Context Engineering vs Harness Engineering vs Prompt Engineering

這三個概念構成了 LLM 應用開發的三層技術棧，從微觀到宏觀、從單次交互到系統架構層層遞進。

---

一、Prompt Engineering（提示詞工程）

概念

設計、優化輸入給 LLM 的文本指令，以獲取最佳輸出。這是最基礎、最微觀的層次。

核心特點

• 作用範圍：單次 LLM 調用
• 輸入輸出：文本 → 文本
• 優化目標：輸出質量、準確性、格式
• 調試方式：人工調整提示詞，觀察輸出變化

典型技術

// 1. 角色扮演
const prompt = `你是一位資深 Python 工程師，請審查以下代碼...`;

// 2. 思維鏈（Chain of Thought）
const prompt = `請逐步推理：1. 首先... 2. 然後...`;

// 3. Few-shot 示例
const prompt = `示例1: ... → ...\n示例2: ... → ...\n現在處理:`;

// 4. 輸出格式約束
const prompt = `以 JSON 格式輸出：{"field1": "", "field2": ""}`;

侷限性

• ❌ 無狀態管理（每次調用獨立）
• ❌ 無法處理超長上下文
• ❌ 不能調用外部工具
• ❌ 無錯誤恢復機制

---

二、Harness Engineering（腳手架工程）

概念

構建 LLM 應用的外部系統和工具鏈，包括工具定義、狀態管理、錯誤處理、成本控制等。這是中間層，負責"編排"。

核心特點

• 作用範圍：整個 Agent/應用會話
• 主要組件：工具、狀態、緩存、降級、監控
• 優化目標：系統可靠性、成本控制、用戶體驗
• 調試方式：日誌、鏈路追蹤、A/B 測試

核心組件

class Harness {
  // 1. 工具定義（讓 LLM 調用外部能力）
  tools = {
    read_file: { handler: async (path) => {...} },
    execute_bash: { handler: async (cmd) => {...} },
    search_web: { handler: async (query) => {...} }
  };
  
  // 2. 狀態管理（上下文窗口控制）
  manageContext() {
    if (tokenCount > 0.75 * maxTokens) {
      this.compress();  // 壓縮歷史
    }
  }
  
  // 3. 緩存策略（降低成本）
  setupCache() {
    // 標記穩定前綴，複用 KV Cache
    this.cachePrefix = [systemPrompt, toolDefinitions];
  }
  
  // 4. 錯誤處理與降級
  async callWithFallback(prompt) {
    try {
      return await callModel('opus', prompt);
    } catch {
      return await callModel('sonnet', prompt);  // 降級
    }
  }
  
  // 5. 成本控制
  estimateCost(messages) {
    return countTokens(messages) * 0.015 / 1000;
  }
}

解決的核心問題

問題	Harness 解決方案
上下文溢出	壓縮、摘要、滑動窗口
工具調用失敗	重試、降級、超時控制
成本失控	Token 計數、緩存、模型路由
響應不穩定	多次採樣、投票機制
安全風險	工具白名單、沙箱執行

---

三、Context Engineering（上下文工程）

概念

設計、管理、優化 LLM 在整個任務生命週期中能看到的所有信息。這是最宏觀的層次，關注"信息生態"。

核心特點

• 作用範圍：跨會話、跨 Agent、長期任務
• 主要對象：信息選擇、壓縮、記憶、共享
• 優化目標：信息密度、長期一致性、知識複用
• 調試方式：信息檢索評估、記憶召回率

上下文的層次結構

Level 4: 長期記憶（跨會話）
         ├─ 向量數據庫
         ├─ 知識圖譜
         └─ 用戶偏好

Level 3: 工作區上下文（項目級）
         ├─ CLAUDE.md / README
         ├─ 項目結構
         └─ 近期修改

Level 2: 會話上下文（本次對話）
         ├─ 歷史消息
         ├─ 已執行操作
         └─ 中間決策

Level 1: 瞬時上下文（當前消息）
         ├─ 用戶最新輸入
         └─ 臨時工具結果

關鍵技術

// 1. 信息選擇（只加載相關內容）
class ContextSelector {
  async select(query, codebase) {
    // 從 10 萬行代碼中檢索最相關的 5 個文件
    const relevant = await vectorDB.search(query, { topK: 5 });
    // 每個文件只提取相關函數（而非全部）
    return relevant.map(f => this.extractRelevantSnippets(f));
  }
}

// 2. 信息壓縮（有損但保留關鍵結構）
class ContextCompressor {
  compress(code, level) {
    if (level === 1) return this.extractSignatures(code);     // 只剩函數名
    if (level === 2) return this.extractSignaturesAndComments(code);
    return this.simplifyImplementation(code);                  // 保留邏輯但簡化
  }
}

// 3. 長期記憶（跨會話存儲）
class LongTermMemory {
  async memorize(decision) {
    await vectorDB.add(decision.embedding, decision.summary);
    await knowledgeGraph.createRelation(decision.from, decision.to);
  }
  
  async recall(question) {
    return await vectorDB.search(question);  // 語義檢索
  }
}

