Flow

[小盖 @xiaogaifun]

https://t.co/sshHthPn3R

[Flow @ldneedu]

@dotey 支持一把，没有就去买

[铁锤人 @lxfater]

https://t.co/qPc7zO3ypc

[Mr Panda @PandaTalk8]

Prompt、Context、Harness 工程全景图

做 LLM Agent 应用时，很多人只关注 Prompt。
但真正稳定、可控、可复现的 AI 应用，通常由三层组成：

Prompt Engineering、Context Engineering、Harness Engineering。
它们像三个同心圆：

最内层是 Prompt Engineering，决定模��这一次要“做什么”。
中间层是 Context Engineering，决定模型此刻“知道什么”。
最外层是 Harness Engineering，决定模型“如何可靠地做，并持续变好”。

1. Prompt Engineering：指令层

Prompt 是最内层，也是最直接的一层。
它负责告诉模型：
你是谁？
你要完成什么任务？
你应该按照什么步骤思考？
你要遵守哪些约束？
最终输出成什么格式？

一个好的 Prompt 通常包含几个核心要素：

角色 Persona：定义模型扮演的角色。
目标 Purpose：明确这次任务要达成什么。
流程 Process：告诉模型按照什么步骤完成。
约束 Policy：限制边界、风格、长度、格式。
输出 Presentation：规定输出结构，比如 JSON、表格、Markdown。
自检 Proof：要求模型在输出前检查逻辑和错误。

Prompt Engineering 解决的是单次调用质��问题。
它让模型更容易理解任务，更稳定地输出符合预期的结果。

但 Prompt 有一个明显限制：
它只能影响模型这一次怎么回答，无法保证模型长期拥有正确、完整、实时的信息。

2. Context Engineering：上下文层
Context Engineering 是中间层。
它解决的问题是：
模型在回答之前，应该拿到哪些信息？
在真实产品里，模型不能只靠内置知识回答。它需要结合：
用户输入
历史对话
知识库
文档
网页
数据库
API
工具执行结果
短期记忆和长期记忆

Context Engineering 的核心能力，是把这些信息进行管理：

先检索，再筛选；
先压缩，再排序；
再把最重要的信息注入给模型。
常见流程是：
用户提出问题。
系统从知识库或数据库中检索相关内容。
对结果进行过滤、去重、排序。
把长内容压缩成模型能理解的摘要。
最后将高价值信息放入上下文窗口。
Context Engineering 解决的是信息质量问题。
它让模型少猜测、少幻觉、少遗漏。
如果上下文太少，模型会编。
如果上下文太多，模型会分不清重点。
如果上下文顺序混乱，模型会被无关信息干扰。
如果上下文过期，模型会基于错误事实做判断。
所以，Context Engineering 的关键不是“塞更多信息”，而是“给模型刚好需要的信息”。

3. Harness Engineering：外层系统层
Harness Engineering 是最外层。

它解决的问题是：
如何让 AI 应用可靠运行、持续迭代、可以上线？
这里的 Harness，可以理解为模型外部的工程框架和运行系统。

它包括：

Agent Loop
工具调用系统
权限控制
错误处理
日志追踪
Guardrails
自动化测试
评估系统
版本管理
成本控制
部署发布
监控告警

如果说 Prompt 是指令，Context 是信息，那么 Harness 就是执��环境。

一个典型 Agent Loop 包含三步：
第一步：收集上下文。
第二步：��取行动。
第三步：校验结果。

如果结果不满足条件，就继续反馈、修正、重试，直到完成任务或触发停止条件。

Harness Engineering 解决的是可靠性问题。
它让模型输出可以被验证，工具调用可以被追踪，错误可以被恢复，系统可以持续优化。
没有 Harness，AI 应用很容易停留在 Demo 阶段。
有了 Harness，AI 才能进入真实业务流程。
三层之间的关系
这三层不是互相替代的关系，而是逐层增强。
Prompt Engineering 关注单次表达。
它决定模型要做什么。
Context Engineering 关注信息供给。
它决定模型知道什么。
Harness Engineering 关注系统运行。
它决定模型如何可靠地做，并且持续变好。
一个简单的总结是：
Prompt 决定任务。
Context 决定知识。
Harness 决定可靠性。

