AI 工程范式演化
一句话理解
AI 工程经历了四次范式跃迁：Prompt 范式（怎么问）→ Context 范式（让模型看见什么）→ Harness 范式（把模型放在什么环境里）→ Loop 范式（让系统自己转起来）。这四次跃迁不是替代关系，而是层叠关系——每一层建立在上一层之上，形成完整的 AI 工程体系。
范式总览
| 范式 | 核心问题 | 关键手段 | 代表时间 | 本 Vault 中的实现 |
|---|---|---|---|---|
| Prompt 范式 | 怎么问？ | 提示词设计、角色设定、输出格式 | 2022-2023 | Prompt 工程笔记、三种问法 |
| Context 范式 | 让模型看见什么？ | 上下文管理、RAG、信息密度 | 2023-2024 | 漏斗架构、摘要层、渐进式加载 |
| Harness 范式 | 把模型放在什么环境里？ | 文件夹结构、约束、工具协议 | 2024-2025 | WikiLink 约束、Agent.md、MCP |
| Loop 范式 | 让系统自己转起来？ | 自主循环、多步推理、反馈修正 | 2025-2026 | Perceive-Think-Act-Observe 循环 |
Prompt 范式：怎么问
核心思想
AI 工程的第一层：如何设计提示词，让模型给出期望的输出。这是最基础的范式，也是所有其他范式的基础。
关键技术
- 角色设定 (Role Prompting)：给模型设定角色（“你是一个资深架构师”）
- Few-Shot 示例：在 Prompt 中提供正确示例，引导模型输出格式
- Chain-of-Thought (CoT)：要求模型展示推理过程，提高复杂推理的正确率
- 结构化输出：要求 JSON、XML 等格式，便于程序解析
- 约束声明：明确”不要做什么”以及”必须做什么”
局限
- 提示词长度有限（早期模型上下文窗口小）
- 提示词无法包含所有领域知识（需要 RAG 补充）
- 模型容易”忘记”提示词中的约束（长对话中）
- 提示词设计高度依赖经验和试错（Prompt Engineering 是”手工艺”）
Context 范式：让模型看见什么
核心思想
Prompt 范式解决了”怎么说”的问题，但 Agent 需要”知道什么”才能做出正确决策。Context 范式关注：在有限的上下文窗口中，如何给模型最有价值的信息。
关键技术
- RAG (Retrieval-Augmented Generation)：从知识库中检索相关文档，注入上下文
- 信息密度最大化：在有限的 token 预算中，放入最有信息量的内容
- 漏斗模型：先展示摘要，让模型决定是否需要全文
- 渐进式加载：根据对话进展，动态加载更多上下文
- 上下文窗口管理：长对话中，管理历史消息的保留和裁剪
核心突破
Context 范式让 AI 工程从”教模型怎么想”升级为”给模型正确的信息”。正确的信息+正确的提示词，才能产生正确的输出。
Harness 范式：把模型放在什么环境里
核心思想
有了好的提示词和正确的上下文，还需要一个”好的环境”来约束和引导模型的行为。Harness 范式关注：如何设计 Agent 运行的环境，使其行为可预测、可控制。
关键技术
- 文件夹结构约束：用目录结构表达知识层级，模型通过导航文件系统来”理解”知识
- WikiLink 约束：用
[[概念-WikiLink]]表达知识间的关联，模型通过追踪链接来”探索”知识图谱 - 工具协议：MCP 等标准协议约束 Agent 如何调用外部工具
- Agent.md 配置文件：用声明式配置定义 Agent 的行为边界和能力
- 沙箱执行：在隔离环境中执行模型生成的代码，保证安全
核心突破
Harness 范式让 AI 从一个”能回答问题”的系统，变成”能在环境中自主行动”的系统。环境提供了边界和规则，让 Agent 的行为可控。
Loop 范式：让系统自己转起来
核心思想
前三层范式解决了”单次交互”的问题，但复杂任务需要多步执行。Loop 范式关注：如何让 Agent 自主地感知、思考、行动、观察，形成闭环。
关键技术
- Perceive-Think-Act-Observe 循环：Agent 持续感知环境、推理下一步、执行动作、观察结果
- 多步推理 (Multi-step Reasoning)：Agent 将复杂任务分解为多个步骤，逐步执行
- 自我纠错 (Self-Correction)：Agent 观察执行结果，发现错误后自动修正
- 记忆管理 (Memory)：短期记忆（当前对话）+ 长期记忆（持久化知识）
- 反馈循环 (Feedback Loop)：用户反馈、环境反馈、自我评估反馈
核心突破
Loop 范式让 AI 从”一次性回答问题”进化到”持续自主完成任务”。这是 Agent 能力的最高体现。
为什么不是替代而是层叠
| 范式 | 依赖的基础 | 为上层提供 |
|---|---|---|
| Prompt 范式 | 无（最底层） | 提示词设计方法 |
| Context 范式 | Prompt 范式 | 信息注入机制 |
| Harness 范式 | Prompt + Context | 环境约束和边界 |
| Loop 范式 | Prompt + Context + Harness | 自主循环能力 |
每一层范式都建立在前面所有层之上。去掉 Prompt 范式，Context 范式的信息注入就失去了目标；去掉 Harness 范式，Loop 范式的自主循环就没有边界和约束。四层范式共同构成了完整的 AI 工程体系。
本 Vault 作为四层范式的活体演示
这个 Obsidian Vault 本身就是四层工程范式的完整实现：
- Prompt 层：Agent.md 中的提示词纪律、角色设定、输出格式约束
- Context 层：摘要.md → 全文的漏斗架构，渐进式加载
- Harness 层：文件夹结构、
[[概念-WikiLink]]约束、MCP 工具协议 - Loop 层：Perceive → Think → Act → Observe 的自主循环
相关笔记
- 第12章 · 提示词工程 - Prompt 工程章节
- 上下文工程 - 上下文工程详解
- Harness 工程：给 AI 搭工作台 - Harness 工程详解
- Loop 工程：让 AI 自己转起来 - Loop 工程详解
- AI 应用层知识图谱 - 知识图谱
- 四次范式跃迁 - 四次范式跃迁原文
- 四次范式跃迁 - 四次范式跃迁详解
来源
- Anthropic Agent Engineering 博客: https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents
- Prompt Engineering Guide: https://www.promptingguide.ai/
- 上下文工程理论: https://blog.langchain.dev/context-engineering/
- MCP 官方规范: https://spec.modelcontextprotocol.io/