本文目录6 个章节
AI 工程化五大范式演变
AI 行业在过去五年里接连提出五个工程概念：Prompt Engineering (2022)、Context Engineering (2025)、Harness Engineering (2026 年 2 月)、Loop Engineering (2026 年 6 月) 与 Graph Engineering (2026 年 7 月)。这些概念反映了系统控制焦点从请求单次模型，逐步向构建全局运行环境与 Agent 拓扑结构转移的发展过程。
早期开发者尝试通过单条提示词承载全部业务逻辑，随后引入动态检索与记忆管理以提升输出质量。当 Agent 具备自主工具调用能力后，单纯依靠提示词约束不再具备确定性，系统转向基于架构隔离与自动化验证的防护方案；最终，针对单 Agent 的集中式循环瓶颈，工程界开始采用多 Agent 状态图编排。
AI 工程化五大范式演进时间线
-
2022 年：Prompt Engineering（提示词工程）
专注于在单次交互中撰写与调优指令，通过 Few-Shot 与 Chain-of-Thought 激发模型推理能力。
-
2025 年：Context Engineering（上下文工程）
管理提示词之外模型感知的一切上下文，整合 RAG 检索文档、长期与短期记忆、动态工具定义与会话历史。
-
2026 年 2 月：Harness Engineering（缰绳工程）
构建架构级别的强隔离与安全门禁。提出 Agent = Model + Harness 架构，通过沙盒、AST 校验和权限控制将 Agent 约束在安全边界内。
-
2026 年 6 月：Loop Engineering（循环工程）
设计 Agent 自主重复的计划、执行、验证与修复闭环，引入确定性判决器明确每一步的触发机制与完成标准。
-
2026 年 7 月：Graph Engineering（图工程）
将多个 Agent 循环通过节点、边和共享状态连结成网状拓扑，消除单 Agent 上下文膨胀并实现高并发协同。
Prompt 与 Context Engineering：指令与上下文管理
2022 年出现的 Prompt Engineering 专注于探索大语言模型的指令响应规律。在单次交互模式下，调优 Few-Shot 样例与推理步骤能够有效提升模型输出的稳定性。 然而，模型自身并不保存外部领域知识与实时业务状态。当输入超出模型的训练截断时间或上下文窗口限制时，单纯的提示词调优存在明确的边界。
到 2025 年，工程焦点转向 Context Engineering。开发者从精雕细琢单条指令，转为构建完整的上下文供给系统。上下文工程的核心在于为模型装载 RAG 向量检索结果、短期与长期记忆、动态接口定义以及会话历史窗口。 通过滑动窗口压缩与上下文剪枝，系统可以在有限的 Token 预算下为模型提供关键的决策依据。
Prompt 与 Context 的职责分工
-
Prompt Engineering（指令层）
聚焦于单次请求的文本格式、角色设定、推理链条与输出范式调优。
-
Context Engineering（数据层）
聚焦于检索增强、记忆存取、工具定义挂载与会话窗口的动态剪枝。
Harness Engineering：架构隔离与安全防护
当 Agent 具备文件读写、终端命令执行与数据库修改能力后，安全控制成为核心课题。提示词层面的限制属于软性约束，模型在多轮推理或遭遇对抗输入时可能违背该指令。即使编写完善的 Prompt，若缺乏架构维度的隔离机制，也无法阻止 Agent 执行未授权的高危系统操作。
2026 年 2 月提出的 Harness Engineering 明确了 Agent = Model + Harness 架构框架。工程团队将控制逻辑收回到基于代码构建的 Harness 框架中。通过操作系统沙盒、代码 AST 结构校验、只读挂载与 API 权限门禁，系统在架构层面上阻断高危操作。缰绳工程的核心原则是在 Agent 执行动作前，由确定性的代码判定器进行拦截与鉴权。
Loop Engineering：计划与验证循环
在建立安全隔离后，Agent 需要具备自主完成多步骤任务的能力。2026 年 6 月提出的 Loop Engineering 专注于设计计划、执行、验证与修复的迭代循环。循环工程定义了 Agent 的触发条件、执行顺序以及任务完成的标准。
健壮的 Agent Loop 依赖自动化判决器，例如单元测试结果、静态检查输出或 HTTP 状态码。当验证步骤未通过时，错误信息会传递至下一个循环周期作为修复依据；同时，系统设置了最大重试次数与预算限制，避免产生死循环。
Agent Loop 闭环执行流程
-
计划阶段
模型分析目标与当前状态，生成可执行的操作步骤列表。
-
执行阶段
Agent 在 Harness 沙盒约束下逐项调用工具并捕获输出。
-
验证阶段
自动化判决器运行单元测试或静态检查，收集真实执行结果。
-
评估与修复
若验证通过则触发完成标志；若验证失败则将报错回传至计划节点重试。
Graph Engineering：多 Agent 图拓扑编排
当单个 Agent Loop 承载的业务复杂度过高时，提示词窗口会迅速膨胀，且不同子任务的指令容易发生交叉干扰。2026 年 7 月提出的 Graph Engineering 解决了单 Agent 集中式循环的扩展性瓶颈。图工程通过节点、有向边与共享状态黑板，将多个单一职责的 Agent 循环组织为有向图拓扑。
在图架构中，各个节点分别承担路由决策、代码生成、安全审计与自动化测试等职责。节点之间通过状态黑板共享结构化数据，避免全量会话历史的冗余传递。通过切断非必要的依赖边并引入并行分支，图工程在保持各个子 Agent 上下文独立的前提下，提升了系统的并发效率。
┌─────────────────────────────────────────────────────────────┐
│ Shared State (Blackboard) │
└─────────────┬─────────────────────────────────▲─────────────┘
│ │
▼ │
┌──────────────────────────┐ ┌─────────────┴────────────┐
│ Router / Planner Node ├────►│ Harness Gate (Sandbox) │
└────────────┬─────────────┘ └─────────────▲────────────┘
│ │
┌────────┴────────┐ ┌────────┴────────┐
▼ ▼ │ │
┌──────────────┐ ┌──────────────┐ ┌────┴─────────┐ ┌─────┴────┐
│ Loop Node A │ │ Loop Node B │ │ Loop Node C │ │ Validator│
│ (Worker) │ │ (Worker) │ │ (Refactor) │ │ Node │
└──────┬───────┘ └──────┬───────┘ └──────┬───────┘ └─────▲────┘
│ │ │ │
└─────────────────┴─────────────────┴───────────────┘ 单 Agent Loop 与多 Agent Graph 对比
-
单 Agent 集中循环
全局会话历史持续膨胀，多任务指令互相干扰，容易发生上下文混乱与无限重试。
-
多 Agent 状态图编排
子节点按需隔离上下文，通过共享状态传递精简数据，支持并行执行与局部错误恢复。
范式收敛与架构落地
梳理这五年间的五个工程概念，AI 工程化呈现出分层构建的技术栈特征。Prompt 充当指令基础，Context 提供数据支持，Harness 建立安全边界，Loop 实现自主迭代，Graph 完成复杂系统解耦。 开发者应当根据业务场景的实际复杂度选择匹配的控制层级。
在落地实践中，应避免盲目过度设计多 Agent 图架构。对于简单的结构化抽取与问答，优化 Context 与 Prompt 即可满足要求；对于涉及文件写入与代码修改的自动化任务，应优先建立 Harness 隔离与 Loop 验证机制。只有当单个 Loop 的上下文开销与错误收敛成为主要瓶颈时，才是引入 Graph 节点解耦的最佳时机。