Epsilla 在 2026 年 3 月發了一篇 The Third Evolution: Why Harness Engineering Replaced Prompting in 2026，把過去四年 AI 工程的演化整理成三個清晰的階段。如果你一直有在跟 AI 工程的發展但覺得越來越碎片化，這篇能幫你把脈絡接起來。
三個階段
Phase 1：Prompt Engineering（2022-2024）
重點在寫好一條指令。
這個階段的核心問題是：怎麼措辭才能讓模型給出最好的回答？Chain-of-thought、few-shot examples、role prompting——所有技巧都圍繞著同一件事：在一次呼叫裡，用最精準的語言引導模型。
限制很明顯：你能塞進一條 prompt 的資訊量是有限的，而且模型只被呼叫一次。
Phase 2：Context Engineering（2025）
重點從「怎麼問」轉移到**「餵什麼資訊」**。
Andrej Karpathy 的定義最精準：Context engineering 是「把恰好正確的資訊，在恰好正確的時機，填進 context window」的藝術。
這個階段的工程重心是 RAG、memory 系統、tool definitions、conversation management——不再只是調 prompt，而是設計整個資訊流，確保模型在做每一個決策時都有足夠且相關的背景。
但 context engineering 仍然聚焦在單一決策點：為模型的下一步提供最好的輸入。
Phase 3：Harness Engineering（2026）
重點再上一層：設計整個工作環境和規則系統。
Harness engineering 不只管單一決策的 context，而是管 agent 的整個生命週期——啟動儀式、工具約束、回饋迴圈、品質閘門、跨 session 狀態。它關心的問題是：agent 連續工作好幾個小時，怎麼確保它不偏離、不退化、不犯同樣的錯？
三者的關係不是取代，而是層層疊加：
Harness Engineering ← 管整個執行環境和生命週期
└─ Context Engineering ← 管每一步的資訊輸入
└─ Prompt Engineering ← 管單一指令的措辭為什麼需要 Harness？
Epsilla 引用了 Anthropic 和 OpenAI 的共同觀察：模型無法可靠地評估自己的工作。
這不是模型笨，而是結構性問題——讓一個 agent 同時當運動員和裁判，它會傾向對自己寬容。所以外部約束不是可選的，是必要的。
核心論點是一句反直覺的話：
用規則、回饋迴圈和 linter 約束 agent 的解空間，反而會提升它的生產力和可靠性。
自由度越大不代表表現越好。適當的約束讓 agent 不需要浪費算力在「該不該做這件事」上，直接專注在「怎麼做好這件事」。
Harness 的關鍵設計原則
Epsilla 整理了幾條規則：
1. Repository 是 agent 唯一的真相來源
不假設外部知識。agent 需要的一切都應該存在 repo 裡。這跟 Anthropic 的 claude-progress.txt 做法 是同一個思路——把狀態寫進檔案系統，而不是依賴模型的記憶。
2. 程式碼要 agent-readable，不只是 human-readable
清晰一致的結構、充分的註解——因為 agent 沒有你腦中的隱性知識，它只看得到寫出來的東西。
3. 架構約束用 linter 強制，不用 prompt 請求
你不是「請」agent 遵守規則，你「讓它不可能」違反規則。Prompt 是建議，linter 是法律。
4. 自主權漸進授予
不是一開始就放手讓 agent 做所有事。設定階段和閘門，在每個階段驗證後才開放下一步。
Generator-Evaluator：核心架構模式
跟 Anthropic 的 Harness Design：讓 AI Agent 像工程師一樣工作 一樣，Epsilla 也強調了 GAN 啟發的雙 agent 架構是 harness 的核心組件：
- Generator：負責生成
- Evaluator：獨立驗證，結果回饋給 generator
這個模式之所以重要，是因為它解決了模型自評不可靠的根本問題。不是讓模型更聰明，而是用架構補上這個結構性缺陷。
整體來說
這篇文章最大的價值是把散落各處的觀念串成一條清晰的演化線。如果你之前覺得「prompt engineering 還沒搞懂，怎麼又冒出 context engineering，現在又來 harness engineering」——它們不是彼此取代的潮流，而是同一條路上越走越高的抽象層級。
每一層解決的問題不同：
- Prompt：模型聽不懂我要什麼 → 換個說法
- Context：模型缺乏背景資訊 → 補上相關知識
- Harness：模型在長時間任務中失控 → 設計約束和回饋系統
2026 年的重點不是寫更好的 prompt，而是建更好的環境。
延伸閱讀
- Anthropic 的 Harness Design：讓 AI Agent 像工程師一樣工作 — Anthropic 兩篇 harness design 文章的導讀
- Phil Schmid：為什麼 Agent Harness 是 2026 年最重要的事 — 從 CPU/OS/App 比喻理解 harness 的定位
- Google 的八種 Multi-Agent 設計模式 — Generator-Critic 等模式的完整分類
- AI Agent 的三個核心支柱：Context、Cognition、Action — Agent 架構的理論框架
- The Third Evolution — Epsilla 原文
參考資料
- The Third Evolution: Why Harness Engineering Replaced Prompting in 2026 — Epsilla 原文，三個演化階段的完整論述
- Building Effective Agents — Anthropic agent 設計哲學，「找最簡單方案」的核心原則
- Effective Harnesses for Long-Running Agents — Harness Engineering 的實戰案例，雙 Agent 架構
- The Importance of Agent Harness in 2026 — Phil Schmid 對 Harness 作為 AI 作業系統的定位論述
- A Survey on Large Language Model based Autonomous Agents — arXiv 論文，LLM agent 架構的學術綜述
- Model Context Protocol Introduction — MCP，Harness Engineering 時代的工具標準化協議
- LangGraph GitHub Repository — 實作 harness 編排層的代表性框架