本文深入解析了从Prompt到Graph的大模型工程演进阐述了五大工程阶段的核心概念与相互关系。从明确指令的Prompt工程到管理信息的Context工程再到赋予行动能力的Harness工程以及实现任务循环的Loop工程最后到多单元协同的Graph工程文章揭示了AI工程的核心目标如何让不确定性模型持续完成任务并交付可验证结果。工程师的角色也从直接推动任务转变为设计自主执行的系统明确了责任与能力的边界强调了人在目标设定、规则制定及最终决策中的不可替代性。Loop Engineering 还没捂热Graph Engineering 就出现了。又是那个 Vibe Coding 的集大成者 Peter 的新词没错就是那个龙虾的创造者。Graph EngineeringLoop EngineeringHarness EngineeringContext EngineeringPrompt Engineering感觉快集齐七龙珠了。可它们不是一代换一代。今天的 Graph 里还跑着 LoopLoop 得靠 Harness 才动得了Harness 每次叫模型都要组织 ContextContext 最后还是要变成 Prompt。这些词到底想表达的是什么意思纯粹的表达高地还是方向路标从 Prompt 到 GraphAI 工程其实都是一条主线怎样让一个每次输出都带有不确定性的模型持续做事并且最终交出可以验证的结果。模型越来越能干任务越来越长工程师需要控制的范围也越来越大。模型会回答不等于系统能完成任务先把大模型单独拿出来看。你给它一段输入它根据当前看到的内容预测接下来该输出什么。模型可以解释问题、写代码、列计划也可以判断下一步应该调用哪个工具。但一项真实工作还需要很多模型之外的东西。它要知道目标和限制看到项目资料读取当前状态操作文件和软件检查操作是否成功。失败后还要换一种方法不能说一句“已经完成”就停下来。任务复杂时它还要等待其他工作、合并多个结果、处理意见冲突。这些能力不会因为模型参数更多就自动长在系统里。一个模型知道应该运行测试不代表它真的能运行测试。它能运行测试也不代表它会认真读取失败结果。它能读取失败结果也不代表它会继续修改直到测试通过。它能把测试全部跑通也不代表这次改动符合用户真正想要的东西。所以模型能力和系统能力是两回事。模型负责提出下一步可能做什么工程系统负责提供信息、工具、状态、反馈和限制让这些可能性逐渐变成结果。回头看这几年冒出来的各种 Engineering变化也就容易理解了。一开始大家只想让模型把话答对后来开始要求它看懂整个项目、直接动手、连续工作再到多个 Agent 分工合作。每增加一层能力都会露出一个更大的缺口。所以我更愿意把这五个词看成五层逐渐扩大的控制范围Prompt 管怎么说Context 管给模型看什么Harness 管模型怎么干活Loop 管任务怎么继续Graph 管多个执行单元怎么配合。下面就按这五层一层一层往外走。Prompt Engineering先把任务说清楚大模型刚进入大众视野时人们很快发现了一件奇怪的事。同一个问题换一种说法结果可能完全不同。“帮我写一段代码”和“使用 Kotlin 编写一个线程安全的实现保留现有接口并给出异常处理”得到的东西显然不一样。于是大家开始研究怎样给模型下指令明确角色补充背景规定输出格式提供示例把复杂任务拆成步骤让模型检查自己的答案。Prompt Engineering 把人平时交代任务的经验写进了提示词。它背后的判断是模型可能已经有这个能力只是我们没有把任务说对。这套方法确实有效。任务越明确限制越具体模型越不容易跑偏。结构化输入、示例和成功标准也能明显减少不可用的输出。但 Prompt 有一道绕不过去的墙模型没有看到的东西提示词写得再漂亮也补不回来。让模型改一个项目却不给它代码它只能猜。让它分析故障却不给日志它只能把常见原因列一遍。让它接着昨天的活干却不告诉它昨天改了什么它只能从头再来。这时候继续琢磨措辞是在错误的位置上用力。Prompt Engineering 解决的是答不对。任务说清楚之后剩下的问题是它看不全。Context Engineering决定模型这一刻该看到什么Context 不只是用户刚输入的那句话。模型一次推理时看到的所有内容都属于 Context系统指令、当前任务、历史对话、检索到的文档、代码、工具说明、执行结果、项目规范、工作记录和记忆。Prompt 只是其中一部分。