Prompt 工程、Context 工程、Loop、Harness 是什麼？用整理 200 張收據一次看懂

這是鴨編的觀點。先講一個你大概有過的經驗：你叫 AI 幫你整理一份很長的資料，前面幾筆它做得漂亮，做到一半開始亂、最後幾筆根本是編的。 你以為是模型不夠強，所以去換了更貴的模型——結果還是一樣。

---

問題不在模型，在你沒管好那四件事

這兩年，你一定在簡報、貼文、工具官網上看過這四個詞：

Prompt 工程、Context 工程、Loop、Harness。

它們常常被混在一起講，好像是同一件事的不同說法。其實不是。 它們各自在管一件完全不同的事，而且你只要漏掉其中一個，成果就會爛在那一個地方。

鴨編不想給你四段定義（定義你 Google 得到）。我們直接拿一件雜事來拆——你手上有 200 張收據，要整理成一張報帳表。

這件事你自己做要三小時，所以你想交給 AI。好，那我們就從「你怎麼交代」開始。

---

先看一眼全圖

這張圖等一下會一格一格拆開。你先記住它的形狀就好：三個在裡面做事，一個在外面管事。

---

① Prompt 工程：你交代的那句話

它管的問題是：「你到底要它做什麼？」

你走到實習生面前說：「這些收據幫我整理一下。」——這就是一句爛交代。整理成什麼？Excel 還是手寫？要不要分類？發票跟收據算同一種嗎？

換成這樣：

「每張收據抓三個欄位：日期、品項、金額。輸出成 CSV，一張一列，日期用 2026-09-12 這種格式。看不清楚的欄位填「無法辨識」，不要猜。」

（CSV 就是 Excel 打得開的表格檔。你得講到這麼細——因為「整理一下」對 AI 來說，跟對一個第一天上班的人一樣模糊。）

同一顆模型、同一批收據，光是改這句話，成果就差一大截。這就是 Prompt 工程——把你腦中的標準，寫成對方看得懂的字。

換句話說：Prompt 就是點餐單。你說「來份餐」，廚師只能用猜的；你說「牛肉麵，麵少湯多不要香菜」，才可能端對。

漏掉它會怎樣：格式每次都不一樣，你花在重排的時間比自己做還久。

但請注意：這一層只解決「它知不知道要做什麼」。它完全沒有解決「它手上有沒有料」。很多人卡在這裡——prompt 寫得再漂亮，資料沒進去，它還是只能編。

---

② Context 工程：它眼前到底有哪些東西

它管的問題是：「這一輪，它手上該有哪些料？」

這裡有個殘酷的物理限制：AI 一次讀得下的量是有上限的。 這個上限叫 context window（上下文窗口），你可以把它想成實習生的辦公桌——桌子就這麼大，東西堆超過了，先放的那疊就會被擠下去。

200 張收據一次全丟進去會發生什麼事？

前面的被擠掉之後，它不會跟你說「我看不到了」。它會憑印象接著寫——於是你就拿到那份「前面漂亮、後面亂編」的報表。

所以你要做的事變成：這一輪只餵 20 張，做完留一句「已處理 20 張，累計 8,400 元」的摘要，再餵下一批。 決定「什麼該進去、什麼該留下、什麼可以丟掉」，這件事就叫 Context Engineering。

鴨編的話：Prompt 工程是「你講的話」，Context 工程是「它桌上的東西」。這兩個最常被搞混，但差別其實很好記——一個管交代，一個管給料。 你對著一張空桌子講再清楚的話，也生不出報帳表。

漏掉它會怎樣：它開始漏單、開始編金額，而且你看不出是哪幾張出的錯。

順帶一提，桌子上的東西是要算錢的——每一批資料都在燒 Token。Context 工程做得好，不只準，還比較便宜。

---

③ Loop：一次做一張，做 200 遍

它管的問題是：「這件事要分幾次做完？」

一般人用 AI 的習慣是：丟一個問題，拿一個答案，結束。這叫一問一答。

但 200 張收據不是一問一答能解的。它得轉圈：

1. 讀一張收據
2. 填進表格一列
3. 對一下金額跟收據上是不是一樣
4. 換下一張，前一張就放掉

然後回到第 1 步，再來一次。200 次。這個「做完一輪，看結果，決定下一輪做什麼」的循環，就是 Loop（迴圈）。站上的 OpenClaw Agent 完全指南 講的 Think → Act → Observe → Decide 四步，講的就是同一件事。

Loop 的重點不是「重複」——重點是每一輪結束時它會看一眼結果，再決定下一步。 這一張讀不出來？那就標記起來繼續，而不是整批停擺。這也是 Agent 和聊天機器人真正的分水嶺。

換句話說：一問一答像你問路人「台北車站怎麼走」；Loop 像你開導航——每走一段它就重新看一次你在哪，然後告訴你下一個路口。

漏掉它會怎樣：你被迫把 200 張塞進一次對話（然後回到第 ② 節那個災難），或者你自己坐在那裡複製貼上 200 次——那 AI 到底幫你省了什麼？

---

④ Harness：站在外面管事的那層

前面三件事，講的都是「怎麼把任務做完」。但還有一個問題沒人回答：

做壞了怎麼辦？

• 第 87 張收據的金額，AI 算出來跟收據上不一樣——它該停下來，還是照填？
• 某張圖片模糊到讀不出來——重試一次？跳過？還是整批中止？
• 它跑到第 300 次還在轉——誰喊停？
• 它突然想「順手幫你把舊報表刪掉整理一下」——誰擋？