---

三者的核心區別

對比表格

維度	Prompt Engineering	Harness Engineering	Context Engineering
作用範圍	單次 LLM 調用	Agent 會話生命週期	跨會話、跨 Agent
時間尺度	毫秒級	分鐘-小時級	天-周級
主要對象	文本指令	工具、狀態、錯誤	信息選擇、壓縮、記憶
優化目標	輸出質量	系統可靠性、成本	信息密度、長期一致性
典型問題	"怎麼讓模型理解意圖？"	"Agent卡住了怎麼辦？"	"如何記住上週的決定？"
失敗後果	回答質量差	系統崩潰、成本失控	重複工作、決策矛盾
調試方式	人工調整提示詞	日誌、鏈路追蹤	檢索評估、召回率
依賴關係	獨立	依賴好的 Prompt	依賴 Harness 提供存儲

一句話總結

• Prompt Engineering：怎麼說（微觀表達）
• Harness Engineering：怎麼做（中觀系統）
• Context Engineering：知道什麼（宏觀信息）

---

協作關係圖

用戶需求
    ↓
┌─────────────────────────────────────────┐
│  Context Engineering（宏觀）             │
│  "應該加載哪些歷史決策？"                 │
│  "如何壓縮10萬行代碼到2000 token？"       │
│  "如何記住上週的架構決策？"               │
└─────────────┬───────────────────────────┘
              ↓ 提供精選/壓縮後的信息
┌─────────────────────────────────────────┐
│  Harness Engineering（中觀）            │
│  "如何定義工具讓Agent調用？"              │
│  "上下文快滿了，要不要壓縮？"             │
│  "工具調用失敗，重試還是降級？"           │
└─────────────┬───────────────────────────┘
              ↓ 構建請求、管理狀態
┌─────────────────────────────────────────┐
│  Prompt Engineering（微觀）              │
│  "系統提示詞怎麼寫？"                     │
│  "這個工具描述怎麼讓模型理解？"            │
│  "如何用few-shot示例引導輸出格式？"       │
└─────────────┬───────────────────────────┘
              ↓ 構造最終 Prompt
           LLM 調用

---

實際案例對比

場景：構建一個代碼審查 Agent

// ========== 1. Prompt Engineering ==========
// 關注：如何讓模型輸出高質量審查意見

const reviewPrompt = `
你是一位資深代碼審查專家。審查以下代碼：

規則：
1. 安全性：檢查 SQL 注入、XSS
2. 性能：檢查 N+1 查詢
3. 可維護性：檢查命名、註釋

輸出格式：
- 🔴 嚴重問題
- 🟡 建議改進

代碼：
${code}
`;

// ========== 2. Harness Engineering ==========
// 關注：如何讓 Agent 穩定運行、控制成本

class CodeReviewHarness {
  async review(prUrl) {
    // 工具定義
    const tools = {
      get_diff: () => fetchDiff(prUrl),
      run_linter: (code) => eslint(code),
      get_file_history: (path) => gitLog(path)
    };
    
    // 狀態管理：避免上下文溢出
    let context = { reviewedFiles: [], comments: [] };
    
    // 錯誤處理：工具調用失敗時降級
    try {
      const diff = await tools.get_diff();
      for (const file of diff.files) {
        const issues = await this.reviewFile(file);
        context.comments.push(...issues);
      }
    } catch (error) {
      // 降級：只做靜態分析
      return this.staticAnalysisOnly();
    }
    
    // 成本控制：預估 token 消耗
    if (this.estimateCost(context) > 0.5) {
      await this.compressHistory();
    }
    
    return context;
  }
}

// ========== 3. Context Engineering ==========
// 關注：應該加載哪些信息？如何壓縮？如何記憶？

class CodeReviewContext {
  async buildContext(pr) {
    return {
      // 當前 PR 的變更
      currentDiff: await this.getDiff(pr),
      
      // 相關歷史決策（從向量庫檢索）
      pastDecisions: await this.vectorDB.search(
        pr.description, 
        { filter: { type: 'architectural', limit: 5 } }
      ),
      
      // 項目規範（從 CLAUDE.md 加載）
      projectRules: await this.loadClaudeMd(),
      
      // 壓縮策略：只保留關鍵信息
      compressedHistory: this.compress(pastDecisions, {
        keepSignatures: true,
        dropImplementation: true
      })
    };
  }
}

---

發展路徑

const learningPath = {
  beginner: "只做 Prompt Engineering",
  intermediate: "Prompt + Harness（工具、狀態、錯誤處理）",
  advanced: "完整三層（重點是 Context Engineering）"
};

// 投入產出比
const roi = {
  promptEngineering: "低成本、高回報（適合簡單任務）",
  harnessEngineering: "中成本、中回報（適合生產環境）",
  contextEngineering: "高成本、高回報（適合複雜長期任務）"
};

---

總結

核心區別

層次	核心問題	關鍵產出
Prompt	如何表達意圖？	高質量的單次回覆
Harness	如何構建可靠系統？	穩定運行的 Agent
Context	如何管理信息生態？	長期一致的知識體系

現代 LLM 應用的競爭壁壘

2023 年：Prompt Engineering 是核心技能
2024 年：Harness Engineering 成為標配
2025 年：Context Engineering 是真正的護城河

原因：當基礎能力（提示詞、工具調用）被模型內置後，真正區分產品優劣的是如何管理信息——知道保留什麼、丟棄什麼、從哪裡檢索、如何壓縮。這也是 Claude Code、Cursor 等產品的核心競爭力所在。