所以 Context Engineering 要回答的问题是这一步该让模型看到什么。它和“能塞进去多少”听着接近做法几乎相反。这件事听上去像资料整理实际比写 Prompt 难得多。模型的上下文窗口有限就算窗口够长注意力也不是无限的。你把整个代码仓库、全部聊天记录、几十份设计文档和所有日志一起扔进去信息是更多了答案却未必更好。真正需要的一段错误日志可能埋在几万行无关内容里。已经过期的设计结论也可能继续影响后面的判断。所以 Context Engineering 做的是取舍什么内容要写进当前 Context什么内容只放在外部、需要时再读什么历史应该压缩什么原始证据必须原样保留哪些信息该给研究 Agent哪些信息不该让审核 Agent 提前看到。长任务之所以经常需要外部文件、任务状态和摘要就是这个原因。模型不必记住全部过程但系统必须保证它在下一步拿到够用的信息。看不全这一关Context Engineering 能过。可就算模型看到了项目代码、错误日志和修改要求它能给你的仍然可能只是一句“建议修改这个文件然后运行测试”。知道怎么做和真的把事情做完中间还隔着工具、权限和环境。Harness Engineering给模型一套能干活的环境Harness 很难找到一个完全贴切的中文词。把它理解成模型外面的执行系统比较接近实际含义。它把模型包在里面给模型准备工具、权限、状态、规则和检查手段。模型不再只是生成一段文字而是可以读取文件、修改代码、执行命令、访问网页、调用 API再根据返回结果决定下一步。一个常见的 Harness 会处理这些事情给模型装入当前任务所需的信息把模型输出转换成工具调用限制它能访问哪些文件和服务记录执行过程在高风险操作前等待人工确认执行测试和检查在失败时保存现场。Prompt 和 Context 仍在里面只是现在多了行动能力。做到这一步工程师的活也跟着变了。他要保证仓库、文档、测试和反馈都能被 Agent 读到、改到然后把任务描述清楚剩下的交给 Agent 去改代码、看结果、接受别人的意见再改。顺带说一句Harness 和 Loop 的边界没有想象中那么整齐。现实里的 Harness 通常已经包含了部分循环、状态保存和恢复能力。Codex 那套系统就是这样官方说法里Harness 指的干脆就是支撑各个 Codex 产品的 Agent 循环和执行逻辑。所以这五个词适合用来理解关注范围怎么变不适合当成五个互不相干的软件模块。到这一层做不了才算被解决。Harness 把模型从一个会给建议的大脑变成一个能进真实环境动手的执行者。模型越强这层系统反而越重要。一个只能输出文字的模型答错了最多浪费一点时间。一个可以删除文件、提交代码、发送邮件或操作生产系统的 Agent 判断错了后果要大得多。能力增加之后系统必须补上更多限制它能读什么能改什么哪些操作必须确认结果用什么方法检查出了问题怎样恢复。Harness 的价值不只是给模型更多工具更重要的是把一部分可靠性从模型身上拿走交给权限、测试、规则和程序。但一次运行能够行动仍不代表它能独立完成一项长任务。很多 Agent 今天的真实用法还是人发任务Agent 做一轮人看结果指出问题Agent 再做一轮。中间人不推任务就停在那儿。下一步要替代的正是这个不断催促和检查的人。Loop Engineering把“继续做”写进系统Loop Engineering 不是在 Agent 外面套一个while true。要写进系统的是人每一轮都在做的那些判断看 Agent 做了什么检查结果发现不对就补充要求再决定继续、换方法还是停。把这套动作变成程序能重复执行的过程就是 Loop读取目标和当前状态调用 Agent 行动观察环境变化检查结果决定下一步。说白了你不再亲自反复提示 Agent而是写一个替你提示 Agent 的系统。一个能稳定跑起来的 Loop至少要回答几个问题什么时候启动当前做到哪一步这次执行拿到了什么结果结果由谁检查失败后重试几次出现什么情况必须停什么时候要交给人。其中最要紧的两个是根据什么继续根据什么停止。重复本身反倒是最容易的部分。最弱的 Loop 会让模型自己判断是否完成。模型写完代码说一句“任务已完成”循环就结束了。可代码可能没编译测试没运行页面根本没打开过。更可靠的做法是让外部证据来决定编译是否成功测试是否通过页面截图对不对接口返回是否达到预期独立审核有没有批准。Agent 越强这种检查越不能省。它会多轮行动、调用工具、改动环境用一问一答的方式去评估它等于只看了它说的最后一句话。