目前普遍將其翻譯為“駕馭工程”。

“大力出奇跡”，大模型讓人真正感受到了AI的力量，于是AI幾乎成為大模型的代名詞。

但大模型并不是人們想象中的、準確的人工智能。它會出錯，會糊涂，也會拼湊答案。

它就像一匹野馬，不聽話，需要馴服，然后套上韁繩，才能駕馭。

實為新一代軟件工程

軟件工程（Software Engineering）從提出到系統(tǒng)性發(fā)展，已經(jīng)經(jīng)歷了幾十年。

從最初模仿其他領域的工程化方法，到逐步形成自身的理論體系和實踐方法。

從理想化的模型驅(qū)動開發(fā)，到務實的敏捷迭代增量開發(fā)、DevOps，再到如今的大模型輔助軟件開發(fā)，終于在開發(fā)速度上實現(xiàn)了質(zhì)的飛躍。

Harness Engineering 正是當前軟件工程的探索與實踐方向。

實為駕馭大模型的工程實踐

為避免誤解，我們應將 Harness Engineering 理解為軟件工程中的一個實踐——即駕馭大模型為軟件開發(fā)所用的工程實踐。

中文翻譯喜歡短小精悍，但“駕馭工程”有名詞化嫌疑，容易讓人誤解為一種新的工程學科，或是一種新型軟件工具，只需購買即可實現(xiàn)。而原文實際上是進行時的表述，是一個過程，更適合稱為“×××工程實踐”。

這與前兩年流行的“Prompt Engineering”“Platform Engineering”等詞類似，都是一種實踐、理念，而非新的學科或工具。

工程總會結(jié)束，唯有時間永無止境。

實踐內(nèi)涵

駕馭大模型的實踐，是這一時期針對大模型在軟件開發(fā)中應用的總結(jié)和提煉。這個說法也非常形象，讓人聯(lián)想到“馭”“馬”。

Prompt Engineering，誕生于大模型應用的初期。人們發(fā)現(xiàn)大模型能產(chǎn)生驚人的效果，但結(jié)果與輸入密切相關(guān)，因此針對輸入的設計和優(yōu)化成為重要的實踐領域。Prompt Engineering 專注于如何設計和優(yōu)化輸入，以獲得更優(yōu)輸出。

各種提示詞經(jīng)驗不斷積累和總結(jié)，各類珍藏的提示詞庫也隨之出現(xiàn)。

與之類似的還有：In-Context Learning（在提示詞中提供例子以引導期望輸出）、Chain-of-Thought Prompting（引導模型輸出中間推理步驟）、Self-Consistency（多次采樣推理路徑，投票選出最穩(wěn)定答案）等。

Retrieval-Augmented Generation (RAG，知識與檢索增強)，是一種針對大模型缺乏專業(yè)知識問題而設計的緩解方法。通過設置額外的向量數(shù)據(jù)庫，將專業(yè)知識分片、分詞建立向量空間索引。在調(diào)用大模型前，先進行一次向量索引查詢，將查詢結(jié)果與其他輸入一并提供給大模型，從而提升結(jié)果的專業(yè)性和準確性。

這屬于增強大模型能力的方法，類似的還有 Tooling、Function Calling、MCP 等，為大模型提供專門的知識獲取途徑。

Agent，即大模型代理技術(shù)（俗稱智能體），是在大模型與直接應用之間添加代理層，引入常規(guī)編程手段來控制大模型行為。通過設計代理的行為邏輯和決策機制，可以更好地引導大模型輸出，提升其在特定任務上的表現(xiàn)。

可以說，大模型 Agent 技術(shù)，是目前讓大模型在生產(chǎn)生活中穩(wěn)定應用的主要手段。各類 IDE 插件、自動化工具、編程助手都在發(fā)力提升 agent 的能力。

駕馭大模型的實踐，是上述技術(shù)的綜合應用。用一句話概括，就是為了讓大模型能夠接入生產(chǎn)環(huán)境，發(fā)揮最大價值，獲得經(jīng)濟效益。