EYES 乱1. 从Prompt Engineering到Harness的演进脉络
三年前刚接触大语言模型时，我们还在为设计出能稳定返回JSON格式的prompt而绞尽脑汁。如今Agent系统已经能自主完成包含数十个步骤的复杂任务，这种进化背后是技术栈的多次范式转移。最早期的prompt engineering就像教鹦鹉学舌，需要精心设计指令模板；而现代Agent框架更像是给AI装配了瑞士军刀，各种工具信手拈来。
这个演进过程大致可以分为三个阶段：手工编排期（2020-2022）、框架抽象期（2022-2023）和自主进化期（2023-）。每个阶段的突破都源于前一个阶段的技术瓶颈——当prompt长度超过4000token时调试成本剧增，催生了ReAct范式；当工具调用复杂度超出人工管理范围，才出现了AutoGPT这类自主规划系统。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. Prompt Engineering时代的技术遗产
2.1 经典模式模板设计
早期的prompt设计有几个黄金法则：角色设定（"你是一个资深Python工程师"）、输出约束（"用JSON格式返回包含以下字段"）和示例演示（few-shot learning）。我至今保留着2021年设计的电商客服prompt模板，通过严格的输出控制，将商品推荐准确率从63%提升到89%：
python复制"""
你是一名拥有5年经验的数码产品导购，根据用户需求推荐3款手机。
返回格式必须严格遵循：
{
"recommendations": [
{
"name": "产品名称",
"reason": "不超过15字的推荐理由"
}
]
}
当前在售机型：iPhone14/小米13/华为Mate50...
用户需求：{{用户输入}}
"""
2.2 上下文管理技巧
在context window有限的时期，这些技巧尤为关键：
- 优先级压缩：将系统提示词长度压缩30%后，在GPT-3上任务完成率提升22%
- 动态缓存：像LangChain的ConversationBufferWindowMemory这类工具，能自动保留最近N轮对话
- 元指令："忘记之前所有指示，重新开始"这类重置指令，在对话漂移时特别有效
实战经验：在医疗问诊场景