该看的是整个过程和最终状态。Loop 对付的是做不完。Agent 不必再等人每一轮发话可以根据结果自己往前推。但循环也会把前面留下的错误一并放大。目标写错了它会不停追求错误目标Context 里混进错误信息它会反复拿这条信息做决定Harness 的工具有缺陷它会一次又一次执行错误操作。停止条件太松它提前宣布完成停止条件缺失它能一直烧时间和 Token。单个 Loop 还有另一类麻烦。一项复杂任务往往不止一种工作有人搜资料有人写代码有人跑测试有人查安全。部分工作可以同时做部分必须等前一步完成不同的失败还得回到不同位置处理。把所有事情都塞进一个 Agent 的循环里Agent 会在越来越长的 Context 中不断切换角色。这时需要设计的不再只是一个循环怎样继续而是多个执行单元怎样分工。Graph Engineering开始设计一张执行图Graph Engineering 把模型调用、Agent、工具、普通程序、检查器和人工确认节点放进同一张图里。节点负责做事边决定做完之后去哪里。一个节点可以是普通函数也可以是一次模型调用可以是完整 Agent也可以是测试程序、权限检查或人工审批。状态在这张图里不断更新节点读它、改它边根据它决定下一步走哪。一个代码任务可以这样组织需求分析节点先判断任务类型普通修改交给编码 Agent涉及安全权限的先进安全检查编码完成后跑测试测试失败退回编码 Agent测试通过交给审核 Agent高风险改动最后等人工确认。这张图里可能只有两个 Agent其余节点全是普通程序。所以 Graph Engineering 不等于 Multi-Agent多 Agent 只是它可能采用的形式之一。要紧的是系统明确写出了这几件事任务怎么拆状态怎么传何时分支何时汇合失败回到哪里谁拥有最后的决定权。Graph Engineering 新的不是图图、工作流、状态机、DAG 都不是新技术软件系统早就在用它们处理订单、审批、数据计算和任务调度。LangGraph 用带循环的图搭 Agent Runtime也是 2024 年的事比这轮“Graph Engineering”走红早得多。真正变了的是节点。传统工作流里的节点大多是确定性程序输入相同程序没改结果通常也相同。某个节点出问题开发者能查到固定的输入输出找到对应的那段代码。Agent 节点不是这样。它会理解目标生成计划选择工具还可能临时创建子任务。同样的输入交给同一个模型两次执行也可能走出不同的路径。传统工作流调度的是函数Agent Graph 调度的是行为。就这一个变化会带来一批过去不明显的问题。一个节点答错会把错误送到整张图里研究 Agent 找到一条错误信息规划 Agent 把它当成前提编码 Agent 再照着这个前提改代码。节点越多错误越容易换一种写法继续往下传。所以节点之间不能只传一句结论还得交代证据从哪来哪些是推测哪些地方压根没查明当前判断有几分把握。只传结果不传证据后面的 Agent 很难发现是从哪一步开始走错的。每个节点都完成任务整张图仍然可能失败研究 Agent 的目标是找到更多资料它可能搜集几十篇文章把时间和 Token 全部烧完。编码 Agent 的目标是改善代码它可能做一次大范围重构把原本两小时的活拖成两天。每个节点都认真完成了自己的局部任务不代表整项工作达到了目标。所以 Graph 里必须有人管全局限制时间、成本、风险、交付范围以及什么结果才算真正完成。两个 Agent不一定真的有两种判断一个 Agent 叫 Writer另一个叫 Reviewer看上去分工已经有了。但它们用的是同一个模型看到相同的资料继承同一个错误假设Reviewer 甚至先读到了 Writer 为自己方案写的那段解释。这种检查很容易变成换一个身份再同意自己一次。要让审核真的有效系统得主动制造独立性审核节点只看原始需求和最终结果不看作者的解释换一个模型调外部测试高风险的决定直接交给人。角色名称不会自动带来制衡信息边界和检查方法才会。图越动态越难知道它下一步会做什么固定工作流容易预测但不够灵活完全让模型决定路由系统能临时改计划却很难测试和追踪。实际能用的 Graph 通常两种都要。风险高、规则明确的部分由程序钉死比如权限检查、金额限制、测试门槛和人工确认需要理解语义、比较方案的部分再交给模型比如任务分类、资料选择和失败原因分析。所以 Graph Engineering 要决定的是哪些地方可以有弹性哪些地方必须固定。