网眼查 Harness Engineering：人与AI的协作范式转变

从Prompt Engineering到Harness Engineering，AI协作范式正在经历革命性转变。本文深度解析了随着模型能力提升而演化出的三种协作模式，并引入管理学中的情境领导理论，揭示人与AI关系从微观管理到制度化授权的演进路径。在AI自主性不断增强的当下，人类将面临从执行者向意图设定者的角色转型，这既是挑战也是解放。

自2022年底ChatGPT掀起这一轮席卷全球的AI浪潮开始，“人如何使用AI”（或站在当下看：“人如何与AI协作”）一直是一个核心议题。本文尝试从另一个视角探讨——人与AI的协作范式转变，与模型本身能力发展的关系，以及未来新范式的可能性。

从Prompt到Context再到Harness

AI这几年的发展可以说是日新月异，可能并没有机会在过程中形成固定的规则或模式。但在AI的主流应用领域中，我们还是可以观察到一个大致的范式转换过程。

第一阶段：Prompt Engineering（提示词工程）

在2022年底至2024年初，所有主流的”AI教程”都会着重讲解所谓Prompt Engineering（提示词工程）的概念。这个阶段提出的各种技巧（角色扮演、Few-shot、Step-by-step等等）都致力于创建一个”完美指令”，从而一次性让模型输出最佳结果。

在这个阶段，用户实际上仍是整个工作的”绝对掌控者”，而模型只是基于单条指令完成任务的被动执行者。模型没有记忆、没有工具，每一次交互都是独立的条件概率生成。

第二阶段：Context Engineering（上下文工程）

在2024年至2025年初，基于模型上下文窗口的普遍扩充（从4K到128K/200K tokens）以及AI工程化的落地，业内开始形成Context Engineering（上下文工程）的共识。相较于研究提示词如何”遣词造句”，行业开始探索如何以系统性框架（RAG知识库、系统提示词、Memory记忆系统、工具调用接口），根据业务场景动态地为模型构建信息环境。

此时模型获得了有限的”自由”：用户从“直接发号施令者”转变为“情境构建者”——负责判断当前情况，提供信息与资源；而模型则在给定的上下文环境中，自行判断如何应对用户诉求。协作重心从“优化输入”转向了“配置环境”。

第三阶段：Harness Engineering（驾驭工程）

自2025年初至今，随着模型能力进一步提升（特别是Claude 4.6、GPT-5.4 Codex、Gemini 3.1 Pro等具备深度Agentic能力的模型成熟），新的范式被提出——Harness Engineering（Harness意为”马具/缰绳”，可译为”驾驭工程”或”约束工程”）。

在这个新范式中，提示词写作技巧与上下文内容依然存在，但已不再是核心。AI应用的搭建开始关注：

授权模型访问必要的工具与数据（如OpenClaw的Skill Hub技能市场）；框定运转边界（Guardrails护栏、权限分级、Docker沙箱隔离）；建立自主运转机制（如OpenClaw的Heartbeat心跳机制——每15-30分钟自主唤醒执行任务，无需人工触发）；设定验收目标与自我调整机制（Evals评估、Control Loops控制循环）。

我们可以看到以OpenClaw为代表的一类自主长任务Agent框架在2026年初开始流行：它支持本地化部署，通过Gateway连接Telegram/WhatsApp/Slack等消息平台，在设定目标后几乎不需要用户的逐步指挥，而是按照”工作-验证”的循环自主运转直至目标达成。用户的重点不再是”告诉AI该如何做”，而是”告诉它该做什么，并设定行为边界与检查点”。

AI协作中的”情境领导”？

管理学中的情境领导理论（Situational Leadership Theory，由Hersey与Blanchard提出）认为，应根据下属的”准备度”（Readiness）选择不同的管理风格。该理论将员工分为四个阶段，对应四种管理风格：

S1：指令（Telling）——对应低能力且低意愿的员工。单向沟通，直接告知如何执行。S2：教练（Selling）——对应低能力但有意愿的员工。双向沟通，解释决策并鼓励接受。S3：支持（Participating）——对应高能力但低意愿的员工。分享决策，注重支持而非指导。S4：授权（Delegating）——对应高能力且高意愿的员工。授权执行，保留监督职责。

从这个视角再看AI协作范式的转换，我们会看到一个明显的对应关系——尽管AI没有人类意义上的”意愿”（动机/情绪），但模型能力决定了它能否进行长时间自主活动（即”代理性”或”积极性”的强弱）。

低能力、低自主性阶段（S1）：对应Prompt Engineering。初期模型（如早期GPT-3.5）无法受信赖地解决复杂问题，且倾向于在单轮对话中快速结束任务。“指令模式”恰如”告知型管理”——人必须事无巨细地指导AI的每一步。高能力、低自主性阶段（S3）：对应Context Engineering。中期模型（如GPT-4、Claude 3.5）能力显著提升（能准确理解、推理），但缺乏自主规划与主动探索的倾向（不会自行制定计划、调用工具）。此时人需要提供情境支持（资源、信息、工具），正如”支持型管理”——给足条件，让AI在短程任务中发挥能力。高能力、高自主性阶段（S4）：对应Harness Engineering。当前模型（Claude 4.6、GPT-5.4、Gemini 3.1 Pro）表现出Agentic特质（主动规划、自主学习工具使用、通过Heartbeat机制持续执行任务），成长为”高能力且高自主性”的数字员工。”授权模式”成为必然——人负责设定目标与边界（Harness），AI负责在边界内自主执行长程任务（如OpenClaw的24/7自主运转）。

由此，我们实际上看到了一种”AI情境协作”的演进路径：从微观管理（Micro-management）到情境赋能（Empowerment），再到制度化授权（Governed Delegation）。

完全自主的Agent？人的意义何在？

从上文的分析可见，人与模型协作的范式，事实上与模型本身能力的发展强耦合。那么，如果模型再进一步发展——如果我们获得了能够超长程完成抽象目标的模型，人该如何与AI协作？人在工作场景中还有存在的价值吗？

我认为，人最终在整个工作链路中的唯一价值，可能只有“意图”（Intention）或者“动机”（Motivation）。

至少在目前的发展中，模型实际上被训练为一个缺乏内在动机的”工具”。不论它表现得多么智能（如OpenClaw可以24/7自主检查邮件、执行代码、管理文件），一个模型被部署后，若没有任何外部目标注入（通过Prompt或任务触发），它不会自行运转，也不会”想要”做什么。这意味着，即便一个”无所不能”的模型出现，在没有外部意图注入时，它倾向于什么都不做。

那么，至少在人类主导的市场逻辑没有崩溃之前，人还是要作为那个产生动机、设定目标的角色。最终，一切工作或商业活动将出现从“实现为瓶颈”（How to do）向“意图为瓶颈”（What to do & Why）的转变。所有工作本质上都将变成创造性工作——洞察需求、设定目标、验收结果。

乐观地看，在这个设想中，人不会被直接取代；但残酷的是，这种模式的转变还是会毁灭大多数人的生存逻辑——特别是那些穷其一生磨练单一技能到顶峰的人。某种意义上，这是终极的颠覆；但更大意义上，这是终极的解放——人将被迫（或得以）从”手段”回归”目的”。

因此，站在这个时代，我的建议是：学习如何使用AI固然重要，但更重要的是剥离全部物化的标签，探寻自我，探寻他人，拥抱纯粹的创作与劳动。

记住，人是目的，不是手段！

(本文事实核查、资料搜集及最终文字润色由Kimi agent完成，列为共同作者）

本文由 @范佳玉原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。

该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。

盛多网提示：文章来自网络，不代表本站观点。