你有沒有發現，AI 圈每隔幾個月就會冒出一個新的「X Engineering」？
2022 年是 Prompt Engineering，2025 年變成 Context Engineering，2026 年 2 月叫 Harness Engineering，6 月是 Loop Engineering，7 月又變成 Graph Engineering
看起來像在炒名詞。但我用了兩年，從第一層走到第五層，我可以告訴你：每一層都是因為上一層「不夠用」才長出來的。不是發明新詞，是碰到新的牆
先看全貌：五層演變
| 階段 | 你在控制什麼 | 一句話 |
|---|---|---|
| Prompt | 一句指令的措辭 | 你跟 AI 說什麼 |
| Context | AI 推論時看到的全部資訊 | AI 知道什麼 |
| Harness | Agent 的完整執行環境（context + constraints + tools + verification + state + feedback） | Agent = Model + Harness |
| Loop | Agent 自主迴圈的設計 | AI 怎麼自己跑 |
| Graph | 多個 Loop 之間的拓撲 | 多個 AI 怎麼協作 |
每一層不是取代上一層，是疊上去的。你不會因為學了 Context 就不寫 Prompt，而是你的 Prompt 變成 Context 系統裡的一小塊
注意：這張表看起來像五層平行，但實際關係是包含的。Context ⊂ Harness（Context 是 Harness 的 Knowledge Base 組件）。Loop 跑在 Harness 裡面。Graph 把多個 Loop 接在一起。像俄羅斯娃娃，不像樂高積木
第一層：Prompt Engineering（2022）
你在幹嘛：研究怎麼用一句話讓 AI 回答得更好
這是所有人的起點。chain-of-thought、few-shot、role prompting、system prompt......那時候的核心信念是「措辭對了，AI 就會對」
我踩過的坑：我以為把 prompt 寫得夠精準，AI 就能幫我做完所有事。結果發現，同一個 prompt 換個上下文就爛掉。它不是不聽指令，是它根本不知道背景是什麼
為什麼不夠用：一句指令能承載的資訊量有極限。你不可能在一個 prompt 裡塞進「我是誰、我的風格、我的專案狀態、我之前做過什麼決定」。Prompt 是一封 email，但你的 AI 需要的是一整間辦公室的文件
第二層：Context Engineering（2025）
你在幹嘛：管理 AI 在推論時「看到什麼」
Karpathy 2025 年 6 月講了一個比喻，直接點醒所有人：
「LLM 是 CPU，context window 是 RAM，你是 OS，負責載入正確資訊」
這句話的意思是：AI 回答品質不取決於你 prompt 寫多好，取決於你喂進去的資料對不對。RAG、memory、tool output、session history——這些全是 context
我的實戰：我開始建 CLAUDE.md（系統設定檔）+ rules/（規則）+ skills/（技能）+ memory（記憶），每次 AI 啟動時自動載入相關 context。不再靠一句 prompt 打天下，而是設計「AI 啟動時看到什麼」
為什麼不夠用：Context 解決了「AI 知道什麼」，但沒解決「AI 亂跑怎麼辦」。你給它看了所有正確資訊，它還是會做出你不想要的動作——commit 到 main、刪錯檔案、把 secret 印出來。知道不等於守規矩
第三層：Harness Engineering（2026/2）
你在幹嘛：設計包圍 Agent 的完整執行環境
這一層的核心概念來自 Mitchell Hashimoto（Terraform 創造者），他在 2026 年 2 月提出一個公式：Agent = Model + Harness
Harness 不只是護欄。它是整個「馬具」——包含 context（知識）、constraints（限制）、tools（工具）、verification（驗證）、state（狀態持久化）、feedback loops（回饋迴圈）。Hashimoto 的核心紀律可以總結為：
「每次 agent 犯一個錯，你就工程化一個解法，讓那個錯永遠不可能再發生。修法永遠不是『下次努力一點』，是讓失敗在結構上不可能」 —— 意譯自 Mitchell Hashimoto，原文
這跟「prompt 寫清楚一點」是完全不同的思路。Prompt 靠措辭，Harness 靠結構
我踩過的坑：一開始我以為 Harness 就是寫幾個 guard rails（護欄）。後來才理解——完整的 Harness 包含六個組件：