加多少个 Agent、把多少箭头交给模型都是这个判断带出来的结果。图的价值也在这里它把开发者对系统该怎么跑的判断写成了结构本身在该拦的地方直接拦住模型能走的路。工程师一直在往外走把五个阶段放在一起还能看到另一条变化。Prompt Engineering 阶段工程师像个任务交代者他想的是这句话怎么写模型才能听懂。到了 Context Engineering他开始整理资料模型这一步需要看到什么哪些东西会干扰判断。到了 Harness Engineering他开始准备工作环境给模型配工具、权限、规则和检查手段。到了 Loop Engineering他要设计任务怎么自己往前走失败之后怎么办什么证据可以结束任务什么时候必须找人。到了 Graph Engineering他做的事已经很像组织一支团队谁先做谁后做哪些活并行谁检查谁有分歧了听谁的。工程师没有离场他只是从亲自推动每一步转向设计一个能自己跑起来的系统。过去他告诉模型下一步做什么现在他要设计的是谁负责决定下一步这个决定又由什么来检查。绝大多数任务不需要 Graph新说法一出现人们很容易把它当成“更高级的方案”Graph 也不例外。一个 Agent 不够就放三个固定流程看着不够聪明就让模型动态选路还嫌不够复杂再加规划 Agent、审核 Agent 和管理 Agent。最后原本一次模型调用能干完的事变成十几个节点互相发消息。Graph 的成本是实实在在的。每加一个节点就多一种失败方式多一份状态多一组输入输出要求也多一段要追踪的执行过程。节点并行可能同时改同一个文件两个 Agent 可能给出相反的结论一个节点超时后面全等着系统跑出错误结果时你得沿着整张图去找最早出错的位置。所以判断顺序应该反过来先用能完成任务的最简单方案只在确有需要时才增加 Agent 和工作流的复杂度。写细一点就是四条能用普通程序稳定解决就不要让模型猜。能用一次模型调用完成就不要做 Agent。能用一个 Agent 完成就不要同时启动多个 Agent。能用一个 Loop 表达清楚就不要急着画复杂的 Graph。只有当任务确实出现分支、并行、等待、汇合、独立检查和不同恢复路径时Graph 才开始值回它带来的成本。能力可以交出去责任不会工业革命把人的体力交给了机器。蒸汽机不理解工厂为什么要生产一件商品但它能持续输出远超人力的力量。机器一多限制工厂的就不再是单台机器的性能而是原料怎么进、工序怎么排、产品怎么检、故障怎么处理。工程师于是不再只设计一台机器开始设计生产线和工厂。这一次交出去的东西不一样是判断读哪些资料用什么工具下一步做什么失败了怎么调整什么时候可以认为事情已经做完。Prompt 到 Graph 这五个词记录的就是这些判断被一层层写进系统的过程。但能力可以交出去责任不会跟着一起走。工厂出了事故不能说是机器自己选择了运转最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 收藏 | 从Prompt到Graph：小白程序员必看的大模型工程进阶之路
本文深入解析了从Prompt到Graph的大模型工程演进阐述了五大工程阶段的核心概念与相互关系。从明确指令的Prompt工程到管理信息的Context工程再到赋予行动能力的Harness工程以及实现任务循环的Loop工程最后到多单元协同的Graph工程文章揭示了AI工程的核心目标如何让不确定性模型持续完成任务并交付可验证结果。工程师的角色也从直接推动任务转变为设计自主执行的系统明确了责任与能力的边界强调了人在目标设定、规则制定及最终决策中的不可替代性。Loop Engineering 还没捂热Graph Engineering 就出现了。又是那个 Vibe Coding 的集大成者 Peter 的新词没错就是那个龙虾的创造者。Graph EngineeringLoop EngineeringHarness EngineeringContext EngineeringPrompt Engineering感觉快集齐七龙珠了。可它们不是一代换一代。今天的 Graph 里还跑着 LoopLoop 得靠 Harness 才动得了Harness 每次叫模型都要组织 ContextContext 最后还是要变成 Prompt。这些词到底想表达的是什么意思纯粹的表达高地还是方向路标从 Prompt 到 GraphAI 工程其实都是一条主线怎样让一个每次输出都带有不确定性的模型持续做事并且最终交出可以验证的结果。