一、前言这里来说说ai近几年的技术演进和痛点解决我会从prompt engineering-context engineering-skill-harness engineering到当下的loop engineering二、Prompt Engineering2021 年上半年1.Prompt Engineering是什么是设计 AI 语言模型的输入让输出可靠地符合预期核心是让模型怎么解读语言然后做到精确表达2.它和我平时和ai对话有什么区别普通的prompt输入帮我写个 Python 排序代码。精心设计的prompt输入你是资深 Python 后端工程师。请写出冒泡排序必须满足①加详细行注释②最终返回标准 JSON 格式key 为 code、explain③分步写完简单思路。Prompt Engineering指的就是让你不要随意的对话每次对话要有角色、有硬性规则、格式约束、要求清单三、Context Engineering2025年6月1.Context Engineering能解决什么问题从根源解决幻觉、信息缺失问题2.Context Engineering怎么解决问题的优化模型输入让模型能在更少的输入中能答得更准更好花得更少。核心思想是不改变模型的结构只改变模型能看到什么3.Context Engineering的实现方法1保存Context将Context筛选或者总结存储到内存里2选择Context将记忆库中最贴近用户需求的部分提取出来有两种选择策略①静态选择所有内容放到Context中②动态选择选择与用户问题最相关的部分放到Context中例如RAG3压缩Context对之前的Context进行总结可指定具体的方案4隔离Context如Anthropic构建的Multi-Agent研究系统每个Agent独立运行互不干扰4.Context Engineering的局限性①上下文质量差的话Context Engineering再怎么强输出的结果也不会好②上下文压缩是双刃剑压缩必丢信息不压缩必超限四、Agent Skill2025年10月16日1.什么是Agent Skill①理解相当于是你可能要重复做的一个工作流程你让AI把这段流程记下来以后每次对话把这个skill喂给他就可以开始模拟复刻之前的工作内容了②原因避免你每次来工作的时候都得告诉它上下文这样很浪费时间如果信息给多了少了或者给的有偏差都可能导致和之前的结果输出不一致另外如果你选择继续上个对话来继续工作那每次对话都拖着厚重的上下文来工作烧token的同时效率也变低2.Skill结构本身Skill就是一个文件夹在这个文件夹里有如下内容①agents规定agent行为边界运作的规则②assets放静态资源的③references用于存放要做的工作流程和工作的规则④scripts存放工作中可能调用的函数方法⑤license许可证(五香干)⑥skill.md用来记录这个skill的名字描述调用规则3.Skill的核心机制调用方式当你调用一个Skill最官方的方式/{agentskill/}你要用它来具体做什么一般你直接说你要用哪个skill或者你说你要干什么ai也能get到你要用什么skill调用过程渐进式披露第一层metadatanamedescription对话时预加载进SystemPrompt这就是为什么他能从你的需求里分析得出你可能要用什么skill来完成这个任务第二层当ai判断出你要用这个skill后他会读这个skill的skill.md第三层通过分析skiil.md里面的内容来得出完成你当前的任务需要先读取reference里的哪些内容并且搭配调用script里的什么函数来完成任务这种机制确保了只加载AI执行任务所需的知识并且节省了token也提升了准确度4.Skill的局限性Skill的局限性源于“感知”与“行动”的脱节正如所说的它是一项重复性工作内容的模板它的内容是已经定义好的ai只是来执行它但是无法感知执行后的反馈。这里详细说一下无法感知这个事有的人说我给它加一个验证环节这样只是一种伪闭环。比如你有一套流程是给物体挂载脚本然后让他移动到目标地点你是这样给它说的给我用某某skill在场景里的香蕉加上脚本移动到左下角的盘子里首先它不知道具体是哪个物体是香蕉他可能用名字猜但是你给一个苹果特意命名为香蕉它就会以为这是香蕉然后完了给这个苹果挂脚本另外就算你挂载对了你让它移动到左下角盘子里这个盘子多大香蕉应该放在盘子的哪个位置等等它都是没法得到反馈的它只知道你让我给香蕉挂脚本我挂了然后移动到左下角盘子我找到盘子我移动到它那里了我已经完成你的任务了但是是不是真的挂对对象移动的最终的位置是不是有偏差它都不知道我认为这是它的局限性。