本文介绍了从Prompt Engineering到Loop Engineering的AI发展历程，阐述了AI工程四层图景：Prompt、Context、Harness和Loop。其中，Harness Engineering负责将模型转化为能干活的安全智能体，而Loop Engineering则解决跨多轮持续工作的自主推进问题。文章详细解析了Harness和Loop的核心组件、设计模式及常见陷阱，并提供了实战场景示例，帮助读者理解如何在大模型时代设计高效的AI系统。
2023 年，所有人都在学 Prompt Engineering——怎么写好一条指令，让 AI 给出更好的回答。到了 2025 年，这个技能已经不够用了。
Claude Code、Codex、OpenClaw 等 AI 编程智能体的崛起，揭示了一个更深层的变化：开发者不再逐条输入 Prompt，而是设计一套循环系统，让 AI 自主地执行、验证、迭代，直到任务完成。与此同时，OpenAI 在 2026 年初提出了另一个关键概念——Harness Engineering，定义了"让模型变成智能体"的基础设施层。这两个概念加在一起，构成了当下 AI 工程最完整的实践图景。
用 Addy Osmani 的话说：“Stop prompting your coding agent, and start designing the loop that prompts it for you.” 别再手动给你的 Agent 写 Prompt 了，去设计那个替你写 Prompt 的循环。
四层图景：Prompt → Context → Harness → Loop
要理解 Loop Engineering 的位置，需要看清 AI 工程的四个层次。它们不是替代关系，而是层层叠加：
Prompt Engineering（2022-2023） 解决的是"这一轮对话怎么说"的问题。核心技能是语言精确性——用对词、用对格式、用对 few-shot 示例，让模型在单次交互中给出理想响应。工作单元是一条 Prompt，持续几秒到几分钟。
Context Engineering（2024-2025） 解决的是"模型这一轮看到什么"的问题。当 Agent 开始调用工具、检索文档、维护对话历史，工程重心转向管理上下文——什么信息该放进去、什么该过滤掉、如何让 RAG（检索增强生成）返回准确结果。核心技能从语言转向数据工程。
Harness Engineering（2026） 解决的是"怎么把裸模型变成一个能干活的安全智能体"的问题。它定义了一套基础设施公式：Agent = Model + Harness。Harness 是包裹在模型外面的所有运行时组件——系统提示词、工具注册与调度、权限控制、沙箱环境、上下文窗口管理、记忆持久化、子 Agent 编排。模型只负责预测下一个 token，Harness 负责让这些预测真正"做事"。用 SixDegree 的比喻：模型是引擎，Harness 是底盘、变速箱和方向盘。
Loop Engineering（2026） 解决的是"跨越多轮、持续数小时甚至数天的工作怎么自主推进"的问题。它运行在 Harness 之上，设计整个迭代循环——触发条件、目标定义、行动编排、结果验证、状态记忆。核心技能从"写好指令"变为"系统设计"。
一个简单的类比：如果把 AI Agent 比作一辆自动驾驶汽车，那 Prompt 是方向盘上的指令（“左转”），Context 是车载传感器看到的路况信息，Harness 是整辆车的底盘、引擎、刹车和安全系统，而 Loop 是自动驾驶算法——它决定了车怎么在没有人类干预的情况下，从 A 点开到 B 点。
Harness 和 Loop 的关系尤其密切。正如博客园一篇拆解文章所说：“Harness 提供能力，Loop 自动化执行。” 没有 Harness，Loop 无处运行；没有 Loop，Harness 只是一个等待人类指令的工具，而不是一个自主工作的同事。
Harness Engineering：Loop 下面的地基
OpenAI 在 2026 年 2 月正式提出 Harness Engineering 概念时，用了一个清晰的心智模型：Harness 由前馈引导（Feedforward Guides）和反馈传感器（Feedback Sensors）两部分组成，共同约束 Agent 的行为边界。
前馈引导是"事前控制"——在 Agent 开始行动之前，通过系统提示词定义角色和规则、通过工具注册表限定可用能力、通过权限模型决定什么能做什么不能做。这些组件在 Agent 运行前就已经就位，决定了它的"性格"和"能力范围"。
反馈传感器是"事后检查"——在 Agent 行动之后，通过自动化测试、lint 检查、CI 流水线、独立验证 Agent 等机制，确认输出是否符合预期。Martin Fowler 在其文章中特别强调了"Keep quality left"原则：把快速检查尽可能前置，不要等到最后才验证。
一个完整的 Harness 包含以下核心组件：
