🔥 一个岗位正在消失，一个岗位正在炸裂
2026年8月13日的深夜，两件大事几乎在同一时刻发生：
DeepSeek 开源了 Harness 框架——采用 MIT 协议，主打"一切皆插件"，模型、工具、技能、沙箱统统可替换。同一天，DeepSeek V4 Pro 正式版发布，Agent 能力暴涨390%——DeepSWE 基准从12.8分直接跃升至62.7分，反超 Claude Opus 4.8。
OpenAI被曝将于8月强行发布GPT-6——代号 Astra，参数规模达10万亿，是 GPT-4 的五倍。它独立解开了10道长期无人能解的数学难题，全部证明都通过了 Lean 形式化系统验证。然而就在发布前夜，OpenAI 宣布暂缓——只因该模型具备了以往从未出现过的"严重"网络安全能力。
这两桩事表面无关，实则共同指向一个判断：AI 工程的竞争焦点，已经从"谁的模型更强"转移到了"谁的 Harness 更好"。
Agent = Model + Harness。模型负责推理与生成，Harness负责把模型能力落到真实环境。
这个公式由 OpenAI 与 LangChain 在2026年初共同确立，如今已是行业共识。而在它的背后，还藏着一条让所有程序员都坐立难安的暗线：
Prompt工程师正在消失，Harness工程师正在崛起。
本文不贩卖焦虑，只拆解事实。我们借三阶段演进的脉络、用真实数据、用就业市场的切实变化，说清楚这场变革究竟改了什么，以及你该站在哪一边的位置。
📊 一、三级跳：AI工程的范式演进
1.1 第一级：Prompt Engineering（2022-2024）——"和AI说话的艺术"
GPT-3.5 问世之初，你唯一能掌控的只有那个文本框。你跟模型怎么对话，直接决定了输出的质量。
核心手段：
- 角色设定："你是一个有10年经验的后端架构师..."
- 思维链（CoT）："第一步先分析，第二步再给方案..."
- 少样本示例：给几个输入-输出范例，让模型"意会"规律
Prompt 工程师一度是最炙手可热的职业。2023年，OpenAI 社区里一条"完美的 Prompt"能轻松收获上万收藏。不过这份繁荣之下，藏着一个致命的软肋：
模型就是一切，人只能去迁就模型。每一轮对话彼此孤立，没有记忆、没有沉淀，更无从编程控制。
你唯一能做的，就是写好那段提示词，然后祈祷模型这一回发挥稳定。
1.2 第二级：Context Engineering（2024-2025）——"给AI看什么"
当 Agent 开始接手复杂任务，人们才意识到：问题不在 Prompt 写得够不够好，而在模型"看到"的信息环境到底对不对。
模型在每次推理时实际看到的东西，远不止你敲进去的那几行字：
| 信息层 | 来源 | 举例 |
|---|---|---|
| 系统提示词 | 开发者设定 | "你是代码审查助手" |
| 对话历史 | 多轮交互 | 前面5轮的问答 |
| 检索文档 | RAG注入 | 从知识库动态拉取 |
| 工具返回结果 | 函数调用 | API返回的JSON |
| 项目文件 | 上下文注入 | 当前仓库的代码 |
Context Engineering 的核心洞察是：模型每次推理时看到的内容，远不止你写的那段话。把这个完整的信息环境治理好，比死磕单次 Prompt 重要十倍。
但这层也暴露了根本局限：
上下文越长，模型越容易被无关信息带偏。再长的上下文也塞不下一个完整项目。模型充其量只是"回答问题"，还做不到"执行任务"。
1.3 第三级：Harness Engineering（2026—）——"给AI建什么系统"
2026年，一道冷酷的数学公式打碎了所有人的幻想：
0.95²⁰ ≈ 36%
若单步成功率有95%（已经相当优秀），串联20步之后，端到端成功率就只剩36%。这说明——Agent 翻车的根源往往不是"模型不够聪明"，而是"缺少验证与恢复机制"。
Harness Engineering 瞄准的正是这个痛点。它不纠结"怎么把模型练得更强"，而是关注"怎么设计模型的运行系统，让模型在机制约束下把事稳稳做成"。
| 维度 | Prompt Engineering | Context Engineering | Harness Engineering |
|---|---|---|---|
| 核心问题 | 怎么和AI说话？ | 给AI看什么？ | 给AI建什么系统？ |