五、Harness Engineering2025年11月1.怎么理解Harness EngineeringHarness本意是马具——缰绳、鞍具那一套东西。AI Agent 就像一匹动力十足但不太守规矩的马Harness 就是那套让它既能跑得快、又不会跑偏的装备。2.Harness Engineering的组成①AGENTS.md它来告诉Agent你是谁你负责什么内容你能做什么不能做什么②工具Agent可以读取调用的功能③验证脚本自动检测Agent的输出是否合格④闭环不合格就自动修修完再检验3.Harness Engineering和skill的区别这里一看好像skill也能做到Harness Engineering的事但是是有区别的skill是针对业务功能是软性规则是可选的纯靠模型自觉而Harness Engineering是硬性的底层规则对于每次对话输出都在兜底对于小项目skill好像还能替代Harness Engineering一旦设计安全、权限、大规模复用还用skill来兜底的话就会出问题4.Harness Engineering的局限性二选一为了安全锁死灵活性或者为了灵活丢掉安全性六、Loop Engineering2026年6月1.Loop Engineering是什么Loop engineering 就是把『亲自给 agent 写 prompt 的那个你』替换掉。你转而去设计那个代替你做这件事的系统。2.一个loop的组成①自动化触发的心跳②worktree让并行不变成打架给每个agent一个独立的工作目录和独立分支共享同一份仓库历史但物理上互不干扰③skillskill就是把这些项目知识写成文件放在仓库里让agent该用的时候自己读④connector基于MCP协议的连接器就是把这些外部系统接进来的桥⑤sub-agent当局者迷旁观者清写代码的那个模型验证自己写的东西实在太手下留情了需要多个agent搭配合作完成任务一个agent做另一个来验⑥markdown文件把记忆放在磁盘上而不是上下文里下次工作的时候也能接着干3.loop的流程第一步心跳触发调用skill。第二步这个skill去读还没关闭的 issue、最近的提交把「哪些问题值得处理」写进一个状态文件。第三步对每一个值得做的问题开一个隔离的worktree派一个sub-agent进去起草修复。第四步第二个sub-agent登场对照项目的skill规范和现有测试把那份草稿审一遍。第五步审过了connector自动开PR、更新对应的工单。第六步loop搞不定的问题不硬来丢进一个待办收件箱等真人来看。第七步所有经过都写回状态文件。4.Loop Engineering的局限性①误差的指数级累积与“雪崩式发散”错误强化当context质量差或者rag偏差导致的幻觉会导致loop的过程中出现错误而且在后面的循环也会带着这个错误导致偏离正轨然后崩盘②永远无法精准定义“完成”可能说你的最大loop次数是10但是第11次才能完成当然你可以说在loop一次不就完了。那另一种情况对于你要润色一篇文章明明3次4次就已经很好了但是他要跑10次那这文章要是很长那token不是烧爆了5.标志新路径Loop Engineering目前的困境实际上在倒逼AI底层架构进行根本性变革。它的局限意味着纯粹的“链式Chained循环”已经走到了尽头。七、面试准备这里可以看看下面这个知友图解 AgentRAGLLM 大模型面试题 | 小林面试笔记八、总结每次的技术演进都伴随着一个技术痛点的解决Prompt Engineering解决ai理解人的意图Context Engineering解决信息失忆和幻觉Skill/Tool Engineering把烂七八糟的后端接口封装成模型最擅长理解的高内聚、低耦合的“标准化函数名参数模版”Harness Engineering解决脆弱性与不可控Loop Engineering解决任务碎片化与半途而废整个演进的本质是随着模型“智商”和“执行力”的指数级增长工程重心不断从“激发模型潜力”Prompt/Context被迫上移到“约束和驾驭模型行为”Harness/Loop