本文介绍了大模型应用开发中五个关键的工程问题Prompt Engineering、Context Engineering、Harness Engineering、Loop Engineering和Graph Engineering。从最初简单的提示词编写发展到需要考虑模型信息获取、工具使用、错误处理和任务管理等复杂问题。文章详细阐述了每个工程问题对应的解决方案和实际应用场景帮助开发者更好地理解和应用大模型技术提升开发效率和系统稳定性。写好提示词曾经是开发大模型应用最直观的工作。现在开发者还得考虑模型拿什么信息、能用哪些工具、执行到一半出了错怎么办以及整个任务如何收尾。01引言我们最初接触大模型往往是从聊天框开始的输入问题等待回答。翻译、总结、写代码好像只要把需求说清楚事情就完成了。真正做应用时模型给出回答往往只是第一步。系统还要查资料、调用工具、核对结果、处理异常。任务执行到一半中断了能不能从原来的位置继续这类问题也会影响应用能否投入使用。开发者关注的范围就这样从“怎么问模型”逐渐扩展到“怎么让整套系统把事做完”。Prompt Engineering、Context Engineering、Harness Engineering、Loop Engineering 和 Graph Engineering分别对应这段过程中逐渐显露的工程问题。它们并非五代互相替换的技术也不必每个项目都用齐。下面沿着一个应用从回答问题到执行任务的过程看看各自解决什么、实际开发时该如何取舍。02Prompt Engineering如果应用只需要一次输入、一次输出开发者首先要想的是任务怎么描述模型才不容易跑偏比如给文本分类、提取字段、回答问题或生成内容都要先把要求交代明白。这就是 Prompt Engineering。它围绕系统指令和用户提示展开说明任务边界给出示例规定输出格式尽量让模型的回答稳定、可用。落到实现上通常会做几件事用清晰的指令说明目标、约束和判断标准通过 few-shot 示例展示输入与理想输出要求模型按 JSON 等结构化格式返回把复杂任务拆成多个较小的模型调用并在中间加入程序校验。这些办法能减少模型对任务的误解。不过指令写得再清楚模型看不到相关资料也难给出可靠答案。比如让它解释一条订单为什么异常却没提供订单记录和系统日志继续打磨措辞帮助有限。开发者因此开始关心每次调用时该把哪些信息交给模型03Context Engineering我们知道模型调用都是一次性的在某一次调用中看到的内容不只有 Prompt。用户之前说过什么、检索到了哪份资料、工具刚返回了什么、任务目前做到哪一步都会影响它接下来的判断。Context Engineering 处理的就是这些信息如何进入模型上下文。上下文窗口有限资料也并非越多越好。一股脑塞进长文档关键的订单号或错误日志反而可能被淹没。更实际的做法是根据当前步骤取用信息排查订单时给订单记录和相关日志准备回复用户时再提供处理结论与沟通要求。为此系统可以使用 RAG根据当前问题检索相关文档而非把整个知识库塞进提示词分开管理短期对话、长期记忆和业务数据对过长的历史记录做摘要或压缩按需加载工具说明和技能文档在每一轮执行前根据当前状态重新组织上下文。信息给对了模型仍未必能把任务做完。它可能需要查询数据库、读取文件、执行代码做完还要保存结果。这就涉及模型周围的运行环境。04Harness EngineeringHarness 可以理解为模型工作的“支架”把模型、上下文、工具和执行环境接起来并管理调用过程。围绕这套支架做设计就是 Harness Engineering。举个例子。让代码 Agent 修复一个 Bug它得先读仓库、搜代码之后才能编辑文件、运行测试。哪些目录可读写、哪些命令需要审批也要提前定好。Harness 把这些能力和规则接到一起模型发起工具调用运行环境执行并返回结果同时留下操作记录。具体会涉及统一模型调用和工具接口用 Schema 校验工具参数与结果管理身份、权限、沙箱和人工审批记录日志、追踪调用链、设置超时和预算保存会话及任务状态处理重试和异常。有了工具Agent 才能真正动手。但修 Bug 很少是一轮就结束改完代码测试失败还得看报错再改。下一轮该做什么取决于上一轮的执行结果。05Loop Engineering这种“行动—观察—再行动”的过程就是 Loop Engineering 要处理的事。模型选择动作运行时调用工具再把真实结果交还给模型它据此决定继续、调整做法还是结束。循环不能无限进行通常还要设定轮数、时间和预算上限。比如用户问某个订单为什么延迟。Agent 先查订单状态再看物流记录发现物流信息停更才去查仓库出库记录。它一步步缩小范围最终根据查到的证据回答而不是在第一次调用时猜完整个过程。实现时需要考虑用循环交替执行模型调用与工具调用把每次工具结果追加到会话或任务状态设置最大轮数、超时、预算和明确的停止条件对工具失败进行重试必要时让模型调整方案通过评估器—优化器模式让检查结果触发下一轮修改。这个循环很适合 Agent 一边查、一边试、一边修。可一项任务还可能同时查询多个系统经过测试和人工审批并在中断后恢复。如果这些安排全写进 Agent 的提示词或内部循环开发者很难一眼看出哪些步骤必须执行失败后又会回到哪里。