Prompt Engineering
提示词工程（Prompt Engineering）的核心思路是：把提示词固化下来，用一条简短的命令去触发它。比如定义一个 /resume 命令，用户只需输入这个命令，系统就会自动展开完整的提示词模板去执行。
Command
Command 是对复杂提示词的封装。用户不需要每次手写长篇指令，只需通过短命令触发预设行为。
System Prompt
System Prompt 是高权限指令，在对话开始时注入到模型上下文。它定义了模型的角色、行为边界和输出标准，是整个 Prompt 体系的顶层约束。
Metadata
完成一个需求要用到哪些 Skill？答案是把 Metadata（元数据）交给大模型，让模型自己去选择要用哪个文件。这是一种"少即是多"的设计哲学——不给模型具体的文件路径，而是描述每个文件的功能，让模型根据需求自动匹配。
Reference / Script
让主入口作为一个路由角色，在其中定义规则：如果是 A 任务就调用 A 文件，如果是 B 任务就调用 B 文件。这种方式避免了将所有逻辑塞进一个巨型 Prompt，保持了模块化和可维护性。
Skill
Skill 是 Prompt Engineering 的进阶实践。它的工作流程如下：
用户向 Agent 提出需求（如"帮我写一个简历 PDF"）→ Agent 将 Skills 文件夹里的所有 Metadata 发给大模型 → 大模型识别到"写简历"后，告诉 Agent 加载 resume.md → resume.md 里描述了完整的执行流程 → 大模型分析流程后返还给 Agent → Agent 按流程执行 → 完成后将 PDF 交给大模型确认 → 确认无误后，Agent 将文件交付给用户。
Skill 与 MCP
MCP（Model Context Protocol）为 Skill 提供了标准化的工具接口。Skill 可以通过 MCP 调用外部能力（文件系统、数据库、API 等），从而扩展 Agent 的能力边界。
Skill 与 Workflow
Skill 是动态的——它只设计了一个大概的流程，具体执行细节由大模型实时决定。Workflow 是静态的——一旦设计好就固定不变。两者的核心差异在于灵活度：Skill 允许模型根据上下文动态调整，Workflow 走的是预定路径。
Context Engineering
提示词写得越长越仔细，模型知道的就越多，回答就越准。反过来，大模型回答不准，那大概率是因为知道的不够多。于是大家很自然不断往大模型里塞各种资料——这些打包到一起发给大模型的所有信息就叫上下文（Context）。提示词只是上下文的一部分。
但大模型再强，一次性能处理的上下文也有最大限制，这个限制叫上下文窗口（Context Window）。在 AI Agent 应用里，多对话几轮就很容易将上下文窗口打满，于是就需要通过一些策略去压缩或丢弃部分信息。在这个过程中不可避免会丢失关键信息，从而破坏上下文的完整性和准确性——这类问题被统称为上下文腐化（Context Corruption）。
召回：获得什么信息？可以来自外部新闻、过去聊天记录、当前代码环境、程序运行报错等。
压缩：将信息分开发给大模型做总结，精简冗余内容。
组装：调整信息的位置和顺序，确保最重要的信息排在前面。
Harness Engineering
一句话概括：让模型在真实的系统中可控可靠执行的一套工程体系。目前的难点不再是让模型会做事，而是让模型稳定地做对事。
ReAct
提示词工程解决了大模型无引导乱说话的问题，上下文工程解决的是上下文的组织问题。模型是更聪明了，但它只能聊天，没法帮我们干活。
于是我们可以给大模型加入 Bash、沙箱、文件系统、MCP 这些能力，让它能像人一样操作外部工具、读写代码文件、执行命令、做测试。它们共同构成了执行层。将它们串成一个流程，在外部套一层循环——
驾驭工程的四层架构
可以通过聊天帮你执行任务的程序就是所谓的 AI Agent。Agent 的本质就是一个 for 循环。只要这个循环一长，上下文就一定会膨胀。上下文工程做再好也可能会腐化。随着它看过的文件越来越多、拿到的信息越来越杂，前面定好的目标和约束后面可能慢慢就被冲淡了，理解也会越来越偏。
① 记忆层
保证每次给大模型的上下文中都包含一些可复用的核心信息——项目目标、技术栈、需求背景、代码风格、禁止事项等。只要保证这部分一直在，大模型就能在大框架约束下减少理解偏移。
这些核心信息可以单独写成规则文件（Rule Files）固定在代码仓库里。规则文件会在调用大模型时作为系统提示词自动注入上下文。规则文件写多了会变长，那就拆成几份更短的文件，再加一个简单的路由——比如背景就读 bg.md，技术栈就看 stack.md。一般情况下只需要加载文件地址路径，真正需要的时候再加载文件的全部内容。
② 执行层
有了记忆层和执行层的配合，Agent 就能不停写代码、跑 Linter 和单元测试。过程中发现执行有问题，还可以将测试输出和报错加入到上下文里，驱动 Agent 在下一轮循环中自动修复。
③ 反馈层
通过校验结果或捕获错误来实现自动修复的能力形成了反馈层。Agent 不再是一条路走到黑，而是会根据执行反馈自我纠正。
④ 编排层
Agent 的循环如果缺乏全局规划和清晰的结束目标，很容易跑偏甚至陷入无效死循环。将大任务拆解为有明确执行标准的多个子任务，按规划驱动 Agent 分步执行——这种以全局规划为核心、对任务做拆解与全流程管控的能力形成了编排层。
总结
Prompt Engineering → 让大模型明白你的具体需求和输出标准
Context Engineering → 给大模型注入精准有效的上下文
Harness Engineering → 让大模型持续按规范执行任务并最终交付
编排层、执行层、反馈层和记忆层，这些能力共同组成了一套包裹着大模型的工程外壳，它就是 Agent Engineering（驾驭工程）。提示词工程解决"说什么"，上下文工程解决"给什么"，驾驭工程解决"怎么做"——三者层层递进，构成了 AI Agent 开发的完整技术栈。