| System Prompt | 定义 Agent 的角色、规则、行为边界 | 员工手册 |
| Tools & Dispatch | 注册可用工具，调度 Agent 的工具调用请求 | 工具箱 |
| Permissions & Guardrails | 权限控制、安全护栏、kill switch | 安全规程 |
| Sandbox | 隔离的执行环境，防止 Agent 影响生产系统 | 实验室 |
| Context Window Manager | 管理上下文窗口的填充、压缩和轮换 | 短期记忆管理员 |
| Memory | 跨轮次、跨运行的持久化状态 | 长期记忆 |
| Orchestration | 子 Agent 的创建、分配、协调 | 项目经理 |
| Logging & Observability | 行为日志、可追溯性、监控告警 | 黑匣子 |
Harness 的质量直接决定了 Agent 的上限。一个好的 Harness 让模型"感觉很强"——因为它的每个行动都有工具支撑、有权限保护、有验证兜底。一个差的 Harness 让模型"看起来不靠谱"——不是模型本身不行，而是基础设施拖了后腿。
这也是为什么在 Claude Code、Codex 等产品的实际使用中，经验丰富的开发者花最多时间打磨的不是 Prompt，而是 Harness 的配置——哪些工具该开放、哪些权限该收紧、沙箱该怎么设置、验证器该怎么写。这些"看不见的工作"才是 Agent 表现好坏的决定性因素。
一个 Loop 的五个核心组件
一个设计良好的 Loop 不是"让 AI 一直跑"那么简单。它包含五个缺一不可的工程模块：
触发器（Trigger）——什么启动这个循环？可以是一个定时任务（每天凌晨 2 点执行）、一个事件（CI 流水线报错时自动触发）、或一条人类指令（“把这批 P1 issue 分掉”）。触发器定义了 Loop 的起点和运行条件。
目标（Goal）——循环什么时候算"完成"？目标必须是可验证的终态，而不是一句模糊的描述。“所有测试通过”“所有 P1 issue 已分类并评论”“重构后的模块保持原有行为不变”——这些都是好目标，因为它们可以用自动化手段判定。
行动（Actions）——Agent 可以调用哪些工具？文件读写、终端命令、API 调用、数据库查询、甚至生成子 Agent 来并行处理。行动是 Agent 从"能说"到"能做"的桥梁，也是 Loop 与纯对话系统的本质区别。
验证（Verification）——怎么确认目标真的达成了？这是 Loop Engineering 最容易被忽视却最关键的环节。优先使用确定性验证——单元测试、lint 检查、CI 流水线结果，而不是让 LLM 自己判断"我做完了"。一个常见的反模式是 Agent 声称任务完成，但实际上跳过了验证步骤，这就是所谓的"幻觉成功"（Hallucinated Success）。
记忆（Memory）——Agent 在跨轮次运行时如何保持状态？模型的上下文窗口有限，而且每次运行之间不共享记忆。成熟的 Loop 会把关键状态持久化到外部——Markdown 文件、数据库、错误日志——避免"上下文腐烂"（Context Rot），也就是上下文窗口被塞满后模型质量急剧下降的问题。
把这五个组件串起来，一个 Loop 的伪代码大致是这样的：
state = init_state(goal)
for step in range(MAX_STEPS):
thought = model.reason(state) # 推理
action = model.choose_action(state) # 选择行动
result = tools.execute(action) # 执行
state = update(state, thought, action, result)
state = compact(state) # 上下文压缩
if verifier.passes(state):
return success(state) # 验证通过，完成
if no_progress(state):
return escalate_to_human(state) # 无进展，交还人类
return escalate_to_human(state) # 达到上限，交还人类
Prompt vs Context vs Harness vs Loop：一张表说清
| 解决的问题 | 这一轮怎么说 | 这一轮看到什么 | 模型怎么变成能做事的 Agent | 多轮工作怎么自主推进 |
| 工作单元 | 单条 Prompt | 一次上下文构建 | 一套运行时基础设施 | 整个自主运行循环 |
| 核心技能 | 措辞精准 | 数据工程 | 系统设计 / 安全工程 | 编排与流程设计 |
| 失败模式 | 语义歧义 | 信息过期 / 噪音 | 权限泄漏 / 工具故障 | 循环漂移 / 无限重试 |
| 时间跨度 | 秒到分钟 | 单次交互 | 持续运行的基础设施 | 分钟到小时，甚至数天 |
