从上下文工程到目标工程:AI开发范式演进

AI开发重心从上下文与harness工程转向先定义可验证目标的目标工程。
文章从一条删除线标注“上下文工程”和“harness工程”的推文出发,讨论AI开发范式的演进。上下文工程关注模型看到什么,但信息堆砌并不等于智能,长上下文反而可能稀释关键信号;harness工程管理工具链、格式约束与安全护栏,本质仍是被动响应式,无法回答交互最终要达成什么可验证结果。目标工程则主张先精确定义可验证的目标状态,再让系统围绕目标自主组织上下文与工具,使前两者降维为目标驱动下的子问题。这一转移反映AI应用竞争从提示词技巧转向业务目标形式化能力,但推文信息极简,实践路径仍待验证。
从上下文工程到目标工程:AI开发范式演进
在AI开发社区中,一条来自Twitter的推文以删除线标记了"上下文工程"和"harness工程",将"目标工程"推向台前。这并非文字游戏,而是对AI系统构建重心转移的敏锐捕捉——当模型能力逐渐商品化,开发者竞争的关键正在从"如何喂给模型信息"转向"如何定义模型要达成的目标"。
上下文工程的局限:信息堆砌不等于智能
上下文工程(Context Engineering)关注的是如何为模型构建有效的输入上下文,包括提示词设计、检索增强生成(RAG)、对话历史管理以及工具调用结果的编排。这一范式在过去一段时间内主导了AI应用开发实践,其隐含假设是:只要给模型足够的相关信息,它就能输出正确结果。
但实践反复表明,上下文窗口的扩大并未线性提升任务完成质量。信息过载反而可能稀释关键信号,模型在长上下文中迷失重点的情况并不罕见。上下文工程解决的是"模型看到什么"的问题,却无法保证"模型朝什么方向努力"。
上下文窗口(Context Window) 指大语言模型单次推理时能够接收的token数量上限,通常包括提示词、对话历史、检索文档和工具返回结果的总和。早期模型窗口多为4K至8K token,近年来已扩展至128K甚至百万级。窗口扩大看似能容纳更多信息,但注意力机制在长序列上存在衰减:位于中段的信息往往被模型忽略,学界称之为“迷失在中间”(lost in the middle)现象。此外,无关内容会占用注意力预算并引入噪声,使关键指令的权重被稀释。因此,单纯扩大窗口并不等于提升理解质量,上下文工程必须解决信息筛选与位置编排问题,这也正是其难以独立保证任务结果的根本原因之一。
Harness工程的过渡角色:约束与编排
Harness工程可以理解为围绕模型构建的运行框架——包括工具链集成、输出格式约束、多步流程编排以及安全护栏。它比上下文工程更进一步,不仅管理输入,还管理模型与外部系统的交互方式。
然而,harness本质上仍是被动响应式的:它规定模型不能做什么、必须按什么格式输出,却很少回答"这次交互最终要达成什么可验证的结果"。当任务复杂度上升,单纯依赖流程约束会导致系统僵化,难以适应开放环境中的动态需求。
安全护栏(Guardrails) 是harness工程中的关键组件,指在模型输入输出两侧设置的规则与检查机制,用于拦截有害内容、防止提示词注入、限制敏感操作或强制结构化输出。常见实现包括基于分类器的内容过滤、正则与schema校验、工具调用白名单以及人工审批节点。护栏的价值在于把模型的不确定性约束在可接受范围内,但它本质上是防御性的:它告诉系统“不能怎样”,却不提供“应该达成什么”的正向信号。当任务目标本身模糊时,再严密的护栏也只能保证输出合规,而无法保证输出有用,这也是harness工程需要向目标工程演进的原因。
目标工程的核心:从过程导向到结果导向
推文将"目标工程"(Goal Engineering)作为前两者的演进方向,其核心转变在于:不再纠结于给模型什么上下文、套什么框架,而是首先精确定义可验证的目标状态,再让系统围绕目标自主组织上下文与工具。
这一思路与AI智能体(Agent)领域的发展趋势吻合。当模型具备规划与工具使用能力后,开发者的关键工作变成:拆解目标、设定成功标准、建立反馈信号。上下文和harness退化为目标驱动下的动态产物,而非预先固定的配置。
推文以删除线形式标注前两个概念,暗示它们并未消失,而是被降维为目标工程体系中的子问题。
可验证的目标状态(Verifiable Goal State) 是目标工程的基石概念,指一种能够被程序自动判定是否达成的结果描述,例如“单元测试全部通过”“JSON字段完整且数值在区间内”“检索到的文档与问题相关性评分超过阈值”。与“写一份好报告”这类模糊目标不同,可验证目标必须附带明确的成功标准与评估函数,使智能体能够在多步执行中自行判断进展并决定是否重试或调整策略。将业务需求形式化为可验证目标,通常需要领域专家与工程师协作定义指标、边界条件和失败模式,这一过程本身就是目标工程中最消耗精力、也最难被复制的环节。
范式转移背后的行业逻辑
这种概念更替反映了AI应用竞争的实质变化。模型API日益同质化,单纯靠提示词技巧或RAG管道搭建的壁垒正在消解。真正难以复制的是对业务目标的精确形式化能力——把模糊需求转化为模型可执行、可验证的目标结构。
对开发者而言,这意味着技能重心需要从"调提示词"转向"设计目标与评估体系"。上下文工程和harness工程仍是有用的工具,但它们服务于更高层的目标定义,而非独立的方法论。
需要指出,该推文仅以极简形式呈现概念更替,未展开具体技术细节或案例,上述分析基于概念间的逻辑关系与行业观察展开,具体实践路径仍有待社区验证。
相关推荐

OpenAI 11月30日关停Agent Builder等三项服务,开发者需紧急迁移
OpenAI 将于 11 月 30 日关停 Agent Builder、evals 仪表盘和可复用提示三项开发者功能,evals 已转为只读。本文梳理受影响范围、OpenAI 官方给出的迁移路径(Agent SDK、PromptFu、自有代码)以及开发者本周应完成的导出与重建动作。

RankSpot:按次付费的SEO与AI搜索执行层,让Agent替你写文、发布、换外链
RankSpot 是面向 AI Agent 的 SEO 与 AI 搜索执行层,通过 MCP 接入 Claude 或 ChatGPT,让 Agent 完成写文、发布和外链获取。按次付费,每篇文章 3 美元,读数据免费,支持 100 多种语言。

Appxiom:给AI编程助手装上生产环境上下文
Appxiom为AI编程Agent提供生产环境上下文,覆盖崩溃、卡顿、内存泄漏与失败的网络调用,支持Android、iOS、Flutter、KMP和Web,并通过Goal Friction Impact按业务目标排序Bug。