- Knowledge Base：文件、架構決策、所有 context（Context Engineering 住在這裡）
- Architectural Constraints：linter、hooks、物理阻擋（agent 不能做什麼）
- Tools & Integrations：給 agent 的工具（MCP、CLI、瀏覽器控制）
- Verification Gates：agent 說「做完了」之前必須過的測試
- State Management：跨 session 的記憶和進度持久化
- Feedback Loops：錯誤偵測、doom loop 中斷、自動修正
重點：Context Engineering 是 Harness 的子集，不是平行的另一層。Harness 包含 context + 所有其他讓 agent 可靠的結構
為什麼不夠用：Harness 解決了「agent 在什麼環境裡跑」，但 agent 還是需要你一步一步 push。你說一句它做一步，你不說它就停。如果你想讓 AI 自己跑一個完整的任務（從開始到結束），你需要下一層
第四層：Loop Engineering（2026/6）
你在幹嘛：設計 Agent 的自主迴圈
Loop Engineering 沒有單一命名者——它是 2026 年上半年社群漸進形成的共識，IBM、Augment Code、ML Mastery 幾乎同時開始用這個詞。核心定義來自實踐者的共同觀察：設計那個自動 prompt、驗證、重跑 agent 的系統，而不是你自己一句一句 push
Loop 的核心轉變是：人不再是迴圈的一部分
以前：人說 → AI 做 → 人看 → 人說 → AI 做（人在 loop 裡） 現在：人設條件 → AI 自己跑（觀察→行動→驗證→修正→重複）→ 人只看結果
我的實戰：我用 Codex（OpenAI）跑無人值守的長任務——給它一個 spec，設定好 eval（驗收標準），它自己跑 TDD 紅綠循環，做完我只看結果和 diff。如果 eval 沒過，它自己 rollback 重來
另一個例子：cron job 每 12 小時自動跑 sync，AI 自己判斷該做什麼（merge PR、close issue、更新 dashboard），不需要我一個一個點
為什麼不夠用：一個 loop 夠強了，但真實任務不是一條直線。你需要：一個 agent 做研究 → 結果餵給另一個 agent 做實作 → 實作完再給第三個 agent 做 review → review 有問題退回實作。這不是一個 loop，是一張圖
第五層：Graph Engineering（2026/7，本月）
你在幹嘛：把多個 Loop 組成有向圖（DAG）
2026/7/18 凌晨，Peter Steinberger 在 X 上問了一句：「Are we still talking loops or did we shift to graphs yet?」幾小時後 Hamel Husain 發文：「Loop Engineering Is Dead. Enter Graph Engineering.」到週末，整個 timeline 已經有課程、路線圖、工具包了
Graph 的概念其實不新（workflow engine 畫 DAG 畫了十年），新的是把 agent loop 當 node 來組圖：
- nodes = 各個 agent（各跑各的 loop），但也包括 deterministic function、router、human checkpoint
- edges = 資料流（誰的輸出是誰的輸入）
- shared state = 跨 node 共享的狀態
我的實戰：今天我分析 NVIDIA 股價，就是用 Graph：
- Node 1：技術分析師 A（看型態和支撐壓力）
- Node 2：量化交易員 B（算 RSI 和 Fibonacci）
- Node 3：綜合判斷（拿兩人結果做 synthesis）
三個跑完 < 2 分鐘，各自獨立判斷，最後一個 node 做綜合
Graph 的核心挑戰（我正在踩的坑）：
- State sharing：node A 的輸出怎麼格式化才能讓 node B 直接用？目前我用自然語言傳，結構化程度不夠
- Error propagation：前面的 node 錯了，後面會跟著錯。怎麼設 checkpoint 讓錯誤不擴散？
- 拓撲設計：什麼時候該並行（獨立判斷）、什麼時候該串行（需要前一步結果）？設計錯了要嘛太慢（全串行）要嘛品質差（該串行的硬並行）
老實說：我目前是 orchestrator-worker 架構（主 Claude 當工頭派工），還不是多個自主 agent 通過 shared state 組成完整 DAG。是 Graph 的初級形態，正在往真正的 Graph 走
