Prompt Engineering → Context Engineering → MCP → Skills → Harness Engineering
提示词工程 · AI 编程的原点
一个精心构造的提示词，加上两三个示例，就能让模型在完全陌生的任务上表现良好。
AI 只能看到当前文件的几千个 token，对于整个代码仓库的上下文一无所知。
上下文工程 · 从"怎么问"到"给什么"
用直觉编程，把结构性决策委托给 AI，接受它生成的任何结果。
Model Context Protocol · 连接的标准
AI 需要连接文件系统、Git、数据库、搜索引擎、企业内部 API……每个工具的接入方式都不同。OpenAI 的工具格式和 Anthropic 的不一样，Google 的又不一样。
AI 应用（如 Claude Code）作为 Host，内嵌 MCP Client；外部工具（文件系统、Git、数据库）作为 Server。Client 和 Server 之间通过标准协议通信，互相不需要知道对方的内部实现。N×M 的集成问题变成了 N+M。
就像 USB 统一了所有外设的连接方式，MCP 统一了 AI 模型与外部工具的连接方式。实现一次 MCP Server，任何支持 MCP 的 AI 都能用。N×M 的集成问题变成了 N+M。
MCP SDK 月下载量，标志着 MCP 从一家公司的技术方案成为行业基础设施。
技能系统 · 能力的封装与复用
Skill 是一个结构化的自包含包，当任务落在该技能范围内时，AI 会动态加载它。一个完整的 Skill 包含四个核心组成部分：
从 Anthropic 发布 agentskills.io 标准开始，Skills 已经被 26+ 主流 AI 平台采纳。这个数字还在快速增长。
驾驭工程 · 让 AI 可靠运行的新学科
每当 AI agent 犯一个错误，工程师应该构建一个解决方案，确保这个 agent 永远不再犯这个特定的错误。
光有大模型不够，必须有"驾驭层"来管理 AI 的整个执行生命周期——人机交互、子 Agent 管理、文件系统访问、Prompt 预设、生命周期钩子、任务规划。Model 是能力，Harness 是可靠性。
为什么技术按照这个顺序演进？
五次演进不是随机发生的，而是沿着一条严密的因果链：