模型越来越能干任务越来越长工程师需要控制的范围也越来越大。模型会回答不等于系统能完成任务先把大模型单独拿出来看。你给它一段输入它根据当前看到的内容预测接下来该输出什么。模型可以解释问题、写代码、列计划也可以判断下一步应该调用哪个工具。但一项真实工作还需要很多模型之外的东西。它要知道目标和限制看到项目资料读取当前状态操作文件和软件检查操作是否成功。失败后还要换一种方法不能说一句“已经完成”就停下来。任务复杂时它还要等待其他工作、合并多个结果、处理意见冲突。这些能力不会因为模型参数更多就自动长在系统里。一个模型知道应该运行测试不代表它真的能运行测试。它能运行测试也不代表它会认真读取失败结果。它能读取失败结果也不代表它会继续修改直到测试通过。它能把测试全部跑通也不代表这次改动符合用户真正想要的东西。所以模型能力和系统能力是两回事。模型负责提出下一步可能做什么工程系统负责提供信息、工具、状态、反馈和限制让这些可能性逐渐变成结果。回头看这几年冒出来的各种 Engineering变化也就容易理解了。一开始大家只想让模型把话答对后来开始要求它看懂整个项目、直接动手、连续工作再到多个 Agent 分工合作。每增加一层能力都会露出一个更大的缺口。所以我更愿意把这五个词看成五层逐渐扩大的控制范围Prompt 管怎么说Context 管给模型看什么Harness 管模型怎么干活Loop 管任务怎么继续Graph 管多个执行单元怎么配合。下面就按这五层一层一层往外走。Prompt Engineering先把任务说清楚大模型刚进入大众视野时人们很快发现了一件奇怪的事。同一个问题换一种说法结果可能完全不同。“帮我写一段代码”和“使用 Kotlin 编写一个线程安全的实现保留现有接口并给出异常处理”得到的东西显然不一样。于是大家开始研究怎样给模型下指令明确角色补充背景规定输出格式提供示例把复杂任务拆成步骤让模型检查自己的答案。Prompt Engineering 把人平时交代任务的经验写进了提示词。它背后的判断是模型可能已经有这个能力只是我们没有把任务说对。这套方法确实有效。任务越明确限制越具体模型越不容易跑偏。结构化输入、示例和成功标准也能明显减少不可用的输出。但 Prompt 有一道绕不过去的墙模型没有看到的东西提示词写得再漂亮也补不回来。让模型改一个项目却不给它代码它只能猜。让它分析故障却不给日志它只能把常见原因列一遍。让它接着昨天的活干却不告诉它昨天改了什么它只能从头再来。这时候继续琢磨措辞是在错误的位置上用力。Prompt Engineering 解决的是答不对。任务说清楚之后剩下的问题是它看不全。Context Engineering决定模型这一刻该看到什么Context 不只是用户刚输入的那句话。模型一次推理时看到的所有内容都属于 Context系统指令、当前任务、历史对话、检索到的文档、代码、工具说明、执行结果、项目规范、工作记录和记忆。Prompt 只是其中一部分。所以 Context Engineering 要回答的问题是这一步该让模型看到什么。它和“能塞进去多少”听着接近做法几乎相反。这件事听上去像资料整理实际比写 Prompt 难得多。模型的上下文窗口有限就算窗口够长注意力也不是无限的。你把整个代码仓库、全部聊天记录、几十份设计文档和所有日志一起扔进去信息是更多了答案却未必更好。真正需要的一段错误日志可能埋在几万行无关内容里。已经过期的设计结论也可能继续影响后面的判断。所以 Context Engineering 做的是取舍什么内容要写进当前 Context什么内容只放在外部、需要时再读什么历史应该压缩什么原始证据必须原样保留哪些信息该给研究 Agent哪些信息不该让审核 Agent 提前看到。长任务之所以经常需要外部文件、任务状态和摘要就是这个原因。模型不必记住全部过程但系统必须保证它在下一步拿到够用的信息。看不全这一关Context Engineering 能过。可就算模型看到了项目代码、错误日志和修改要求它能给你的仍然可能只是一句“建议修改这个文件然后运行测试”。知道怎么做和真的把事情做完中间还隔着工具、权限和环境。Harness Engineering给模型一套能干活的环境Harness 很难找到一个完全贴切的中文词。把它理解成模型外面的执行系统比较接近实际含义。它把模型包在里面给模型准备工具、权限、状态、规则和检查手段。