第1章：总览
文档摘要
第一章：概览 项目介绍   在与大型语言模型（LLM）交互的早期，我们往往认为只要“把话说清楚”，就能得到想要的结果。然而，随着 AI 应用逐渐深入到复杂的真实业务场景中，开发者们发现，仅靠单一的指令输入已经无法驾驭大模型在长周期、多跳推理任务中的不确定性。   为了突破大模型只能生成文本而不能解决真实问题的限制，AI 工程师们的视角正在经历一次深刻的范式转移：从单纯的提示词工程（Prompt Engineering），走向系统化的上下文工程（Context Engineering），并最终迈向由多智能体协作构成的harness工程（Harness Engineering）。   本教程是 Datawhale 社区的开源学习项目。
第一章：概览
项目介绍
在与大型语言模型（LLM）交互的早期，我们往往认为只要“把话说清楚”，就能得到想要的结果。然而，随着 AI 应用逐渐深入到复杂的真实业务场景中，开发者们发现，仅靠单一的指令输入已经无法驾驭大模型在长周期、多跳推理任务中的不确定性。
为了突破大模型只能生成文本而不能解决真实问题的限制，AI 工程师们的视角正在经历一次深刻的范式转移：从单纯的提示词工程（Prompt Engineering），走向系统化的上下文工程（Context Engineering），并最终迈向由多智能体协作构成的harness工程（Harness Engineering）。
本教程是 Datawhale 社区的开源学习项目。我们将带领大家穿透框架表象，从最核心的 Prompt Engineering 出发，深入理解 Context Engineering，并最终掌握 Harness Engineering 的核心理念——不仅仅是使用大模型，而是构建能够稳定、可控、高效驱动大模型的工程化系统。教程包含完整的理论讲解与配套的 miniMaster 实战代码，帮助你从一名大语言模型的"使用者"，蜕变为一名智能体系统的"构建者"。
在线阅读
✨ 你将收获什么？
- Datawhale 开源免费 — 完全免费学习本项目所有内容，与社区共同成长
- 理解核心原理 — 深入理解 Prompt、Context 与 Harness 三层演进的核心逻辑
- ️ 亲手实现 — 基于 Python 从零实现一个包含 Plan / Generator / Validate 三层架构的 miniMaster 系统
- ⚙️ 掌握高级技能 — 学习动态工作记忆管理、工具注册与调用、LangSmith 追踪等工程化技术
内容导航
| 章节 | 关键内容 | 状态 |
|---|---|---|
| 第1章：总览 | Prompt、Context、Harness 的关系与演进 | ✅ |
| 第2章：提示词工程 | Prompt Engineering 的核心技巧与最佳实践 | ✅ |
| 第3章：上下文工程 | Context Engineering 的设计思想与实现 | ✅ |
| 第4章：Harness Engineering | Harness 的定义、架构与系统级思考 | ✅ |
| 第5章：从提示词到上下文的演进 | 完整梳理从 Prompt 到 Harness 的演进路径 | ✅ |
| 第6章：小项目实践 | 手把手实现 miniMaster 2.0 实战项目 | ✅ |
