🧠 AI 应用技术串讲：从 LLM 到 Harness Engineering
一口气搞懂 12 个 AI 应用核心技术概念，附优质学习资源
🎯 这篇讲什么
本文基于社区优质飞书文档整理，用通俗语言串讲当下 AI 应用领域最核心的 12 个技术概念——从最底层的 Transformer 架构，到提示词工程、微调、RAG、Function Calling，再到 Agent、Multi-Agent、Context Engineering、Agent Skill、OpenClaw，最后到 Harness Engineering。每个概念都配有推荐学习资料，适合 AI 入门者建立全局认知。
1. LLM（大语言模型）
Transformer 架构的提出奠定了大模型时代基础，使基于注意力机制的生成模型成为主流。
当前最主流的架构是 Decoder-Only（仅解码器） 变体——GPT、Claude、DeepSeek 等都是这条路。
📎 Attention Is All You Need — Transformer 原始论文
2. Prompt Engineering（提示词工程）
提示词（Prompt） 是用来引导模型按照特定意图生成输出的输入指令，主要包含「系统提示词」和「用户提示词」。
提示词工程是通过设计和优化提示词，使大模型更准确、可控地产生所需输出。这是一种低成本调优手段——提升效果但不改变模型参数。
3. Fine-tuning（微调）
微调是在已有模型基础上，用特定数据再训练，让模型更适合某个具体任务或场景。微调改变的是模型的参数。
LoRA（Low-Rank Adaptation）算法通过只训练少量低秩参数来进行微调，大幅降低了训练成本——让个人开发者也能玩得起微调。
4. RAG（检索增强生成）
RAG 的核心思路：先从外部知识库检索相关信息，再结合这些信息一起生成回答。这样既提升了模型的准确性，也解决了知识时效性问题。
典型流程：用户提问 → 检索相关文档 → 拼接上下文 → LLM 生成回答
5. Function Calling（函数调用）
Function Calling 是让大模型按约定格式输出调用指令，由外部系统真正执行操作的机制。
它让模型从「只会说话」变为「会调用工具」——查天气、发邮件、操作数据库，都不再是问题。
6. MCP（Model Context Protocol）
MCP 是一种标准化协议，让大模型以统一方式连接外部工具、数据源和服务，获取上下文信息并执行操作。
MCP 最重要的贡献：使工具可以跨 AI 应用复用。一次编写 MCP Server，Claude Desktop、Hermes Agent、Cursor 等都可以用——极大推动了 AI 工具生态发展。
📎 MCP 官方文档
7. Agent（智能体）
Agent 是一种能够基于目标进行「思考 → 行动 → 观察」循环、自主调用工具完成复杂任务的智能系统。
Agent 本质上是对人类的模拟——我们也是「感知 → 思考 → 行动 → 观察反馈」的循环。
最简公式：「提示词 + LLM + Tools」= Agent
Agent 四大设计模式
- Reflection（反思）：Agent 检查自己的输出并修正
- Tool Use（工具使用）：调用外部 API/工具完成任务
- Planning（规划）：分解复杂任务为子步骤
- Multi-Agent（多智能体）：多个 Agent 分工协作
📎 ReAct 论文 · Agent 设计模式概览
8. Multi-Agent（多智能体）
由多个分工协作的 Agent 共同完成任务，通过拆分任务与隔离上下文解决单 Agent 系统难以处理的复杂问题。
典型场景：一个 Agent 负责搜索资料，一个负责分析整理，一个负责撰写输出。
⚠️ 谨慎使用：Token 消耗量大、协作效率低、系统复杂度高——不是所有场景都需要 Multi-Agent。
📎 Building Multi-Agent Systems — Anthropic
9. Context Engineering（上下文工程）
Agent 运行中需要提供给 LLM 的一切相关信息——对话历史、用户输入、背景知识、工具返回结果等——都是上下文。
上下文工程关注的是：如何高质量筛选、压缩和组织上下文，最大化模型的决策与推理能力。这是 Agent 系统中最被低估但最关键的一环。
10. Agent Skill（智能体技能）
Agent Skills 是一种轻量级的开放格式，用于将一整套 Agent 能力（prompt、工具脚本、知识文件等）封装为可复用模块，实现低门槛分享与复用。
核心认知：
- Agent Skill 本质上 ≈ 一个子 Agent
- 特别适合 SOP 的沉淀和复用——「离职的同事终将化作温暖的 Skill」😄
- Agent 运行时按需激活不同 Skills，按需读取文件包里的内容（渐进式披露）
📎 Agent Skills — Anthropic 官方博客 · Agent Skills 平台
11. OpenClaw
OpenClaw 是一款开源、高可扩展的 AI Agent 框架，基于 TypeScript 开发，核心用途是构建可自定义的私人 AI 助手。
重要创新：拓展了 Agent 的交互入口——不只是命令行，还支持飞书、Telegram、Discord 等多平台接入。Hermes Agent 即脱胎于此生态。
12. Harness Engineering（驾驭工程）
