驾驭工程 (Harness Engineering)研究报告

核心判断与术语体系

• 核心判断：驾驭工程（Harness Engineering）属于操作系统层，提示词工程和智能体工程分别属于语言层和工作流层。
• 对象：高自治、长时程、可治理的AI系统。
• 术语状态：截至2026年3月26日，当前术语体系基本稳定，关键定义待进一步明确。

四层链条：从语言到操作系统

• 逐层上卷关系：提示词工程、上下文工程、智能体工程、驾驭工程不是互斥关系，而是逐层递进。
• 语言层：关注指令表达。
• 上下文层：关注状态供给。
• 智能体层：关注状态供给和指令表达。

OpenAI Codex 实验场景

• 数据规模：五个月后仓库达到约百万OpenAI证据行，0行人工代码启动OpenAICodex实验场景。
• 开发效率：SHARNESS百万行代码仓库估算开发时间约为手写的1/10。
• 核心变化：工程师的主业不再是手写代码，而是通过数据库反馈环路进行开发。

驾驭工程的真正目标

• 稀缺资源：真正稀缺的是human time and attention，而非AI能力。
• 目标：驾驭工程的真正目标不是把AI变得更像人，而是把人从低价值、可并行、可自动纠错环节中抽离，专注于高价值的创造性工作和战略决策。
• 人类注意力漏斗：通过自动化过滤和AI辅助，优化人类注意力分配。

反模式：过早追求完全自治

• 反模式四：过早追求完全自治的高自治AI系统。
• 关键数据：公开证据最强的仍然是coding agents。
• 建议：可验证性越弱，越不适合贸然追求高自治；高风险场景更适合Agent预处理+人类放行。