Prompt → Context → Harness Engineering：AI 互動模式嘅三次進化

2026-05-10 · AI 工程 · Eric Cheung

前言：我哋同 AI 嘅對話方式正在進化

快速結論（TL;DR）

• AI 互動方式經歷咗三次進化：Prompt Engineering（2022-2023）→ Context Engineering（2023-2024）→ Harness Engineering（2024-2025）。
• Prompt Engineering 嘅問題係每次對話都由零開始；Context Engineering 用 CLAUDE.md 同 RAG 解決「AI 唔記得」，但 context 仍然係被動。
• Harness Engineering 嘅核心係「唔單止俾 AI 知道，更加俾 AI 做到」——靠 Hooks、MCP、Skills、Permissions 同 Worktree 六大支柱。
• 三個階段唔係互相取代，而係層層疊加：成熟嘅 AI-Augmented Developer 同時掌握晒三者。
• 實戰例子：開發 authentication system 由 Prompt 時代嘅 2-3 日，縮短到 Harness 時代嘅 1-2 小時。

回望過去兩年，人類同大型語言模型（LLM）嘅互動方式經歷咗三次重大轉變。由最初精心設計一段 Prompt 文字，到而家透過 CLAUDE.md、Hooks、MCP Server 同 Skills 構建完整嘅 AI 開發環境 — 呢個進化過程唔單止改變咗我哋點樣用 AI，更加重新定義咗「開發者」呢個角色。

本文從實戰角度出發，深入分析 Prompt Engineering、Context Engineering 同 Harness Engineering 三個階段嘅核心概念、關鍵差異、進化脈絡，以及點解理解呢個進化史對成為 AI-Augmented Developer 咁重要。

第一階段：Prompt Engineering（2022-2023）

核心概念

Prompt Engineering 係人類同 LLM 互動嘅最初形態。核心思想係：透過精心設計嘅文字輸入，引導 AI 產生期望嘅輸出。喺呢個階段，開發者嘅角色係「Prompt 設計師」— 研究點樣寫出最佳嘅 instruction。

關鍵技術

• Zero-shot Prompting — 直接俾指令，冇任何範例
• Few-shot Prompting — 提供 2-5 個範例，引導 AI 跟住格式輸出
• Chain-of-Thought (CoT) — 要求 AI 「逐步思考」，展示推理過程
• Role Prompting — 設定 AI 角色（「你係一個 senior engineer...」）
• Structured Output — 要求 AI 以 JSON/Markdown 格式輸出

局限性

Prompt Engineering 最大嘅問題係每次對話都係由零開始。AI 冇記憶、冇 context、唔知道你嘅專案結構同偏好。每次都要重新解釋。對於一次性任務嚟講夠用，但對於持續嘅軟體開發嚟講效率極低。

❌ 典型 Prompt Engineering 時代嘅 workflow：

User: 「幫我寫一個 React login component」
AI: [生成了 code]
User: 「加埋 validation」
AI: [忘記咗之前寫咗咩，重新生成]
User: 「用我嘅 project style guide」
AI: 「你嘅 style guide 係咩？」
User: 😫 每次都要重新講一次...

第二階段：Context Engineering（2023-2024）

核心概念

Context Engineering 將關注點從「單次 Prompt」擴展到「持續嘅 Context 管理」。核心思想係：與其每次都寫完美 Prompt，不如建立一個持續存在嘅 Context 系統，令 AI 自動理解你嘅世界。

關鍵創新

• System Prompts — 持久存在嘅前置指令，定義 AI 嘅行為邊界
• CLAUDE.md / .cursorrules — 專案級嘅 context file，AI 自動讀取
• Memory Systems — 跨對話嘅記憶機制（user profile、project facts）
• RAG (Retrieval-Augmented Generation) — 自動檢索相關 context 注入對話
• Context Window 管理 — 200K token window 令大量 context 變成可能

CLAUDE.md：Context Engineering 嘅代表作

CLAUDE.md 係 Context Engineering 最成功嘅實踐。一個寫得好嘅 CLAUDE.md 可以令 AI 喺每次對話開始時自動理解：專案目的、檔案結構、技術棧、設計系統、用戶偏好。唔使再重複解釋。