為什麼它現在才爆紅：因為 Agent 夠穩了。2024 年你讓 AI 自己跑，它三步就崩。2026 年中，Agent 可以穩定跑完整個 loop 不出包了（大部分時候），所以「把多個穩定 loop 接在一起」才變得實際。LangGraph 做了三年，但直到今年才真正被需要
兩個容易搞混的概念（不在主軸上，但你一定聽過）
Vibe Coding（2025/2，Karpathy 命名）：不看 code，憑感覺跟 AI 對話寫程式。本質是「放棄精確控制」。Karpathy 自己 2026/2 就說這個過時了——因為真正的工程不能靠 vibes
Agentic Engineering（2026/2，Karpathy 命名）：Vibe Coding 的繼任者。但它比較像一個 umbrella term，涵蓋了 Harness + Loop + Graph 三層
所以我現在在用哪一層？
全部。但不是五塊分開的拼圖，是俄羅斯娃娃一樣套在一起的
先講最重要的修正：Harness 不只是「護欄」，它是包圍 agent 的完整執行環境。Mitchell Hashimoto 的原始定義是「Agent = Model + Harness」——Harness 包含 context、constraints、tools、verification、state、feedback loops 全部
所以我的系統長這樣：
Prompt（最內層）：我跟 AI 對話時的每一句話。最基礎，永遠在
Harness（整個包圍層）：我花兩年蓋的完整執行環境
- Knowledge Base：CLAUDE.md + 296 個 skills + 15 條 rules + 1465 個 memory files → 管 AI 知道什麼（= Context Engineering 住在這層）
- Architectural Constraints：84 個 hooks 物理擋住危險動作 + rules 裡的 NEVER/STOP 軟限制
- Tools & Integrations：gstack/OpenClaw（瀏覽器控制）+ 5 個 executor wrapper（codex/cursor/kiro/grok/gemini）+ MCP
- Verification Gates：stop guards + eval-driven 驗收 + QA checklist
- State Management：job repo（logs/events/crm/projects）跨 session 持久化 + session handoff
- Feedback Loops：error-reflection + session-correction-capture + /reflect 自動修行為
Loop（自主迴圈）：Codex 無人值守 + cron 12 小時自動 sync + eval-driven 終止條件。Loop 跑在 Harness 裡面——Harness 決定它能做什麼，Loop 決定它怎麼自己跑
Graph（多 agent 協作）：subagent pipeline + 多 model 分派。老實說我目前是 orchestrator-worker 架構（主 Claude 當工頭派工），還不是多個自主 agent 通過 shared state 組成完整 DAG。是 Graph 的初級形態，正在往真正的 Graph 走
這不是「你應該學哪一層」的問題，是「你目前卡在哪一層」的問題
如果你的 AI 回答品質不穩 → 你卡在 Context（它看到的資訊不對） 如果你的 AI 會做危險動作 → 你卡在 Harness（沒有護欄） 如果你每件事都要手動 push → 你卡在 Loop（沒有自主迴圈） 如果單一 AI 做不完複雜任務 → 你卡在 Graph（需要多 agent 協作）
給不同程度的人的建議
剛開始用 AI 的人：先把 Prompt 和 Context 搞好就夠了。寫清楚你要什麼，給 AI 足夠的背景資料。這兩層做好，你已經贏過 90% 的人
已經在用 AI 工作的人：開始建 Harness。你的 AI 遲早會做錯事（commit secret、改錯檔、回答錯的東西），hooks 和 rules 是你的保險
想讓 AI 自動跑的人：學 Loop。設計 eval（怎麼判斷做對了）+ rollback（做錯怎麼回來）+ 終止條件（什麼時候停）。這三個搞定，你就能放手
在蓋 AI 系統的人：Graph 是你的下一步。不是因為它流行，是因為一個 loop 真的不夠用。真實的工作流有分支、有合流、有退件迴圈，這就是 graph
每一層都不是銀彈。但每一層都是上一層踩到瓶頸後，自然長出來的解法
我踩了兩年的坑，才走到今天的五層架構。希望這篇能讓你少走一些