Prompt工程师正在消失，Harness工程师正在崛起：2026年AI工程三级跳

🔥 一个岗位正在消失，一个岗位正在炸裂

2026年8月13日深夜，两件事同时发生：

DeepSeek 开源了 Harness 框架——MIT 协议，"一切皆插件"，模型、工具、技能、沙箱全部可替换。同一天，DeepSeek V4 Pro 正式版上线，Agent能力暴涨390%——DeepSWE基准从12.8分直接跳到62.7分，超过Claude Opus 4.8。

OpenAI被曝将于8月强行发布GPT-6——代号Astra，10万亿参数，是GPT-4的五倍。它独立解出了10道长期未解的数学难题，所有证明通过Lean形式化系统验证。但就在发布前夕，OpenAI宣布暂停——因为该模型具备此前从未出现过的"严重"网络安全能力。

这两件事看似无关，其实指向同一个结论：AI工程的竞争焦点，已经从"谁的模型更强"转移到了"谁的Harness更好"。

Agent = Model + Harness。模型负责推理与生成，Harness负责把模型能力落到真实环境。

这个公式由OpenAI与LangChain在2026年初共同确立，现在是行业共识。而它背后藏着一条让所有程序员都不安的暗线：

Prompt工程师正在消失，Harness工程师正在崛起。

本文不贩卖焦虑，只拆解事实。我们用三阶段演进的逻辑、用数据、用就业市场的真实变化，告诉你：这场变革到底在改什么，你该站在哪里。

---

📊 一、三级跳：AI工程的范式演进

1.1 第一级：Prompt Engineering（2022-2024）——"和AI说话的艺术"

GPT-3.5横空出世时，你能控制的只有一个文本框。怎么跟模型说话，决定了输出质量。

核心手段：

• 角色设定："你是一个有10年经验的后端架构师..."
• 思维链（CoT）："第一步先分析，第二步再给方案..."
• 少样本示例：给几个输入-输出范例，让模型"意会"规律

Prompt工程师一度是最炙手可热的职业。2023年，OpenAI社区里一条"完美的Prompt"能获得上万收藏。但这层繁荣掩盖了一个致命问题：

模型是全部，人只能适应模型。每次对话独立，没有记忆，没有积累，不可编程。

你能做的唯一一件事就是——写好提示词，然后祈祷模型发挥稳定。

1.2 第二级：Context Engineering（2024-2025）——"给AI看什么"

当Agent开始处理复杂任务，人们发现：问题不在Prompt写得好不好，而在模型"看到"的信息环境对不对。

模型每次推理时看到的内容远不止你写的那段话：

信息层	来源	举例
系统提示词	开发者设定	"你是代码审查助手"
对话历史	多轮交互	前面5轮的问答
检索文档	RAG注入	从知识库动态拉取
工具返回结果	函数调用	API返回的JSON
项目文件	上下文注入	当前仓库的代码

Context Engineering的核心洞察：模型每次推理时看到的内容，远不止你写的那段话。 治理好这个完整的信息环境，比优化单次Prompt重要十倍。

但这层也暴露了根本局限：

上下文越长，模型越容易被无关内容干扰。再长的上下文也装不下一个完整项目。模型仍然只是"回答问题"，不能"执行任务"。

1.3 第三级：Harness Engineering（2026—）——"给AI建什么系统"

2026年，一个残酷的数学公式击碎了所有人的幻想：

0.95²⁰ ≈ 36%

如果单步成功率95%（已经很优秀了），经过20步串联后，端到端成功率只剩36%。这意味着——Agent翻车的原因通常不是"模型不够聪明"，而是"缺少验证与恢复机制"。

Harness Engineering解决的正是这个问题。它不关注"怎么把模型训练得更强"，而是关注"怎么设计模型运行系统，让模型在机制里把事稳定做成"。

维度	Prompt Engineering	Context Engineering	Harness Engineering
核心问题	怎么和AI说话？	给AI看什么？	给AI建什么系统？
关注焦点	单次输入-输出质量	模型所见的信息环境	约束、验证、反馈的完整架构
关键技能	提示词编写	RAG、上下文压缩	工具编排、状态管理、验证门禁
人的角色	操作者	信息架构师	系统架构师
时代	2022-2024	2024-2025	2026—

三层不是替代关系，而是嵌套关系：Prompt ⊂ Context ⊂ Harness。后一层包含前一层，每一层都在前一层基础上增加新的设计维度。

---

💣 二、DeepSeek Harness：为什么它是一个分水岭

2.1 模型商品化之后，竞争焦点转移了

2026年的AI市场出现了一个残酷的现实：模型层正在商品化。

DeepSeek V4 Pro的API定价：输入3元/百万token，输出6元/百万token。而OpenAI GPT-5.5的定价：输入5美元，输出30美元。两者性能差距已经不大——DeepSWE基准上V4 Pro（62.7）甚至超过了Claude Opus 4.8（58.0）。

当模型能力趋于同质化，决定Agent系统最终质量的关键变量，已从"模型本身"转移到"Harness的设计质量"。

这就是为什么DeepSeek在8月13日做了一件超出所有人预期的事：开源了Harness框架本身。

2.2 "一切皆插件"的架构设计

DeepSeek Harness的核心设计理念是"一切皆插件"：

插件类型	作用	传统方案
模型插件	可替换不同底层模型	锁死单一模型
工具插件	动态加载外部工具	硬编码工具调用
技能插件	封装特定领域能力	每次重新写Prompt
沙箱插件	隔离执行环境	直接在主机执行
存储插件	持久化记忆	无状态，每次从头来
UI插件	自定义交互界面	固定聊天框