常见错误

很多 AI 应用效果不好，问题通常不在模型本身，而在工程层设计不完整。
常见的 Prompt 错误是：
目标不清楚。
约束不明确。
输出格式不稳定。
只写一句话就期待模型完成复杂任务。

常见的 Context 错误是：

不给背景信息。
检索结果噪声太大。
上下文太长，没有压缩。
关键信息顺序混乱。
记忆机制缺失。
长期知识没有更新。
常见的 Harness 错误是：
没有工具调用闭环。
没有评估机制。
没有日志和可观测性。
没有错误恢复。
没有成本和权限控制。
没有自动化测试。
这些问题都会导致 Agent 看起来“很聪明”，但用起来“不可靠”。
最佳实践

做高质量 LLM Agent 应用，可以按照下面的顺序设计：
先定义目标和约束，再写 Prompt。
先检索相关信息，再放入上下文。
先压缩和排序，再注入模型。
所有输出都要可校验、可追踪、可评估。
用数据和评估结果驱动迭代优化。

衡量一个 Agent 是否成熟，可以看几个指标：
准确率是否提升。
相关性是否提升。
幻觉率是否下降。
任务完成率是否提高。
延迟是否可控。
成本是否可控。
失败是否可以恢复。
一句话总结
Prompt Engineering 让模型听懂任务。
Context Engineering 让模型掌握信息。
Harness Engineering 让模型可靠执行。

真正的 AI 工程能力，不只是写好一句 Prompt，而是把 Prompt、Context、Harness 三层系统化设计好。

[meng shao @shao__meng]

再次强烈推荐「Agentic Engineering Patterns」

作者 @simonw 2026 年 2 月起撰写，每周约新增 1–2 章，目前仍在演进。文字由他本人撰写，示例与代码借助 LLM 辅助。

在线阅读：
https://t.co/xlTAbmtJON

核心目标：如何用好 Claude Code、Codex 这类能写代码、也能执行代码的 coding agent，拿到可靠、可维护的结果。

# 核心概念：Agentic Engineering ≠ Vibe Coding

Vibe Coding vs Agentic Engineering
· 定义来源：Karpathy 提出 vs Willison 提出的专业实践
· 适用人群：常与非程序员原型相关 vs 专业工程师放大既有能力
· 代码质量：未审查、原型级 vs 审查、测试、可上线
· 人的角色：几乎不参与代码理解 vs 定义问题、验证结果、持续改进 harness

Agent 的定义： 在循环中调用工具以达成目标。Coding agent 的关键差异是能执行代码——没有执行能力，LLM 输出价值有限；有了执行，agent 才能迭代到"确实能跑"的软件。

人的工作并未消失，而是上移：
· 决定写什么代码（问题空间有��十种解法与权衡）
· 提供工具与足够细的规格
· 验证结果是否稳健可信
· 把经验写回指令与 harness（LLM 本身不会从错误中学习，但系统可以）

# 全书最重要的一个判断
写代码变便宜了，写好代码并没有。

过去几十年，工程习惯都建立在"代码昂贵"之上：
· 宏观： 大量设计、估算、排期，功能必须数倍覆盖开发成本
· 微观： 是否重构、写测试、补文档、做 debug UI——每个决定都受时间约束
Agent 把这个约束打碎。一个人还能并行跑多个 agent，同时实现、重构、测试、写文档。

但"好代码"仍有明确标准：
· 能跑、且被证明能跑
· 解决对的问题
· 处理错误路径，不只 happy path
· 简洁、可维护
· 有测试与合适文档
· 设计留出演进空间（YAGNI 与可扩展性的平衡）
· 满足安全、可观测性等 non-functional 要求

