首页
AI / 大模型
  • 智能体 Agent
  • 大模型工程
  • 模型原理
  • AI 应用
  • 检索增强 RAG
大数据
  • Flink
  • Kafka
  • ClickHouse
  • Hive
  • ZooKeeper
  • Hadoop
运维部署
  • 网站部署
  • 后端与工程
项目管理 关于本站
峰的个人知识库 菜单
  1. 首页
  2. AI / 大模型
    1. 智能体 Agent
    2. 大模型工程
    3. 模型原理
    4. AI 应用
    5. 检索增强 RAG
  3. 大数据
    1. Flink
    2. Kafka
    3. ClickHouse
    4. Hive
    5. ZooKeeper
    6. Hadoop
  4. 运维部署
    1. 网站部署
    2. 后端与工程
  5. 项目管理
  6. 关于本站
快捷操作
登录

Context 与 Harness 工程
智能体 Agent 2026.05.11
阅读 6 评论 0 点赞 0

Context 与 Harness 工程

大模型应用工程分四层递进:Prompt Engineering让模型听懂需求,Context Engineering提供决策信息,Harness Engineering确保稳定执行,Learning Loop实现持续优化。后一层包含前一层。Agent落地中,模型决定天花板,Harness决定落地能力,其六层组件覆盖输入侧(上下文精细化)、动作侧(工具系统、执行编排)和校验侧(评估观测、约束恢复)。上下文腐化通过召回(RAG)、压缩(摘要提炼)、组装(结构化存储)治理。状态必须外化到文件系统,按任务状态、会话中间结果、长期记忆分层存储。实操中通过项目级/用户级/会话级配置及自动化钩子实现稳定执行。掌握这些工程方法可让大模型从“听话”到“能干”,显著提升复杂任务成功率。

#Context工程#Harness#Claude Code
DATA · LLM · DEVOPS DATA · LLM · DEVOPS DATA · LLM · DEVOPS DATA · LLM · DEVOPS
F Archive

沉淀后端底层、大数据工程与大模型落地实践,结构化归档技术学习笔记。

导航

  • 首页
  • AI / 大模型
  • 大数据
  • 运维部署
  • 项目管理
  • 关于本站

© 2026 峰的个人知识库. 保留所有权利.

用 ♥ 与氢气构建

Built with Theme 氢·简 CMS Halo