| 关注焦点 | 单次输入-输出质量 | 模型所见的信息环境 | 约束、验证、反馈的完整架构 |
| 关键技能 | 提示词编写 | RAG、上下文压缩 | 工具编排、状态管理、验证门禁 |
| 人的角色 | 操作者 | 信息架构师 | 系统架构师 |
| 时代 | 2022-2024 | 2024-2025 | 2026— |
这三层不是替代关系，而是嵌套关系：Prompt ⊂ Context ⊂ Harness。后一层包住前一层，每一层都在上一层之上叠加出新的设计维度。
💣 二、DeepSeek Harness：为什么它是一个分水岭
2.1 模型商品化之后，竞争焦点转移了
2026年的 AI 市场浮现出一个残酷现实：模型层正在商品化。
DeepSeek V4 Pro 的 API 定价：输入3元/百万 token，输出6元/百万 token；而 OpenAI GPT-5.5 的定价：输入5美元，输出30美元。两者性能差距已不算大——在 DeepSWE 基准上，V4 Pro（62.7）甚至压过了 Claude Opus 4.8（58.0）。
当模型能力逐渐趋同，决定 Agent 系统最终质量的关键变量，已经从"模型本身"转移到了"Harness 的设计质量"。
这也解释了 DeepSeek 为何在8月13日做了一件超出所有人预料的事：把 Harness 框架本身开源了。
2.2 "一切皆插件"的架构设计
DeepSeek Harness 的核心理念，就是"一切皆插件"：
| 插件类型 | 作用 | 传统方案 |
|---|---|---|
| 模型插件 | 可替换不同底层模型 | 锁死单一模型 |
| 工具插件 | 动态加载外部工具 | 硬编码工具调用 |
| 技能插件 | 封装特定领域能力 | 每次重新写Prompt |
| 沙箱插件 | 隔离执行环境 | 直接在主机执行 |
| 存储插件 | 持久化记忆 | 无状态，每次从头来 |
| UI插件 | 自定义交互界面 | 固定聊天框 |
它提供四种运行模式：标准模式、PTC模式、极简模式、创造模式。开发者可按场景挑选不同复杂度的方案。
2.3 这意味着什么
在 DeepSeek Harness 开源之前，Harness 工程是少数头部公司的专属领地——Claude Code、OpenAI Codex、Anthropic 的内部工具。普通开发者只能用别人造好的轮子。
开源之后，任何开发者都能搭建属于自己的 Agent 运行系统。这意味着：
- 不会构建Harness的开发者 → 只能当模型的使用者（可替代性极高）
- 会构建Harness的开发者 → 成为Agent系统的设计者（稀缺性极高）
📈 三、就业市场的数据不会说谎
3.1 岗位冰火两重天
脉脉《2026春招职场洞察报告》的数据：
| 岗位类型 | 变化趋势 | 平均月薪 |
|---|---|---|
| AI Agent开发 | 同比增长870% | 25k-60k |
| AI算法工程师 | 增长312% | 65,200元 |
| AI Infra工程师 | 增长280% | 75,800元 |
| 初级后端开发 | 下降58% | 12k-18k |
| 初级前端开发 | 下降65% | 10k-15k |
| 测试工程师 | 下降35% | 12k-16k |
34.39% 的新发技术岗位已明文要求具备 AI / 大模型技能，而去年同期这一比例仅为 22.35%。
AI 岗位在暴涨，传统初级岗位在塌方。市场并未萎缩，它只是在重构。
3.2 Prompt工程师怎么了
2023年，"Prompt 工程师"还被看作最有前途的职业，薪资高得惊人。可到了2026年：
- 模型变聪明了——GPT-6的10万亿参数，不需要你精心设计Prompt也能理解你的意图
- 框架自动化了——Harness自动管理上下文、自动注入工具，不需要人手动写
- 技能插件化了——DeepSeek Harness的技能插件系统，把"Prompt编写"变成了可复用的模块
一个残酷的对比：
| 时代 | 核心技能 | 价值周期 |
|---|---|---|
| 2023年 | 手写高质量Prompt | 6-12个月就过时 |
| 2025年 | 配置上下文环境 | 1-2年需要更新 |
| 2026年 | 设计Harness架构 | 3-5年长期有效 |