新习惯： 当直觉说"不值得做"时，不妨开个异步 agent 试一下——最坏情况是浪费几分钟 token；很多过去"不划算"的改进，现在值得做。

# 五大原则层（Principles）

1. 定义边界
Agentic Engineering 是专业工程师用 coding agent（能写能跑）放大能力；不等于 vibe coding（不审代码的原型玩法）。人的核心工作：定目标、给工具、验结果、把经验写回 harness。

2. 接受新约束
写代码几乎免费，写好代码仍然贵。旧习惯（过度规划、跳过测试/文档/重构）要推翻；直觉说「不值得做」时，不妨开个异步 agent 试一下。

3. 囤积可复用解法
积累带可运行证明的代码片段（仓库、笔记、小工具）。最强用法：把两个已验证例子拼进 prompt，让 agent 组合出新方案；每个技巧人类只需解决一次。

4. 质量应上升，而非下降
技术债、命名混乱、大文��拆分等「简单但耗时」的清理，交给后台 agent 做，成本已低到可零容忍 code smell；用原型并行验证技术选型；任务结束做回顾，把有效做法写进指令（复合工程）。

5. 严守反模式
绝不提交自己没审过的 PR。合格标准：确信能跑、体量小、有上下文、描述自己读过、附测试证据。否则只是把活甩给 reviewer。

# 实操层：与 Agent 更好的协作

1. 先懂机制，再谈用法
Agent = LLM + 系统提示 + 工具循环。你不必背实现细节，但要清楚：
· 对话越长越贵；agent 会尽量利用 token 缓存
· 模型无状态，每次重放上下文
· 能执行代码才是 coding agent 与普通 LLM 的分水岭
· Reasoning/Thinking 对调试复杂问题尤其有用

2. Git：大胆用，不必背
把 Git 当 agent 的「时间机器」和「安全网」：
· 新会话恢复上下文：Review changes made today
· 救场：Sort out this git mess for me
· 找丢了的代码：Find and recover my code that does ...
· 定位回归：Use git bisect to find when this bug was introduced
· 修 commit / 抽库留历史：Undo last commit / 从新 repo 复制模块并保留 commit 历史

3. Subagent：省上下文，不是炫技
上下文有限，大任务要「分身」：
· Explore：进陌生 repo 先摸清结构，汇总给主 agent
· 并行：多文件独立改动可同时跑，可用更便宜模型
· 专家（审查 / 跑测 / 调试）：隐藏冗长输出，只回报结果
原则： 为省 token 而拆，不为拆而拆；主 agent 够用就别过度分工。

4. 测试：三层防线
① TDD：先写测 → 确认失败 → 实现至通过
② 建立测试意识：新会话先跑全套测试
③ 手动验：python -c / curl / Playwright 真浏览器
④ 留证：Showboat 记录命令与真实输出，防编造

5. 理解代码：还认知债
Agent 产出若成黑盒，会积累 认知债（类似技术债，拖慢后续决策）：
· Linear walkthrough：线性导读，用 grep/cat 引用代码，禁止手抄
· Interactive explanation：在导读基础上做可暂停、可调速的动画演示
适用： 陌生代码、自己忘了细节的代码、vibe code 出来却没看过的代码。

[Serena @369Serena]

https://t.co/KMcbAWCbRS

[Vince 聊开发 @vincemask]

https://t.co/9LFFvTzNle

[知野 @knoYee_]

https://t.co/3L8fonzqcX

[老爸的AI联萌 @ChrisWangwy]

https://t.co/k9tNPfr8qn

[苍何 @canghe]

https://t.co/0qtZ0boeBs

[sonofmagic @sonofmagic95]

7 月 18 号，我将在 Vue&Vite Conf 分享 Weapp-vite 对小程序工程化的重新思考, 看看下一代工具链是如何重塑小程序工程化体验的 😀
官方网站：https://t.co/xgaspqEkkP

