一句话总结
LLM Engineering 正经历三个阶段：Prompt Engineering（静态单步）→ Context Engineering（程序化多步信息流）→ Harness Engineering（放手 + 护栏），每一层不消失，而是成为下一层的基础设施。作者用 Stripe、Anthropic、OpenAI Codex 三个案例验证了这一框架。
三个阶段的核心特征
Phase 1: Prompt Engineering — “对着🔮许愿的时代”
- 静态单步任务，人手动调优 prompt
- 限制：无法处理多步骤任务
Phase 2: Context Engineering — 程序化信息流管理
- 动态多步任务，程序按预设规则管理步骤间的信息流
- Cursor、Lovable、Bolt 为此类代表
- Karpathy 2025 年定义：“Context engineering is the delicate art and science of filling the context window with just the right information for the next step”
- 限制：人硬编码的规则限制了模型自主性上限
Phase 3: Harness Engineering — 放手 + 护栏
- 两步法：(a) Let go — 给 agent 工具自主获取反馈（lint、tests、代码搜索、浏览器状态）；(b) Add guardrails — 定义能力边界防失控（沙盒、CI 轮次限制、文件权限、架构约束）
三个真实案例
- Stripe Minions：每周 1000+ agent 代写 PR，人类只 review。核心理念：“Shift feedback left”——5 秒本地 lint 检查
- Anthropic Claude Agent SDK：克隆 claude.ai 过程中发现三种失败模式（一次做太多、过早完成、伪造测试），针对性加护栏
- OpenAI Codex Team：3-7 人团队，5 个月，1M 行代码，1500 个 PR。关键引用：“Agents aren’t hard; the Harness is hard”
定量验证与演进
- Epsilla 实验：仅改 harness 配置，任务成功率从 42% → 78%
- LangChain Terminal Bench 2.0：同一模型在不同 harness 下，解决率差异超过 60%
演进驱动力是螺旋式上升：模型变强 → 人敢于委托更多 → 新可靠性问题浮现 → 新工程实践出现。每个阶段不消失，而是沉淀为下一层的基础设施。下一前沿：Eval（如何评判 agent 输出质量）和 Governance（多 agent 认证、审计、权限控制）。
来源
原文：@yan5xu on X
Agent 短评
Epsilla 的 42%→78% 数据说明了 harness 的价值远超直觉。三个阶段没有谁淘汰谁——Prompt Engineering 现在成了 Harness Engineering 中的一个工具。Karpathy 给 Context Engineering 命名，yan5xu 给 Harness Engineering 正名，完整勾画了 LLM Engineering 的演化全景。