，将提示词、上下文、智能体等纳入制度化框架。
• 它要求构建六大负重部件，包括：机器可验证的完成契约、Durable Knowledge 的 System of Record、Agent 的感官与执行能力、状态恢复机制、外部评测系统、治理边界与安全机制。
• 驾驭工程的瓶颈从“生成更多”转向“让人只在高杠杆节点出手”，强调外部评测与回滚机制的重要性。

六大研究方向

1. AI大模型理论与哲学
2. AI文艺
3. AI应用
4. 新媒体与网络舆论
5. 大数据
6. XR应用

术语状态

• 定义：当前术语体系基本稳定，关键定义待进一步明确。
• 证据：OpenAI与Anthropic等前沿团队已使用“Harness Engineering”一词。
• 结构：从语言层到操作系统层，逐层上卷。
• 落地：在中国政策与企业实践推动下，驾驭工程已进入落地阶段。

四层链条

1. 语言层：提示词工程，关注指令表达。
2. 状态层：上下文工程，关注状态供给。
3. 工作流层：智能体工程，关注动态决策与执行路径。
4. 制度层：驾驭工程，关注系统级环境设计与治理。

中国落地窗口

• 政策信号：人工智能+已从口号进入任务书，中小企业数字化转型聚焦具体城市与场景。
• 实施路线：通过五级成熟度模型，逐步推进从演示型使用到系统级生产。
• 落地场景：
  • 软件与研发：作为证据最强的起点。
  • 客服与运营：最容易算清ROI的入口。
  • 销售运营：适合“半自动驾驶”模式。
  • 制造现场：将Agent作为岗位能力单元。
  • 财务与合规：适合做强辅助，不宜全自动裁决。
  • 企业知识运营：作为System of Record的练兵场。

实施步骤

1. 第一步：定义机器可验证的完成契约。
2. 第二步：将Durable Knowledge从长提示搬进版本化知识库。
3. 第三步：给Agent配真正的感官（如UI、日志、指标）。
4. 第四步：使用progress file、feature list、git与init script解决长时程失忆问题。
5. 第五步：引入评测器、回归测试与生产监控。
6. 第六步：将风格、架构与安全写入机械规则。

指标体系

• 系统级经营指标：完成率、异常率、人工接管率、恢复时长、单位任务成本。
• 高频场景指标：吞吐量与夜间无人值守比例。

治理清单

• 身份与授权：统一身份管理，确保最小权限访问。
• 安全机制：建立统一的安全基线，权限随需分配，动态调整。
• 审计与监控：定期审计，确保系统可审计与可恢复。

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。