模型不再只是生成一段文字而是可以读取文件、修改代码、执行命令、访问网页、调用 API再根据返回结果决定下一步。一个常见的 Harness 会处理这些事情给模型装入当前任务所需的信息把模型输出转换成工具调用限制它能访问哪些文件和服务记录执行过程在高风险操作前等待人工确认执行测试和检查在失败时保存现场。Prompt 和 Context 仍在里面只是现在多了行动能力。做到这一步工程师的活也跟着变了。他要保证仓库、文档、测试和反馈都能被 Agent 读到、改到然后把任务描述清楚剩下的交给 Agent 去改代码、看结果、接受别人的意见再改。顺带说一句Harness 和 Loop 的边界没有想象中那么整齐。现实里的 Harness 通常已经包含了部分循环、状态保存和恢复能力。Codex 那套系统就是这样官方说法里Harness 指的干脆就是支撑各个 Codex 产品的 Agent 循环和执行逻辑。所以这五个词适合用来理解关注范围怎么变不适合当成五个互不相干的软件模块。到这一层做不了才算被解决。Harness 把模型从一个会给建议的大脑变成一个能进真实环境动手的执行者。模型越强这层系统反而越重要。一个只能输出文字的模型答错了最多浪费一点时间。一个可以删除文件、提交代码、发送邮件或操作生产系统的 Agent 判断错了后果要大得多。能力增加之后系统必须补上更多限制它能读什么能改什么哪些操作必须确认结果用什么方法检查出了问题怎样恢复。Harness 的价值不只是给模型更多工具更重要的是把一部分可靠性从模型身上拿走交给权限、测试、规则和程序。但一次运行能够行动仍不代表它能独立完成一项长任务。很多 Agent 今天的真实用法还是人发任务Agent 做一轮人看结果指出问题Agent 再做一轮。中间人不推任务就停在那儿。下一步要替代的正是这个不断催促和检查的人。Loop Engineering把“继续做”写进系统Loop Engineering 不是在 Agent 外面套一个while true。要写进系统的是人每一轮都在做的那些判断看 Agent 做了什么检查结果发现不对就补充要求再决定继续、换方法还是停。把这套动作变成程序能重复执行的过程就是 Loop读取目标和当前状态调用 Agent 行动观察环境变化检查结果决定下一步。说白了你不再亲自反复提示 Agent而是写一个替你提示 Agent 的系统。一个能稳定跑起来的 Loop至少要回答几个问题什么时候启动当前做到哪一步这次执行拿到了什么结果结果由谁检查失败后重试几次出现什么情况必须停什么时候要交给人。其中最要紧的两个是根据什么继续根据什么停止。重复本身反倒是最容易的部分。最弱的 Loop 会让模型自己判断是否完成。模型写完代码说一句“任务已完成”循环就结束了。可代码可能没编译测试没运行页面根本没打开过。更可靠的做法是让外部证据来决定编译是否成功测试是否通过页面截图对不对接口返回是否达到预期独立审核有没有批准。Agent 越强这种检查越不能省。它会多轮行动、调用工具、改动环境用一问一答的方式去评估它等于只看了它说的最后一句话。该看的是整个过程和最终状态。Loop 对付的是做不完。Agent 不必再等人每一轮发话可以根据结果自己往前推。但循环也会把前面留下的错误一并放大。目标写错了它会不停追求错误目标Context 里混进错误信息它会反复拿这条信息做决定Harness 的工具有缺陷它会一次又一次执行错误操作。停止条件太松它提前宣布完成停止条件缺失它能一直烧时间和 Token。单个 Loop 还有另一类麻烦。一项复杂任务往往不止一种工作有人搜资料有人写代码有人跑测试有人查安全。部分工作可以同时做部分必须等前一步完成不同的失败还得回到不同位置处理。把所有事情都塞进一个 Agent 的循环里Agent 会在越来越长的 Context 中不断切换角色。这时需要设计的不再只是一个循环怎样继续而是多个执行单元怎样分工。Graph Engineering开始设计一张执行图Graph Engineering 把模型调用、Agent、工具、普通程序、检查器和人工确认节点放进同一张图里。节点负责做事边决定做完之后去哪里。一个节点可以是普通函数也可以是一次模型调用可以是完整 Agent也可以是测试程序、权限检查或人工审批。状态在这张图里不断更新节点读它、改它边根据它决定下一步走哪。一个代码任务可以这样组织需求分析节点先判断任务类型普通修改交给编码 Agent涉及安全权限的先进安全检查编码完成后跑测试测试失败退回编码 Agent测试通过交给审核 Agent高风险改动最后等人工确认。