• Prompt Engineering 👉 你怎么下指令
• Context Engineering 👉 你给他什么资料
• Harness Engineering 👉 你怎么安排他工作流程（甚至配工具）

🧠 三者对比

层级	关注点	类比
Prompt Engineering	怎么说	写问题
Context Engineering	给什么信息	提供资料
Harness Engineering	怎么用模型做事	搭整个系统

1️⃣ Prompt Engineering（提示工程）

👉 核心：怎么把一句话说好，让模型给出更好的回答

它关注的是“输入文本本身”的设计，比如：

• 如何写清晰的指令
• 是否需要 few-shot 示例
• 用什么语气、结构、格式

例如：

• ❌ “总结一下这篇文章”
• ✅ “用3点总结这篇文章，每点不超过20字，并给出一个标题”

📌 本质：微观层面优化单次调用

👉 重点：你写了什么 prompt

from openai import OpenAI
client = OpenAI()

question = "什么是量子计算？"

response = client.chat.completions.create(
    model="gpt-5.3",
    messages=[
        {"role": "user", "content": f"请用通俗语言解释：{question}，并给一个生活中的例子"}
    ]
)

print(response.choices[0].message.content)

---

2️⃣ Context Engineering（上下文工程）

👉 核心：给模型“喂什么信息”

不仅仅是写 prompt，而是决定：

• 要不要加入历史对话（memory）
• 要不要做 RAG（检索增强生成）
• 是否注入知识库内容
• 如何组织上下文顺序（system / user / tool）

例如：

• 在客服系统中，把用户历史订单、FAQ 一起放进上下文
• 在 coding assistant 中注入当前文件内容

📌 本质：控制模型“看到的世界”
👉 重点：你给模型加了额外上下文（RAG / memory / docs）

from openai import OpenAI
client = OpenAI()

question = "什么是量子计算？"

# 模拟从知识库检索到的内容（RAG）
retrieved_docs = """
量子计算利用量子比特（qubit），可以同时表示0和1，
在某些问题上比传统计算更高效。
"""

response = client.chat.completions.create(
    model="gpt-5.3",
    messages=[
        {"role": "system", "content": "你是一个专业但通俗的讲解助手"},
        {"role": "user", "content": f"""参考以下资料回答问题：{retrieved_docs} 问题：{question}"""}
    ]
)

print(response.choices[0].message.content)

---

3️⃣ Harness Engineering（工程/编排工程）

👉 核心：如何把模型变成一个“可用系统”

这个层面已经不只是 prompt 或上下文，而是：

• 多步骤调用（agent / tool use）
• 模型 + 工具（搜索、数据库、API）
• 错误处理、重试、评估
• pipeline / workflow 设计

比如：

• 一个 AI 能： 1. 先搜索资料; 2. 再总结; 3. 再生成报告
• 或者自动调用函数、写代码、执行结果

📌 本质：构建完整 AI 应用系统

👉 重点：不只是一次调用，而是一个流程（带搜索 + 校验 + 兜底）

from openai import OpenAI
client = OpenAI()

def decide_need_search(question):
    """Step 1: 判断是否需要搜索"""
    resp = client.chat.completions.create(
        model="gpt-5.3",
        messages=[
            {"role": "system", "content": "判断问题是否需要最新或外部信息，只回答 yes 或 no"},
            {"role": "user", "content": question}
        ]
    )
    return "yes" in resp.choices[0].message.content.lower()


def search(query):
    """Step 2: 外部工具（可以换成真实搜索API）"""
    return f"（模拟搜索结果）关于 {query} 的最新资料..."


def generate_answer(question, context):
    """Step 3: 生成答案"""
    resp = client.chat.completions.create(
        model="gpt-5.3",
        messages=[
            {"role": "system", "content": "你是一个严谨的专家，基于上下文回答"},
            {"role": "user", "content": f"""上下文：{context} 问题：{question}"""}
        ]
    )
    return resp.choices[0].message.content


def evaluate_answer(answer):
    """Step 4: 自检"""
    resp = client.chat.completions.create(
        model="gpt-5.3",
        messages=[
            {"role": "system", "content": "判断答案是否可靠，只回答 yes 或 no"},
            {"role": "user", "content": answer}
        ]
    )
    return "yes" in resp.choices[0].message.content.lower()


def pipeline(question):
    """总流程（Harness）"""
    
    # 决策
    need_search = decide_need_search(question)

    # 上下文
    context = ""
    if need_search:
        context = search(question)

    # 生成
    answer = generate_answer(question, context)

    # 自检
    if not evaluate_answer(answer):
        return "这个问题我不太确定，需要更多可靠信息。"

    return answer


# 使用
print(pipeline("什么是量子计算？"))