月之暗面联合创始人张宇韬：从Prompt到Harness，Agent工程的演进之路

发布时间：2026-07-17 06:20:35 来源：安智兰德资讯网 作者：百科

来源：微信公众号：潮涌AI | 作者：潮涌AI编辑部

随着大模型从单一的月之宇韬对话工具向具备自主规划、循环执行及长时任务处理能力的暗面Agent演进，AI工程化的联合路重心正发生根本性迁移。当前行业面临的创始从核心挑战，在于构建一套能够支撑模型自主完成小时级闭环任务的人张完整运行环境。

伴随大模型理解、到的演推理及规划能力的工程持续涌现，配套的月之宇韬工程方法论必须同步迭代。7月3日，暗面在“2026全球数字经济大会人工智能融合应用发展论坛”上，联合路月之暗面联合创始人张宇韬发表《从Prompt到Harness，创始从Agent工程的人张演进之路》主题演讲。他结合团队落地实践，到的演深度拆解了新一代Agent工程的工程底层逻辑、核心原则及长期发展思路。月之宇韬

以下为演讲实录精编：

一、 技术演进三部曲：Prompt → Context → Harness

大模型自2023年以来的发展，经历了三个关键阶段的范式转移，对应着三个核心热词：

1. 2023年：Prompt Engineering（提示词工程）
2. 背景：ChatGPT初期仅支持4K上下文。
3. 核心：在极度受限的空间内，通过精妙的提问技巧，让AI精准理解并回答问题。
4. 2024年：Context Engineering（上下文工程）
5. 背景：模型上下文窗口扩展至32K、128K甚至1MB以上，模型能力显著提升。
6. 核心：不再局限于单轮问答，而是将工具调用、外部信息充分注入上下文，组织高维信息以支持更复杂的任务执行。
7. 2026年：Harness Engineering（驾驭工程）
8. 背景：模型具备处理小时级复杂任务的能力，瓶颈从模型智力转向环境支撑。
9. 核心：构建一个闭环环境，驱动模型进行自我探索、决策、执行及错误恢复，最终自主完成任务。

1. 2023：Prompt Engineering时代——4K上下文的局限

在ChatGPT发布初期，4K的上下文空间极大限制了任务复杂度。工程师的核心工作是如何在有限空间内精准部署问题，并适配当时相对有限的模型智力。

2. 2024：Context Engineering时代——工具调用进入上下文

随着上下文窗口的爆发式增长，重点转向如何高效组织外部工具和长文本信息。通过优化上下文结构，让模型利用丰富信息完成多步骤复杂任务。

3. 2026：Harness Engineering时代——小时级任务的拐点

当模型能力突破分钟级任务，进入小时级长程任务时，单纯的指令遵循已不足够。关键在于构建一个“Harness”（驾驭环境），让模型在闭环中自主解决问题。

Agent的本质：一个简单的While循环
张宇韬指出，Agent工程看似复杂，本质却是一个while循环：
* 探索与决策：模型自主决定下一步行动。
* 执行与反馈：执行决策，观察结果。
* 错误恢复：若遇错，尝试自我修复或请求人工介入。
* 终止条件：问题解决则结束循环，否则继续迭代。

二、 脚手架哲学：模型能力提升后的“减法”

借鉴生数科技创始人朱军提出的“Bitter Lesson”（苦涩教训），AI工程应避免过度依赖人工预设的复杂框架，因为随着模型通用能力的提升，人工规则往往会失效甚至成为负担。

核心策略：动态脚手架
1. 试探边界：先构建基础框架，让模型自由探索，识别其能力边界。
2. 引入脚手架：当模型遇到能力瓶颈时，引入辅助机制（如结构化提示、中间件）帮助其突破。
3. 及时撤除：随着模型原生能力提升，必须及时撤除这些“脚手架”，防止其成为模型进化的累赘。

案例：小模型瓶颈的消除
早期链路中，几百兆或1B参数的小模型常作为前置判断节点，其智力远低于TB级大模型，成为整体准确率的瓶颈。随着大模型能力涌现，直接由大模型处理复杂多轮搜索和决策，往往能解决人类都难以处理的问题，这符合“通用方法优于人工特设”的原则。

三、 Agent工程的四大核心原则

在AI工程迭代中，张宇韬总结了以下四条核心原则：

1. 极简主义：Agent本质是简单的循环，切勿人为增加复杂性。
2. 上下文优化：核心在于将“对的信息”、“合适的信息”和“重要的信息”高效注入上下文窗口，这是决定模型能力发挥的关键。
3. 工具接口清晰化：工具设计应如编程接口般清晰无歧义。模糊的工具定义不仅无法赋能模型，反而会增加其认知负担。
4. 记忆系统的权衡：由于上下文空间有限且掌控力有限，需在“一致性”与“创造性”间权衡。策略包括：
5. 全量信息保留，让模型自我发展；
6. 引入压缩、总结或筛选机制，精准命中关键信息。
7. 注：这是实践中持续探索的领域，无完美解。

四、 衡量Agent价值的终极标准：信任

Agent的价值不再取决于单次实践中的最强表现，而在于人类对其的信任程度。

• 信任即价值：人类越能自信地放手让Agent执行复杂任务，其价值越高。
• 构建信任环境：核心任务是构建一个足够安全、可控的环境，让人类充分信任，同时让模型发挥极致自我探索能力，且“不会搞砸事情”。

总结思路：
先构建最佳闭环让模型跑起来，在自然生长中迭代，而非预先构造复杂的预设系统。Agent工程的终极目标，是解决“如何让更加信任Agent去自由发挥”这一命题。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。
原文链接：https://www.huxiu.com/article/4873532.html?f=wyxwapp

相关文章