这张图里可能只有两个 Agent其余节点全是普通程序。所以 Graph Engineering 不等于 Multi-Agent多 Agent 只是它可能采用的形式之一。要紧的是系统明确写出了这几件事任务怎么拆状态怎么传何时分支何时汇合失败回到哪里谁拥有最后的决定权。Graph Engineering 新的不是图图、工作流、状态机、DAG 都不是新技术软件系统早就在用它们处理订单、审批、数据计算和任务调度。LangGraph 用带循环的图搭 Agent Runtime也是 2024 年的事比这轮“Graph Engineering”走红早得多。真正变了的是节点。传统工作流里的节点大多是确定性程序输入相同程序没改结果通常也相同。某个节点出问题开发者能查到固定的输入输出找到对应的那段代码。Agent 节点不是这样。它会理解目标生成计划选择工具还可能临时创建子任务。同样的输入交给同一个模型两次执行也可能走出不同的路径。传统工作流调度的是函数Agent Graph 调度的是行为。就这一个变化会带来一批过去不明显的问题。一个节点答错会把错误送到整张图里研究 Agent 找到一条错误信息规划 Agent 把它当成前提编码 Agent 再照着这个前提改代码。节点越多错误越容易换一种写法继续往下传。所以节点之间不能只传一句结论还得交代证据从哪来哪些是推测哪些地方压根没查明当前判断有几分把握。只传结果不传证据后面的 Agent 很难发现是从哪一步开始走错的。每个节点都完成任务整张图仍然可能失败研究 Agent 的目标是找到更多资料它可能搜集几十篇文章把时间和 Token 全部烧完。编码 Agent 的目标是改善代码它可能做一次大范围重构把原本两小时的活拖成两天。每个节点都认真完成了自己的局部任务不代表整项工作达到了目标。所以 Graph 里必须有人管全局限制时间、成本、风险、交付范围以及什么结果才算真正完成。两个 Agent不一定真的有两种判断一个 Agent 叫 Writer另一个叫 Reviewer看上去分工已经有了。但它们用的是同一个模型看到相同的资料继承同一个错误假设Reviewer 甚至先读到了 Writer 为自己方案写的那段解释。这种检查很容易变成换一个身份再同意自己一次。要让审核真的有效系统得主动制造独立性审核节点只看原始需求和最终结果不看作者的解释换一个模型调外部测试高风险的决定直接交给人。角色名称不会自动带来制衡信息边界和检查方法才会。图越动态越难知道它下一步会做什么固定工作流容易预测但不够灵活完全让模型决定路由系统能临时改计划却很难测试和追踪。实际能用的 Graph 通常两种都要。风险高、规则明确的部分由程序钉死比如权限检查、金额限制、测试门槛和人工确认需要理解语义、比较方案的部分再交给模型比如任务分类、资料选择和失败原因分析。所以 Graph Engineering 要决定的是哪些地方可以有弹性哪些地方必须固定。加多少个 Agent、把多少箭头交给模型都是这个判断带出来的结果。图的价值也在这里它把开发者对系统该怎么跑的判断写成了结构本身在该拦的地方直接拦住模型能走的路。工程师一直在往外走把五个阶段放在一起还能看到另一条变化。Prompt Engineering 阶段工程师像个任务交代者他想的是这句话怎么写模型才能听懂。到了 Context Engineering他开始整理资料模型这一步需要看到什么哪些东西会干扰判断。到了 Harness Engineering他开始准备工作环境给模型配工具、权限、规则和检查手段。到了 Loop Engineering他要设计任务怎么自己往前走失败之后怎么办什么证据可以结束任务什么时候必须找人。到了 Graph Engineering他做的事已经很像组织一支团队谁先做谁后做哪些活并行谁检查谁有分歧了听谁的。工程师没有离场他只是从亲自推动每一步转向设计一个能自己跑起来的系统。过去他告诉模型下一步做什么现在他要设计的是谁负责决定下一步这个决定又由什么来检查。绝大多数任务不需要 Graph新说法一出现人们很容易把它当成“更高级的方案”Graph 也不例外。一个 Agent 不够就放三个固定流程看着不够聪明就让模型动态选路还嫌不够复杂再加规划 Agent、审核 Agent 和管理 Agent。最后原本一次模型调用能干完的事变成十几个节点互相发消息。Graph 的成本是实实在在的。