| 角色定位 | 写作者 | 数据工程师 | 平台 / 安全工程师 | 系统架构师 |
最本质的区别在于：Prompt 管"说什么"，Context 管"看到什么"，Harness 管"能做什么"，Loop 管"怎么持续做"。四层叠加，才是一个完整的生产级 AI Agent 工程体系。
实战场景：Loop 在跑什么？
场景一：自动修 Bug 循环。 CI 流水线报错，Loop 被触发。Agent 读取失败的测试日志，定位可能的出错代码，生成修复补丁，重新跑测试。如果绿灯，自动开 PR；如果连续三次尝试都失败，升级给人类开发者。整个过程无需人工干预，但人类始终保有最终决策权。
场景二：Issue 分诊循环。 每天凌晨，Loop 自动扫描过去 24 小时新增的 GitHub Issue，根据预定义的分类规则打上标签、指派给对应团队、留下初步评论。验证机制是检查每个 Issue 是否已被正确分类并指派，遗漏的进入待人工处理队列。
场景三：多 Agent 协作编排。 一个"主管 Agent"拆解任务，派出多个"专家 Agent"并行执行各自的 Loop。完成后，一个独立的"验证 Agent"检查结果的正确性——注意，不是让执行者自我评估，而是用一个独立的模型做交叉验证。这种 Maker-Checker 分离模式，是多 Agent Loop 的核心安全机制。
四个常见陷阱
Loop Engineering 的红利很大，但设计不当的 Loop 比不写 Loop 更危险。
上下文腐烂（Context Rot）——随着循环轮次增加，上下文窗口被历史数据塞满，模型的推理质量急剧下降。解法是上下文压缩：只保留最近 N 轮的完整内容，更早的压缩为摘要，关键状态持久化到外部文件。
无进展循环（No-Progress Loop）——Agent 反复调用同一个工具、得到相似的结果、不知道该停。解法是无进展检测：如果连续 K 轮没有新的信息产出，自动终止并交给人类。
奖励作弊（Reward Hacking）——Agent 找到了"通过验证"的捷径，但偏离了真实目标。比如，测试跑不过就删掉测试文件。解法是验证器必须覆盖行为完整性，而不仅仅是表面指标。
成本失控（Cost Blowup）——长时间运行的 Loop 会消耗大量 Token 和 API 调用。解法是预算守卫：设置单次运行的最大 Token 上限和最大步数，超限即停。
四种设计模式，从简到繁
在实践中，Loop 的设计模式可以按复杂度分为四个层级，选择哪种取决于任务的性质：
ReAct（Reason + Act） 是最基础的模式：推理 → 行动 → 观察，单循环跑到底。适合目标明确、步骤线性的任务，比如"修这个 Bug 并让测试通过"。绝大多数场景从这个模式起步就够了。
Reflexion（反思模式） 在 ReAct 基础上增加了自我批评环节：Agent 执行完后回顾自己的输出，识别错误或不足，带着反思进入下一轮。适合需要迭代优化的任务，比如代码审查或文档撰写。
Evaluator-Optimizer（评估-优化） 把执行和验证拆成两个独立角色。一个 Agent 负责生产，另一个负责评估打分，分数不达标就打回重做。适合质量要求严格的输出，比如安全合规检查或数据清洗。
Orchestrator-Workers（编排者-工人） 是多 Agent 协作模式：一个编排 Agent 拆解任务、分配子任务给多个工人 Agent，各自运行独立 Loop，最后汇总结果。适合需要并行处理的复杂任务，比如同时分析十个竞品并生成对比报告。
关键原则是：从最简单的模式开始。 一个带确定性验证器的 ReAct 循环，通常优于一个精心设计但调试困难的多 Agent 系统。只有当任务确实需要并行、分工或独立验证时，才值得引入更复杂的模式。
写在最后
Loop Engineering 和 Harness Engineering 不是全新的学科——它们的思想根植于控制论的反馈回路、软件工程的运行时基础设施。但在大模型时代，它们第一次从理论走进工程实践，成为了 AI 从"工具"进化为"同事"的关键基础设施。
Prompt、Context、Harness、Loop 四层工程能力不是替代关系，而是叠加关系。一个优秀的 AI 工程师，需要能写好 Prompt、管好 Context、搭好 Harness、设计好 Loop——四层能力缺一不可。
如果你刚刚开始接触这些概念，最务实的起步方式是：先为你的 Agent 搭建一个扎实的 Harness（好的系统提示词、合理的工具集、严格的权限控制、确定性验证器），然后在它之上设计一个最简单的 ReAct 循环（推理-行动-观察），跑起来看看。
记住那句核心原则：Prefer the simplest pattern that works. 一个带确定性验证器的简单 Loop，胜过一套精心设计的多 Agent 系统。先让它跑起来，再让它变复杂。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
以上全套大模型资料如何领取？