Harness Engineering 强调通过构建受控环境，让 Agent 在约束下高效可靠地完成长周期复杂任务。
包含围绕 Agent 构建的一系列工程实践：约束机制、反馈回路、可靠上下文、安全的工具调用边界等。可以理解为「给 Agent 套上缰绳」。
📎 Harness Engineering — OpenAI
🔗 技术全景关系图
LLM（底层模型）
├── Prompt Engineering（不改变模型，优化输入）
├── Fine-tuning / LoRA（改变模型参数）
├── RAG（外部知识注入）
└── Function Calling（让模型调用工具）
│
▼
MCP（标准化工具协议）→ 工具生态复用
│
▼
Agent（思考→行动→观察 循环）
├── Context Engineering（管理上下文质量）
├── Agent Skill（能力模块化复用）
│
├── Multi-Agent（多智能体协作）
│
└── 工程化落地 → OpenClaw（开源 Agent 框架）
Harness Engineering（受控环境）❓ 常见问题（FAQ）
Q1: Prompt Engineering 和 Fine-tuning 有什么区别？
Prompt Engineering 不改变模型参数，靠优化输入指令提升效果，成本低、迭代快。Fine-tuning 需要训练数据，改变模型参数，适合需要深度定制场景。实际项目中往往两者结合使用。
Q2: RAG 和 Fine-tuning 该选哪个？
RAG 适合需要最新信息、知识频繁更新的场景；Fine-tuning 适合需要模型学会特定风格、领域知识的场景。两者不互斥，可以同时用。
Q3: MCP 和 Function Calling 是什么关系？
Function Calling 是模型输出调用指令的能力，MCP 是定义「工具长什么样、怎么连接」的协议标准。可以理解为：Function Calling 是「会喊人帮忙」，MCP 是「统一了所有人的联系方式」。
Q4: 最简单的 Agent 怎么做？
提示词 + LLM + 一个 Tools 列表就行。比如给 Claude 配一个搜索工具，它就能自主决定何时搜索、搜索什么、怎么用搜索结果。
Q5: 什么时候该用 Multi-Agent？
单 Agent 上下文太长、任务需要不同专长、或者任务天然可并行分解时。但要警惕过度设计——很多场景一个设计良好的单 Agent 就够了。
Q6: Agent Skill 和 MCP Tool 什么区别？
MCP Tool 是单个工具（比如搜索、读文件），Agent Skill 是一套完整能力包（prompt + 工具 + 知识 + SOP）。Skill 可以包含多个 Tool，粒度更大。
Q7: 这 12 个概念的学习顺序是什么？
LLM（理解基础）→ Prompt Engineering（最实用）→ Agent（核心范式）→ MCP/Function Calling（工具能力）→ RAG/Fine-tuning（增强手段）→ Context Engineering（进阶优化）→ Agent Skill（模块化复用）→ Multi-Agent/Harness/OpenClaw（工程落地）
Q8: 为什么 Context Engineering 是最被低估的？
因为很多人只关注模型能力和工具数量，忽略了「给模型的上下文质量直接决定输出质量」。上下文太长会稀释注意力，太短会信息不足——剪裁、压缩、排序都很关键。
Q9: OpenClaw 和 Claude Code 是什么关系？
OpenClaw 是开源 Agent 框架（可以接任何模型），Claude Code 是 Anthropic 官方的 AI 编程助手。Hermes Agent 就是从 OpenClaw 生态中成长出来的。
Q10: Harness Engineering 和我有关系吗？
如果你在生产环境跑 Agent，就有关。它关注的是：如何让 Agent 不出错、不越权、不浪费 Token——本质是 Agent 的「安全护栏」。
⚠️ 避坑指南
| 坑 | 正确做法 |
|---|---|
| 刚入门就直奔 Multi-Agent | 先用好单 Agent，跑通「思考→行动→观察」循环 |
| 把 Prompt Engineering 当作一次性配置 | 持续 A/B 测试，迭代优化提示词 |
| 不区分 System Prompt 和 User Prompt | System Prompt 定规则/角色，User Prompt 给具体任务 |
| Fine-tuning 数据质量差导致模型退化 | 微调数据贵精不贵多，严格清洗和验证 |
| RAG 直接拼接检索结果不做清洗 | 检索结果要过滤、去重、按相关性排序后再给 LLM |
| MCP 工具不做权限控制 | 工具需要白名单 + 权限分级，防止 Agent 越权操作 |
| Agent 没有终止条件陷入死循环 | 设置 max_turns 和超时机制 |
| 上下文无限膨胀不清理 | 用滑动窗口、摘要压缩等手段控制上下文大小 |
| 把 Skill 写得过大加载慢 | 遵循渐进式披露，Agent 按需读取，不一次全塞 |
📚 Claude Code 源码参考
想深入研究 Agent 实现？这些开源参考值得一看：
标签：#AI入门 #Agent #MCP #Skill #OpenClaw #串讲