先備概念：Prompt / Context / Harness

搞清楚 2026 年 AI 工程的三個關鍵字，你才知道自己在哪一層卡住。

情境：為什麼你昨天還信 AI，今天就想關掉它？

想像你用 AI 做這件事：

「幫我把上個月的訂單報表讀一讀，找出銷售下滑的品類，然後寫一份三頁的簡報給老闆。」

AI 第一次看起來很厲害。第二次它開始亂掰數字。第三次它忘了你要簡報、直接丟了一份 Word。第四次你氣到自己從頭做。

這不是模型變笨了，而是任務複雜度一超過「單輪聊天」，決定成敗的就不再是你的 prompt，而是 prompt 外面那一整套「執行環境」。

這一層東西，2026 有一個新名字，叫 Harness Engineering（駕馭工程）。

一、三個容易混淆的關鍵字

Harness 一出現，很多人會問：這跟 prompt engineering、context engineering 有什麼不一樣？

一張對照表就看得懂：

關鍵字	一句話定義	你在做的事
Prompt engineering	你怎麼對模型下指令	寫更清楚、更結構化的提示詞
Context engineering	你怎麼把對的資訊送進去	選對文件、切對段落、塞對時機
Harness engineering	你怎麼把整個系統包好	設計工具、限制、驗證、狀態、觀測與回饋

可以這樣記憶：

Prompt 負責「講清楚」。
Context 負責「送到位」。
Harness 負責「做完整件事情還不出事」。

Harness 不是模型本身，而是包在模型外面的執行與治理系統。它的任務是讓 agent 在真實工作流中可控、可驗證、可回復、可持續優化。

如果 Prompt 是「你交代了什麼」，Context 是「你給了它什麼資料」，那 Harness 就是「它在辦公室裡有哪些工具、哪些權限、哪些規則、哪些上司會 review」。

二、為什麼 2026 突然都在講 Harness？

因為大家發現了一件難堪的事實：模型不是唯一瓶頸，瓶頸逐漸移到模型外面的工程環境。

OpenAI、LangChain、HumanLayer、Philschmid、PuppyGraph、InfoQ 這些 2026 的實戰文章，幾乎都在講同一件事：

當任務從「回答一個問題」變成「完整跑一整個工作流」，問題從「prompt 寫得好不好」變成「這個系統會不會中途跑偏、忘事、改錯檔、測試不做、卡住不回報」。
能真正提升成功率的，通常不是更華麗的提示詞，而是工具選擇、執行流程、中繼驗證與結構化回饋。
模型越強，harness 通常應該越簡，而不是越複雜 — 因為新模型一出來，你昨天寫的控制邏輯都會變負擔。

換句話說：prompt 很容易被複製，工具也會同質化；但你透過真實任務蒐集到的 trace、失敗模式、評估資料與優化迭代，才是真正難以複製的護城河。

三、什麼時候你開始「需要」Harness 思維？

不是每個人一開始就要學 middleware、observability。一個簡單的自我檢查：

如果你發現自己每次都要把錯誤訊息貼回給 AI 一次，你的驗證迴圈（verification loop）就還沒建立起來，這就是 Harness 入門的訊號。

再往上一階的訊號：

你開始把整段工作（不是一個問題）丟給 AI，結果它中途跑偏、改錯檔、測試不做。
你發現自己一直在群組裡跟同事口頭解釋「這個 AI 不能改什麼、只能怎麼用」，卻沒把這些規則寫下來。
你希望 AI 跑一整天、你中間去開會，回來看報告，而不是每 5 分鐘要盯一次。

只要出現上面任何一種訊號，你就已經在 Harness 的門口了。

四、四層能力階梯（本課的地圖）

這門課接下來會帶你走完四層能力。你現在不需要懂細節，只要先知道地圖：

層級	你在做什麼	主要問題	該建立什麼
初級	開始大量用 AI 做事	AI 常亂做、做不完	拆任務、設邊界、驗結果、記錯誤
中級	讓 AI 自主執行整段任務	容易失控、忘事、結果不穩	規則檔、工具邊界、驗證迴圈
進階	把 agent 納入日常工程流	難追錯、難複用、難優化	middleware、state、observability
深入	做團隊或產品級 agent 系統	成本、穩定性、安全、演進	可版本化的 harness 平台

重點：這是能力台階，不是理論分類。沒有人能跳級。你越早在初級把四個習慣練扎實，後面每一層都會省下大量的 debug 時間。

AI 協作：學了這個，跟 AI 怎麼配合？

這一課沒有要你寫 code，而是先幫你建立共同語言。下次你跟 AI 或同事討論「這裡出錯了」，你就能精準指出：這是 prompt 問題、context 問題，還是 harness 問題。

你的人類優勢：

只有你知道這個任務在業務上的真正完成標準（Definition of Done）是什麼。
只有你能決定「這個錯誤可以接受」還是「這個錯誤絕對不行」。

可以這樣跟 AI 說：

我正在學 Harness Engineering。請你幫我把下面這個任務，從 prompt、context、harness 三個角度各拆解一次：[貼上一個你最近丟給 AI 但結果很糟的任務]。每個角度請告訴我「我做得不夠的是什麼」以及「如果做好，會有什麼差別」。

練習題

本堂重點回顧

Prompt / Context / Harness 是三個不同層次的問題：講清楚、送到位、整個系統包好不出事。
2026 的共識是：模型不是瓶頸，瓶頸在模型外面的執行環境；真正的護城河是 trace 與失敗學習。
Harness 訊號：你發現自己每次都要把錯誤貼回去、每次都要口頭重複規則，就是該開始學 harness 了。
四層階梯：初級管習慣、中級管 repo、進階管工程化、深入管平台化 — 沒人能跳級。

下堂課：初級 — 先學會管理 AI 的四個基本習慣，這是所有 harness 能力的地基。