3.3 企业要的是什么人
拆解37个2026年真实AI岗位JD后的发现：
| 高频技能 | 出现率 | 说明 |
|---|---|---|
| Python | 75.7% | 硬通货，基本功 |
| LLM API调用 | 67.6% | 基础能力 |
| Agent开发 | 32.4% | 核心增长点 |
| LangChain | 48.6% | 主流框架 |
| RAG | 37.8% | Context层标配 |
| 微调 | 27.0% | 算法方向才需要 |
企业不再盘问"你手写了多少代码"，而是考核"你驾驭 AI 工具链、交付了多少业务价值"。
🔮 四、GPT-6会改变什么
4.1 不只是参数量
GPT-6（代号 Astra）最让人震撼的，不是10万亿参数本身，而是它做到了三件前代模型从未做到的事：
- 独立解出10道长期未解的数学难题——涵盖高维几何、群论、量子复杂性、格密码学
- 所有证明通过Lean形式化系统机器验证——可公开检查，不是"看起来对"
- 生成全部10组解的算力成本仅约2000美元——这个成本意味着可复制、可规模化
但真正让 OpenAI 按下暂停键的，是：Astra 具备了此前从未出现过的"严重"网络安全能力。具体是什么能力，OpenAI 没有公开。然而 Sam Altman 亲自奔赴华盛顿向监管机构演示——这一举动本身就足够说明事态的分量。
4.2 对开发者的影响
若 GPT-6 在8月如期发布，会进一步挤压 Prompt Engineering 的生存空间：
| 能力 | GPT-4时代 | GPT-6预期 |
|---|---|---|
| 理解模糊指令 | 需要精确Prompt | 自然语言即可 |
| 多步推理 | 需要人工拆解 | 自动规划链路 |
| 代码生成 | 需要分段指导 | 端到端生成 |
| 工具调用 | 需要手动配置 | 自主选择和编排 |
当模型足够聪明，"怎么和它说话"便不再是核心竞争力。真正关键的是"怎么约束它、验证它、让它可靠地把任务完成"。
🛠️ 五、普通开发者怎么办：三步走
5.1 第一步：补上Context Engineering的课
如果你还停留在"写好Prompt等回答"的阶段，先学会治理模型的信息环境：
- 学会使用RAG（检索增强生成）让模型看到正确的文档
- 理解System Prompt的全局约束作用
- 掌握上下文压缩技术——长对话中保留关键信息、丢弃噪音
5.2 第二步：上手一个Harness框架
不用从零造轮子。DeepSeek Harness已经开源（MIT协议），Claude Code和OpenClaw也可用。选择一个，实际跑通：
- 理解"工具调用 → 验证 → 恢复"的链路
- 学会用沙箱隔离执行环境
- 掌握状态持久化和断点续做
你不应该再prompt coding agents，你应该设计loops来prompt你的agents。
5.3 第三步：建立系统设计思维
从"执行者"转变为"系统架构师"：
| 旧思维 | 新思维 |
|---|---|
| "我怎么实现这个功能" | "AI怎么帮我实现，我怎么验证" |
| "我写了多少行代码" | "我设计的系统能交付多少价值" |
| "我会什么框架" | "我能编排多少工具" |
| "我编码速度多快" | "我设计的Agent链路多可靠" |
📌 本文要点回顾
- AI工程经历了三级跳：Prompt Engineering（2022-2024）→ Context Engineering（2024-2025）→ Harness Engineering（2026—），每一层包含前一层，不是替代而是嵌套
- DeepSeek Harness开源是分水岭——MIT协议，"一切皆插件"，让普通开发者也能构建Agent运行系统
- Prompt工程师正在消失——模型变聪明了、框架自动化了、技能插件化了，手写Prompt的技能价值周期只有6-12个月
- 就业市场冰火两重天——AI Agent岗位增长870%，初级后端下降58%，34.39%的新发技术岗要求AI技能
- GPT-6会进一步加速这个趋势——10万亿参数+数学推理质变，模型足够聪明时，"怎么约束和验证它"才是核心竞争力
- 三步走建议：补Context Engineering的课 → 上手一个Harness框架 → 建立系统设计思维
评论0