做這些決定的東西，就是 Harness。它是包在模型外面的那層控制機制，負責設邊界、驗成果、處理錯誤、決定什麼時候收工。

鴨編在 拆解 AI Agent 那篇把它比喻成廚房裡的行政主廚。這篇換個角度講會更貼近你：Harness 就是那個站在實習生旁邊驗收的人。 實習生再認真，沒人驗收，錯的東西照樣送出去。

鴨編的話：模型不會自己知道「我不確定」。它被訓練成永遠給你一個答案——所以「不准編、不確定就停下來問人」這條規矩，永遠得由外面的人（或程式）來訂。這就是為什麼 Harness 不能省。

漏掉它會怎樣：這是四個裡面唯一一個「出事你當下看不出來」的。前三個做爛，報表會很明顯地爛；Harness 缺席，報表會看起來很完整——然後你拿去報帳，才發現第 87 列的金額是它編的。

---

四個詞，一張表收好

名詞	它管的問題	在報帳這件事上	沒做好會怎樣
Prompt 工程	你要它做什麼	「抓日期／品項／金額，輸出 CSV，不確定就填無法辨識」	格式每次不一樣，你重排到死
Context 工程	它眼前有哪些料	一批 20 張，做完留摘要再換下一批	漏單、編金額，且查不出錯在哪
Loop	分幾次做完、每輪看什麼	讀一張→填一列→對金額→下一張，轉 200 圈	塞爆一次對話，或你自己貼 200 次
Harness	做壞了怎麼辦、什麼時候停	對不上就停下來問人；不准自己編；做完 200 張收工	報表看起來很完整，其實有幾列是假的

一句話版本：Prompt 是交代，Context 是給料，Loop 是節奏，Harness 是驗收。

---

鴨編的碎碎念：為什麼這四個詞會被講成一團

有兩個原因，都跟技術無關。

第一，「Prompt 工程」這個詞被賣爆了。 前幾年滿街都是「提示詞大全」「百萬年薪提示詞工程師」，於是大家以為用好 AI ＝ 把咒語寫好。結果一堆人把咒語練到出神入化，卻在「資料根本沒進去」這一關全軍覆沒。

第二，「Context 工程」這個詞是這一兩年才紅起來的。 它紅起來的原因很現實：大家終於發現，模型越來越強之後，剩下的失敗幾乎都不是模型笨，是它手上根本沒有正確的料。這個詞的出現，等於是在說「別再調咒語了，去管你的資料」。

至於 Loop 和 Harness，這兩個一直是工程圈內部的詞，很少對外講——因為它們不性感，不是你買了就會變厲害的東西。但它們恰好是決定一個 AI 工具能不能真的交付工作的那兩層。

鴨編的偏見：如果你只有時間搞懂一個，選 Context 工程。因為它是投報率最高的——同一顆模型、同一句 prompt，光把料餵對，成果就會好一大截。

---

所以，這跟你有什麼關係

你不用會寫程式，但這四個詞給你一把評估 AI 工具的尺。下次有人跟你推銷一套 AI 助理，別只問「你們用哪個模型」。問這四句：

1. 「我要怎麼告訴它我的規矩？」（有沒有地方寫 Prompt／系統提示詞）
2. 「我的資料怎麼進去？超過它讀得下的量時會怎樣？」（有沒有做 Context 工程，還是直接塞爆）
3. 「大量的事它能自己一筆一筆做完嗎？」（有沒有 Loop，還是只能一問一答）
4. 「它做錯的時候會停下來，還是照樣交出來？」（有沒有 Harness——這句最重要，也最少人答得出來）

第 4 句你會發現很多業務答不出來。答不出來，通常就是沒有。

---

明天就能做的一件事

不用等買什麼工具。你現在手上的 ChatGPT、Gemini、Claude 就能練前兩層：

找一件你本來要做 30 分鐘的整理雜事（整理報價單、把會議記錄轉成待辦、把一疊 email 分類），然後刻意做兩件事：

1. 把規矩寫出來再開口——欄位、格式、不確定時怎麼辦。這是 Prompt 工程。
2. 不要一次全丟——分成幾批，每批做完請它給你一句摘要，再餵下一批。這是 Context 工程。

做完你會很明顯感覺到：成果的穩定度，跟你換不換模型沒什麼關係。

至於 Loop 和 Harness——那是當你想讓這件事自己跑完、不用你盯著的時候，才需要的東西。那就是 Agent 的領域了。

一句話收尾：模型決定它有多聰明，另外這四件事決定它有沒有用。 而這四件事，全部都是你能控制的。

---

🔗 延伸閱讀

• 🧠 Harness 那層的完整拆解 → 拆解 AI Agent：Skill、工具、Harness 三層
• ✍️ Prompt 怎麼寫才有效 → Prompt 工程入門
• 📦 Context 與記憶怎麼管 → AI Agent 記憶系統指南
• 🔁 Loop 在真實 Agent 裡長什麼樣 → Agent 是什麼
• 💰 餵料是要算錢的 → Token 經濟學

有想法想跟鴨編討論？到 首頁討論區 聊聊！