回顧AI應用工程的發展，可以看到一條清晰的演進弧線：

Prompt Engineering(提示工程)是第一波創新 -- 通過優化輸入給模型的自然語言指令來提升輸出品質(至今仍可以用這套方法來優化你的輸出)

Context Engineering(上下文工程)是第二波 -- 工程師/開發人員認知到單純優化提示詞還不夠，需要系統性地管理模型能看到的所有訊息(系統指令、工具定義、對話歷史、外部知識)

Harness Engineering是第三波 -- 它將視野從"模型能看到甚麼"進一步擴張到"Agent如何組織模型運行並與模型交互"，涵蓋上下文與工具接口、約束機制、驗證手段、反饋循環與錯誤恢復等Agent邊界內、模型之外的運行與管理機制。

隨後出現的Loop Engineering 又把視野從單次運行擴展到跨輪次的持續自主運轉：誰來發現下一件該做的事、何時驗證、何時才算真正完成。

2026/07，業界又開始用Graph Engineering描述一種更高層的編排視角(你也可以從yt看到有人開始介紹，或許可以看一下kelly，但她講得通常很表面，因為她的受眾)。
把Agent循環、確定性程序和人工審批組織成顯示的執行圖，其中節點承擔具體能力，邊規 定路由與依賴，結構化狀態沿邊傳遞並在關鍵邊界處持久化。

這5個階段不是替代關係，而是層層包含的：prompt engineering是context engineering的子集，context engineering是harness engineering的子集，harness engineering是Loop Engineering的子集，Loop Engineering又是Graph Engineering --單個Agent循環正是執行圖中的一個節點。每一層都在前一層的基礎上擴展了工程師的關注範圍和影響力。

當各家模型的能力越來越接近，不再是決定性的差異因素時，競爭優勢就轉移到模型之外的工程實踐(當然這是在講生產級產品)

這一判斷在最近的工程實踐得到驗證。 Langchain在Terminal Bench2.0(一個評估Agent在終端環境完成復任務能力的基準測試)上的實踐提供一個有力的例證：得分從52.8%提升到66.5%)，改變的不是模型，而是Harness，具體包含讓Agent自動檢查自己的執行結果、檢測是否陷入重複循環、優化思考策略等工程手段。

之前介紹的Langchain可以往回翻看看，有興趣我們可以實測，不過要申請api_key
之後推出LangGraph
GitHub： https://github.com/langchain-ai/langgraph