# CLAUDE.md — Context Engineering 嘅心臟

## 專案概述  → AI 知道呢個 project 做咩
## 檔案結構  → AI 知道啲 code 放喺邊
## 技術棧    → AI 知道用緊咩 framework
## 設計系統  → AI 知道 UI convention
## 用戶偏好  → AI 知道點樣同你互動

突破與瓶頸

Context Engineering 解決咗「AI 唔記得」嘅問題。但佢仍然有限制：Context 係被動嘅資訊 — AI 只能「知道」，唔能夠「執行」。AI 依然唔可以自動幫你 run test、deploy、管理 branch、或者喺你唔喺度嗰陣自動完成任務。

第三階段：Harness Engineering（2024-2025）

核心概念

Harness Engineering 係最新嘅進化形態。核心思想係：唔單止俾 AI 知道，更加俾 AI 做到。透過 Hooks、MCP、Skills、Permissions 同 Worktree 等機制，將 AI 從「被動嘅顧問」升級為「主動嘅執行者」。

Harness 六大支柱

• ① CLAUDE.md — 繼承自 Context Engineering，AI 嘅知識基礎
• ② Hooks System — 自動化觸發器：PreToolUse / PostToolUse / Notification
• ③ MCP Protocol — 標準化外部工具接口：令 AI 可以操控 GitHub、Slack、Database...
• ④ Custom Skills — 封裝可重用嘅 AI 能力模組（code-review、security-review...）
• ⑤ Settings.json — 權限控制 + 模型選擇 + 行為設定
• ⑥ Worktree — 隔離嘅平行開發環境：AI 喺獨立 workspace 開發，唔影響主線

點解叫 Harness？

"Harness"（韁繩）呢個詞精準捕捉咗呢個階段嘅本質：你唔係控制 AI 嘅每一步，而係設定一個框架同邊界，然後俾 AI 喺框架內自由發揮。就好似騎馬 — 你拉住韁繩設定方向同速度，但隻馬自己識跑。

三階段對比總覽

關鍵洞察：呢三個階段唔係互相取代，而係層層疊加。一個成熟嘅 AI-Augmented Developer 同時掌握晒三者：識寫靚 Prompt、管理好 Context、設定好 Harness 令 AI 自動化執行。

實戰案例：同一個任務，三種做法

任務：開發一個 User Authentication System

【Prompt Engineering 時代】
你要寫 50 個 prompts，每次 copy-paste code，手動整合...
⏱ 耗時: 2-3 日

【Context Engineering 時代】
CLAUDE.md 有晒 tech stack 同 convention，AI 理解 context...
但每次 build/test/deploy 都要你自己做...
⏱ 耗時: 1 日

【Harness Engineering 時代】
CLAUDE.md + Hooks(auto-lint) + MCP(GitHub+Slack) + Skills(review) + Worktree
一句話：claude "Build auth system"
→ AI 自動: 分析需求 → 建立 worktree → 寫 code → MCP 連 GitHub
→ auto-lint → skill code-review → MCP create PR → Slack 通知
⏱ 耗時: 1-2 小時

進化史時間線

對 AI-Augmented Developer 嘅啟示

• 唔好停留喺 Prompt Engineering — 如果你每日仲係手寫 Prompt，你仲停留喺 2023 年。投資時間學 Context Engineering 同 Harness Engineering。
• CLAUDE.md 係最低成本嘅升級 — 寫一個好嘅 CLAUDE.md 只需要 30 分鐘，但可以慳返你每個禮拜幾個鐘嘅重複解釋。
• MCP 係最強嘅槓桿 — 一個 MCP Server 令 AI 可以做到本來做唔到嘅嘢（操控 GitHub、查 DB、發 Slack）。每個 MCP Server 都係你嘅能力延伸。
• Harness Engineering = 被動 → 主動 — 終極目標係令 AI 喺你唔在場嗰陣都可以自動完成工作。呢個先係真正嘅 AI-Augmented Developer。

Written by Eric Cheung · 每日學一樣 AI · Day 3: The Evolution of AI Interaction Engineering