🐯虎嗅•最新收集於 26m
月之暗面：從 Prompt 到 Harness 工程的演進
💡掌握 Agent AI 的下一階段：從 Prompt 工程轉向構建自主執行環境。
⚡ 30-Second TL;DR
有什麼變化
AI 工程演進經歷了 Prompt、Context 與 Harness Engineering 三個階段。
為什麼重要
此框架為開發者提供了構建複雜、多步驟自主 Agent 的路徑圖，超越了簡單的對話互動。
下一步行動
實作一個允許模型自我修正與探索的「while」循環 Agent 結構，而非僅依賴靜態的 Prompt 鏈。
誰應關注：Developers & AI Engineers
關鍵要點
- •AI 工程演進經歷了 Prompt、Context 與 Harness Engineering 三個階段。
- •Harness Engineering 旨在構建能支撐模型自主完成小時級閉環任務的運行環境。
- •遵循「苦澀的教訓」(Bitter Lesson) 原則，應利用模型能力邊界來定義框架，而非過度依賴人工規則。
🧠 深度解析
AI-generated analysis for this event.
🔑 增強重點摘要
- •月之暗面（Moonshot AI）的 Kimi 探索版已具備自主搜索、分析與執行長鏈條任務的能力，這是實現 Harness Engineering 的核心載體。
- •Harness Engineering 的核心邏輯在於將模型從「對話者」轉變為「操作者」，通過構建專用運行環境（Runtime）來管理模型與外部工具的交互。
- •張宇韜強調，隨著模型推理能力的提升，傳統的 Prompt Engineering 逐漸失效，因為模型開始具備自我糾錯與規劃能力，無需過多人工干預。
- •該工程範式轉移背後反映了 AI 產業從「模型即產品」向「Agent 即產品」的戰略轉移，重點在於提升任務完成的成功率（Success Rate）。
- •Harness Engineering 框架中引入了類似作業系統的資源調度概念，旨在解決長任務中上下文遺忘與工具調用失敗的問題。
📊 競品分析▸ Show
| 特性 | 月之暗面 (Kimi) | OpenAI (o1/Operator) | Anthropic (Claude 3.5/Computer Use) |
|---|---|---|---|
| 核心定位 | 長文本與自主任務執行 | 推理模型與 Agent 框架 | 視覺與計算機操作能力 |
| 任務執行方式 | Harness 工程環境 | 鏈式思維與 API 調用 | 電腦操作與 UI 交互 |
| 價格模式 | 按 Token/使用量計費 | 按 Token/訂閱制 | 按 Token/訂閱制 |
🛠️ 技術深入
- 運行環境封裝：Harness Engineering 通過容器化或沙盒技術，為模型提供隔離的執行空間，確保工具調用（Tool Use）的安全性與穩定性。
- 狀態管理機制：引入持久化狀態存儲，解決長任務中上下文窗口（Context Window）溢出後的記憶保留問題。
- 自主規劃與反思（Self-Reflection）：模型在執行過程中會定期檢查任務進度，若發現偏差則自動觸發重試或路徑修正。
- 異構工具調度：框架支持模型根據任務需求，動態調用瀏覽器、代碼解釋器或數據庫查詢工具，並處理多工具間的數據流轉。
🔮 前景展望AI analysis grounded in cited sources
AI 應用開發將從 Prompt 編寫轉向系統架構設計。
隨著模型自主性增強，開發者的核心價值將轉移到構建穩定的運行環境與工具鏈集成，而非優化單個提示詞。
自主 Agent 的任務成功率將成為衡量 AI 產品競爭力的核心指標。
市場將不再滿足於模型能「說什麼」，而是關注模型在複雜、長時任務中能「做成什麼」。
⏳ 時間線
2023-03
月之暗面（Moonshot AI）正式成立。
2023-10
發布支持 20 萬字長文本處理的 Kimi 智能助手。
2024-03
Kimi 智能助手支持 200 萬字超長無損上下文窗口。
2024-10
發布 Kimi 探索版，具備自主搜索與長鏈條任務執行能力。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： 虎嗅 ↗