于是任务本身也需要一张清楚的执行图。06Graph Engineering画这张图时我们考虑的就不只是 Agent 在循环里做什么了。输入从哪里来哪些查询可以同时进行测试失败后回到哪一步人工审批时如何暂停和恢复这些都属于整个任务的安排。Graph Engineering 把这些步骤、状态和跳转关系组织成执行图。图上的节点可以是一段普通程序、一次模型调用、一个带工具的 Agent也可以是人工确认环节边表示允许从哪里走到哪里。先前查到的信息和执行结果保存在任务状态里后续节点可以接着使用。这里的图指执行图描述任务如何运行知识图谱、GraphRAG 中的图则描述人、地点、概念等知识实体及其关系。任务有多条可能路径还涉及并行处理、人工审核或中断恢复时把执行图明确画出来比较有用。对于一次性问答或一个 Agent 就能完成的短任务通常没必要增加这层设计。图里不一定要有多个 Agent。只要需要把步骤间的依赖、检查关口和状态流转讲清楚纯代码节点与 Agent 节点都能放进去。以“订单提交后一直转圈请查明原因并修复”为例系统先收集订单号和发生时间再查询日志、调用链与近期部署记录。这些查询可以并行进行结果汇入同一份任务状态。诊断节点接着判断证据是否足够。证据不足就补查相关服务如果定位到代码缺陷就进入生成补丁的分支如果发现是最近部署引起就准备回滚。代码补丁和回滚都要经过相应的权限与审批检查。执行后系统运行测试并观察指标验证失败则回到诊断验证通过才结束。任务状态会留下已经查过的日志、当前的故障假设、修复记录以及审批和验证结果。如果运行时配置了检查点任务中断后就能从保存的位置继续不必从头收集证据。LangGraph 等框架提供了组织状态、循环和检查点的能力。读到这里你可能会问这和工作流有什么区别其实没有一道硬边界。工作流本来就能分支、回退、并行也能接入人工审批。Graph Engineering 只是把任务的步骤、状态和跳转明确组织成图方便看清整条执行路径。图里可以规定没批准就不能修复验证没通过就不能结束尝试太多次就转人工。但光画出这些节点和连线还不够真正拦住操作的必须是程序、权限和运行时的检查。在这些规则之内Agent 可以读日志、判断该补查什么、选择工具修复失败后再换方案。它甚至可以在一个节点内反复尝试。像“验证失败就返回诊断”这样的跳转由程序执行失败原因是补丁有问题还是测试环境不稳定则可以让 Agent 根据证据判断再由程序校验它的建议。这套设计不一定要用专门的图框架。工作流引擎、状态机和普通代码也能实现。Graph Engineering 的价值是在路径和依赖变复杂时把它们清楚地表达出来。在这类故障处理任务里我更倾向于固定外层控制面开放内层智能面执行修复前必须审批执行后必须验证失败后怎样停止或转人工都由程序把关排查方向、工具使用和修复方案则让 Agent 根据现场情况调整。再回到这个订单故障的完整过程。Graph 描述整个任务怎样流转收集证据、诊断、准备修复方案、审批、执行、验证哪一步失败要回头重做都在这里安排。诊断节点中的 Agent 会反复查看日志、提出假设、调用工具再根据结果修正判断。这是它内部的 Loop。要让它完成这些动作Harness 提供日志查询、代码仓库、终端和测试工具也负责权限、操作记录与工具异常。所以图中的一个节点可以是带 Loop 的 Agent也可以是一段普通程序或一次人工审核。Graph 安排它们之间的衔接Harness 提供它们执行时依赖的环境。三者描述的是同一个系统的不同部分。07五种工程关注点如何衔接工程关注点主要问题常见实现Prompt Engineering模型应该怎样理解任务指令、示例、格式约束、任务拆解Context Engineering模型此刻需要看到什么RAG、记忆、摘要、按需加载、上下文组装Harness Engineering模型如何连接工具和运行环境工具适配、权限、沙箱、日志、异常处理Loop Engineering模型如何依据行动结果继续模型—工具循环、反馈、重试、停止条件Graph Engineering复杂任务如何管理状态与控制流状态图、条件边、检查点、暂停恢复、并行节点这些方法在一个应用里往往同时存在。比如刚才的故障排查图诊断节点要写 Prompt也要拿到相关日志作为 ContextHarness 负责接入工具和权限Agent 在 Loop 中反复排查Graph 则安排后续的测试、审批和验证。做一个文本分类器也许一段清楚的 Prompt 和输出校验就够了。需要外部知识再处理 Context要调用工具就把 Harness 建好任务会反复执行就设计 Loop当路径、状态和恢复要求变多再考虑显式组织成图。设计到哪一步取决于任务本身。08结语从写 Prompt 到设计 Graph我们处理的问题越来越具体模型是否理解任务是否拿到了需要的信息能否调用工具行动失败后怎样继续以及多个环节怎样交接。每往前走一步开发者都得为模型的能力补上相应的系统设计。一个应用最终好不好用用户看的不是它用了多少个 Engineering 名词而是任务能否完成过程出了问题能否找到原因、接着处理。这也是这条演进线真正落到工程上的地方。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