每加一个节点就多一种失败方式多一份状态多一组输入输出要求也多一段要追踪的执行过程。节点并行可能同时改同一个文件两个 Agent 可能给出相反的结论一个节点超时后面全等着系统跑出错误结果时你得沿着整张图去找最早出错的位置。所以判断顺序应该反过来先用能完成任务的最简单方案只在确有需要时才增加 Agent 和工作流的复杂度。写细一点就是四条能用普通程序稳定解决就不要让模型猜。能用一次模型调用完成就不要做 Agent。能用一个 Agent 完成就不要同时启动多个 Agent。能用一个 Loop 表达清楚就不要急着画复杂的 Graph。只有当任务确实出现分支、并行、等待、汇合、独立检查和不同恢复路径时Graph 才开始值回它带来的成本。能力可以交出去责任不会工业革命把人的体力交给了机器。蒸汽机不理解工厂为什么要生产一件商品但它能持续输出远超人力的力量。机器一多限制工厂的就不再是单台机器的性能而是原料怎么进、工序怎么排、产品怎么检、故障怎么处理。工程师于是不再只设计一台机器开始设计生产线和工厂。这一次交出去的东西不一样是判断读哪些资料用什么工具下一步做什么失败了怎么调整什么时候可以认为事情已经做完。Prompt 到 Graph 这五个词记录的就是这些判断被一层层写进系统的过程。但能力可以交出去责任不会跟着一起走。工厂出了事故不能说是机器自己选择了运转最后2026年技术圈的分化愈发明显降薪裁员潮持续蔓延传统开发、测试等岗位大批缩水不少从业者陷入职业焦虑与之形成鲜明对比的是AI大模型相关岗位迎来疯狂扩招薪资逆势飙升150%大厂更是直接开出70-100W年薪疯抢具备实战能力的大模型人才甚至放宽年龄限制只求能快速落地技术、创造价值很多程序员、职场新人纷纷入局大模型领域绝非盲目跟风而是实实在在看到了不可替代的价值优势这也是2026年最值得抓住的职业风口1、窗口期红利入门门槛友好不同于成熟赛道的“内卷式招聘”2026年大模型人才缺口巨大简历只要达标掌握基础AI应用具备简单项目经验年龄、学历均非硬性要求小白可快速入门转行程序员也能无缝衔接2、技术可复用上手速度翻倍如果你有前后端开发、测试、数据分析等基础在大模型落地、系统部署、Prompt工程等环节会更具优势无需从零开始复用原有技术能力就能快速进阶3、懂业务更吃香竞争力翻倍单纯懂技术已不够2026年大厂更看重“技术业务”的复合型人才有垂直领域金融、医疗、工业等经验者能精准定位模型落地痛点薪资比纯技术岗高出30%以上更重要的是即便没有转型需求用AI大模型工具为工作赋能、提升效率也已经成为80%企业的硬性要求——不会用大模型提效未来很可能被行业淘汰那么2026年小白/程序员该如何高效学习大模型很多人想入门大模型却陷入两大困境要么到处搜集零散资料不成体系越学越懵要么被收费高昂的课程割韭菜花了钱却学不到实战技能白白浪费时间走弯路。今天就给大家精心整理了一份2026年最新、免费、系统化的AI大模型学习资源包覆盖从零基础入门到商业实战、从理论沉淀到面试通关的全流程所有资料均已整理归档无需拼凑直接领取就能上手学习小白可照做程序员可进阶扫码免费领取全部内容1、大模型系统化学习路线这份学习路线结合2026年行业趋势和新手学习规律由行业专家精心设计从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶避免踩坑。2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、大模型学习书籍电子文档涵盖2026年最新技术要点包括基础入门、Transformer核心原理、Prompt工程、RAG实战、模型微调与部署等内容4、AI大模型最新行业报告报告包含腾讯、阿里、甲子光年等权威机构发布的核心内容还有2026年中文大模型基准测评报告、AI Agent行业研究报告等帮你站在行业前沿把握技术风口。5、大模型项目实战配套源码项目包含Deepseek R1、GPT项目、MCP项目、RAG实战等热门方向还有视频配套代码手把手教你从0到1完成项目开发既能练手提升技术又能丰富简历为求职和职业发展加分。6、2026大模型大厂面试真题2026年大模型面试已全面升级不再单纯考察基础原理而是转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容7、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】