提供四种运行模式：标准模式、PTC模式、极简模式、创造模式。开发者可以根据场景选择不同复杂度。

2.3 这意味着什么

在DeepSeek Harness开源之前，Harness工程是少数头部公司的专利——Claude Code、OpenAI Codex、Anthropic的内部工具。普通开发者只能用别人造好的轮子。

开源之后，任何开发者都可以构建自己的Agent运行系统。这意味着：

• 不会构建Harness的开发者 → 只能当模型的使用者（可替代性极高）
• 会构建Harness的开发者 → 成为Agent系统的设计者（稀缺性极高）

---

📈 三、就业市场的数据不会说谎

3.1 岗位冰火两重天

脉脉《2026春招职场洞察报告》的数据：

岗位类型	变化趋势	平均月薪
AI Agent开发	同比增长870%	25k-60k
AI算法工程师	增长312%	65,200元
AI Infra工程师	增长280%	75,800元
初级后端开发	下降58%	12k-18k
初级前端开发	下降65%	10k-15k
测试工程师	下降35%	12k-16k

34.39%的新发技术岗位已明文要求AI/大模型技能，去年同期仅22.35%。

AI岗在暴增，传统初级岗在塌方。市场没有萎缩，是在重构。

3.2 Prompt工程师怎么了

2023年，"Prompt工程师"一度被视为最有前途的职业，薪资令人咋舌。但到2026年：

1. 模型变聪明了——GPT-6的10万亿参数，不需要你精心设计Prompt也能理解你的意图
2. 框架自动化了——Harness自动管理上下文、自动注入工具，不需要人手动写
3. 技能插件化了——DeepSeek Harness的技能插件系统，把"Prompt编写"变成了可复用的模块

一个残酷的对比：

时代	核心技能	价值周期
2023年	手写高质量Prompt	6-12个月就过时
2025年	配置上下文环境	1-2年需要更新
2026年	设计Harness架构	3-5年长期有效

3.3 企业要的是什么人

拆解37个2026年真实AI岗位JD后的发现：

高频技能	出现率	说明
Python	75.7%	硬通货，基本功
LLM API调用	67.6%	基础能力
Agent开发	32.4%	核心增长点
LangChain	48.6%	主流框架
RAG	37.8%	Context层标配
微调	27.0%	算法方向才需要

企业不再考核"你手写了多少代码"，而是考核"你驾驭AI工具链、交付了多少业务价值"。

---

🔮 四、GPT-6会改变什么

4.1 不只是参数量

GPT-6（代号Astra）最令人震撼的不是10万亿参数本身，而是它做到了三件前代模型从未做到的事：

1. 独立解出10道长期未解的数学难题——涵盖高维几何、群论、量子复杂性、格密码学
2. 所有证明通过Lean形式化系统机器验证——可公开检查，不是"看起来对"
3. 生成全部10组解的算力成本仅约2000美元——这个成本意味着可复制、可规模化

但真正让OpenAI暂停发布的原因是：Astra具备此前从未出现过的"严重"网络安全能力。具体是什么能力，OpenAI没有公开。但Sam Altman本人亲赴华盛顿向监管机构演示——这个动作本身就说明问题的严重性。

4.2 对开发者的影响

GPT-6如果8月发布，会进一步压缩Prompt Engineering的生存空间：

能力	GPT-4时代	GPT-6预期
理解模糊指令	需要精确Prompt	自然语言即可
多步推理	需要人工拆解	自动规划链路
代码生成	需要分段指导	端到端生成
工具调用	需要手动配置	自主选择和编排

当模型足够聪明，"怎么和它说话"就不再是核心竞争力了。"怎么约束它、验证它、让它可靠地完成任务"才是。

---

🛠️ 五、普通开发者怎么办：三步走

5.1 第一步：补上Context Engineering的课

如果你还停留在"写好Prompt等回答"的阶段，先学会治理模型的信息环境：

• 学会使用RAG（检索增强生成）让模型看到正确的文档
• 理解System Prompt的全局约束作用
• 掌握上下文压缩技术——长对话中保留关键信息、丢弃噪音

5.2 第二步：上手一个Harness框架

不用从零造轮子。DeepSeek Harness已经开源（MIT协议），Claude Code和OpenClaw也可用。选择一个，实际跑通：

• 理解"工具调用 → 验证 → 恢复"的闭环
• 学会用沙箱隔离执行环境
• 掌握状态持久化和断点续做

你不应该再prompt coding agents，你应该设计loops来prompt你的agents。

5.3 第三步：建立系统设计思维

从"执行者"转变为"系统架构师"：

旧思维	新思维
"我怎么实现这个功能"	"AI怎么帮我实现，我怎么验证"
"我写了多少行代码"	"我设计的系统能交付多少价值"
"我会什么框架"	"我能编排多少工具"
"我编码速度多快"	"我设计的Agent闭环多可靠"

---

📌 本文要点回顾

1. AI工程经历了三级跳：Prompt Engineering（2022-2024）→ Context Engineering（2024-2025）→ Harness Engineering（2026—），每一层包含前一层，不是替代而是嵌套
2. DeepSeek Harness开源是分水岭——MIT协议，"一切皆插件"，让普通开发者也能构建Agent运行系统
3. Prompt工程师正在消失——模型变聪明了、框架自动化了、技能插件化了，手写Prompt的技能价值周期只有6-12个月
4. 就业市场冰火两重天——AI Agent岗位增长870%，初级后端下降58%，34.39%的新发技术岗要求AI技能
5. GPT-6会进一步加速这个趋势——10万亿参数+数学推理质变，模型足够聪明时，"怎么约束和验证它"才是核心竞争力
6. 三步走建议：补Context Engineering的课 → 上手一个Harness框架 → 建立系统设计思维