[AI搞钱Hacker @gaoqian2580]

https://t.co/hveso8v1aJ

[Ren @Ryrenz]

https://t.co/vaAFLJB2jp

[鸟哥 | 蓝鸟会🕊️ @NFTCPS]

卧槽，一天就能把Claude玩明白？这份指南我他妈直接跪了

我告诉你，这玩意儿不是人学的，是神学的。但是今天，只要你肯花一天时间，我保证你从菜鸡变成Claude高手。不吹不黑，这份教程简直是把饭嚼碎了喂你嘴里。

先来第1级，24分钟搞定基础（别嫌短，够用了）

🔹 Claude傻瓜指南：从零到入门，看完你就能跟别人吹牛逼了
🔹 Claude设置：别傻乎乎直接开干，先把环境调好

链接在这：
https://t.co/cOVLXKWzqk
https://t.co/IUXXX6HT1Y

接着第2级，1小时实战工作流（别只看，动手干）

1 Claude协作：一个人干活的效率，顶你团队三天
2 Claude团队版：别一个人吃独食，拉上兄弟一起干
3 Claude设计：从设计到出图，手把手教你做老板都点赞的东西
4 协作+项目：把Claude变成你的远程员工
5 Claude幻灯片：别再熬夜做PPT了，让AI替你打工
6 Claude技能：解锁隐藏功能

链接在这：
https://t.co/Uu81jWQ38g
https://t.co/W117GA8936
https://t.co/wN5PMdNIML
https://t.co/JUCG6z8Xlh
https://t.co/MuDoFnlDwX
https://t.co/FV0YB0djw9

然后是第3级，3.5小时专业技巧（这才是真干货）

🔥 避免奉承：别让AI拍你马屁，要让它说实话
🔥 Claude代码：写代码、改bug，它比你隔壁的程序员靠谱
🔥 Claude 101：官方培训课，必看
🔥 突破Claude限制：别再问“还能再回答吗”，直接打破天花板
🔥 停止瞎提示：别再发“帮我写个东西”这种废话

链接在这：
https://t.co/sITjoA2EqV
https://t.co/HWNrhaah2b
https://t.co/DrlGHtD4cD
https://t.co/2xPIANFVby
https://t.co/x9KnKwwXKa

最后第4级，8小时专家模式（装逼必备）

🚀 Claude电脑：把Claude装进电脑里，直接操控桌面
🚀 用Claude API构建：写代码、搭应用，你也能做二次开发

链接在这：
https://t.co/0ME7ckbQXa
https://t.co/sobW0u3H6P

专业提示：别他妈一口气看完，你消化不了。每次学一级，然后立马去用。学完一级就停下来，把学的东西用到工作中，用熟了再学下一级。

你想想，别人还在那儿发傻提问“Claude怎么用”的时候，你已经能一边用Claude写代码，一边用Claude做PPT，一边还用Claude调API。这不就是降维打击吗？

别废话了，赶紧收藏起来。今天不学，明天就落后。明天不学，后天就只能看着别人吃肉。

[老金 @freeman1266]

https://t.co/EgXwQjnWe2

[傅盛 @FuSheng_0306]

https://t.co/vHD67c6Waz

[Dr. Moyu｜摸鱼局长 @Jason23818126]

AI 学习最大信息差来了！
很多人刷二手总结就停了，真正高手都在挖一手 YouTube

@Smartpigai 这篇实操写的不错，总结了5 类核心资源：
• 大佬访谈（Lex Fridman等）
• 大会分享（YC/Sequoia）
• 官方频道（OpenAI/Anthropic）
• 实战教程
• Karpathy底层课

多看一手，认知差自然拉开，顺便推荐大家关注他，来自国内大厂的搞钱程序员！

[程序员鱼皮 @yupi996]

https://t.co/TNgc8waPoR

[宝玉 @dotey]

https://t.co/c53sSkOPTr

[Jason Zhu @GoSailGlobal]

https://t.co/yN3rPdU3uN