从Prompt到Graph：2026年Agent工程化术语的五个认知台阶
如果你还在用"提示词写得好不好"来衡量一个AI应用的水准，那你可能已经错过了一整轮工程范式的迁移。
过去半年，AI圈冒出一批新词——上下文工程、循环工程、图工程、无状态MCP——它们不是换个马甲的老概念，而是大模型从"会聊天"走向"能干活"的过程中，每一层控制边界外扩时留下的脚印。
把这些词按出现的先后和逻辑嵌套排开，你会发现一条清晰的主线：Prompt控制"怎么说"→Context控制"看到什么"→Harness控制"能碰什么"→Loop控制"怎么持续推进"→Graph控制"多个Loop怎么织网"。这不是术语表的字母排序，是工程控制论在Agent时代的复刻。
搞清楚这条线，再来看这12个词，就不只是"知道"了，而是知道它们各自卡在哪个位置、解决什么老问题。
第一层：调度与管控——从"套壳"到"跑图"
HARNESS（AI控制台/约束框架）。这个词是2026年初由Mitchell Hashimoto等人在讨论Claude Code架构时带起来的。它指的是模型之外的那层运行壳——权限边界、工具白名单、沙箱、输出校验、失败重试、生命周期管理，全归它管。裸LLM只会吐token，Harness决定它能不能碰这个文件、调完工具回来要不要过一道校验、跑挂了怎么兜底。所以"Agent=大模型+Harness"，不是模型自己变能干了，是壳子替它扛了责任。
CONTEXT ENGINEERING（上下文工程）。Karpathy和Tobi Lütke在2025年6月前后把它推到台前。核心不是写更长的提示词，而是在有限窗口里决定模型这一步该看什么：检索进来的文档、长期记忆、工具schema、历史对话摘要、当前任务状态——选哪些、压哪些、排什么序、过期的删掉。说白了，Prompt是Context的一部分，但Context不是"加长版Prompt"。上下文是一种有限预算，工程做的是分配，不是堆料。这一步棋走得实在巧妙，因为它把最棘手的"模型记不住长对话"问题绕了过去——不是让模型变聪明，而是每次只给它看该看的。
LOOP ENGINEERING（循环工程）。Addy Osmani在2026年6月正式命名。指的是单个Agent的自主闭环：思考→调工具→观察结果→反思→再思考，直到命中停止条件。它不神秘，本质是带模糊判断的状态机。难的是边界：多少次重试、多少token预算、什么算"真完成"。Boris Cherny那句"我不写prompt了，我写loop"就是这个意思——人退到循环外面去。
GRAPH ENGINEERING（图工程）。2026年7月Peter Steinberger一句"我们还在聊loop还是已经切到graph了"把词带火。当单个loop不够用，就把多个Agent（各自带自己的loop）排成节点+边+共享状态的图：谁先跑、谁依赖谁的输出、哪条分支失败回退到哪。图不是替代循环，图里面本来就嵌着循环，只是把视野从"一个Agent怎么转"拉到"一群Agent怎么织在一起"。
回头看，当时那单"提示词工程"更像是在模型的嘴边递小纸条，而今天这套Harness+Loop+Graph的组合，已经是在给AI搭一套完整的操作系统了。
第二层：连接与协议——标准化那根"USB-C"
MCP（Model Context Protocol，模型上下文协议）。Anthropic在2024年底开源，到2026年中期由Linux Foundation下的Agentic AI Foundation接管，OpenAI、Google、Microsoft、AWS全接了。类比"AI界的USB-C"很贴切：让Agent用一套标准方式连数据库、浏览器、内部API、文件系统，不用给每个工具手写适配。MCP管的是传输与发现——有哪些工具、怎么调、怎么鉴权，不管你上下文里放什么，那是Context Engineering的事。
STATELESS MCP（无状态MCP）。这是2026年7月28日MCP规范大版本的核心改动：砍掉initialize握手和Mcp-Session-Id，每次请求自带协议版本、客户端身份、能力声明，落到任意一台无状态实例都能处理。"无状态"指协议层不存会话，不是应用不存数据——该放数据库、向量库、client侧的还是在那儿，只是不再绑某台服务器进程。好处直接吃普通轮询负载均衡、容器随便杀、水平扩容零协调成本。企业部署MCP服务端，2026年下半年基本都奔这个去了。
第三层：智能体能力——从"被动答"到"主动干"
AGENTIC AI（智能体AI）。不是被动问答，是自主定目标→拆子任务→选工具→执行→看反馈→纠偏。判断标准就一条：离了人盯盘能不能自己推进多步任务。Claude Code、Cursor Agent、Manus这类都算。
MULTI-AGENT SYSTEMS（多智能体系统）。Agentic AI的"多人版"。不同角色（PM Agent、Coder Agent、Reviewer Agent、SRE Agent）各有loop，通过Graph或消息总线协作。注意：多智能体不等于把同一个模型起五个副本，分工边界和交接契约才是难点。Anthropic多智能体报告里提到早期乱起50个子Agent的协调失败，靠的还是把prompt写清楚——这又绕回了Context层。
RAG 2.0（检索增强生成2.0）。传统RAG是"切块→向量化→相似度捞Top-K"。2.0把知识图谱、查询重写、多路召回、交叉重排、元数据过滤、上下文压缩拼进来，有的还把Graph RAG算进去做多跳推理。本质是从"语义相似即相关"升级到"带结构、带置信度、带重排的相关"。提醒一句：RAG 2.0不是某个官方版本号，是社区对新一代检索管线的统称，别当正式规范背。
MEMORY LAYERS（记忆层）。仿人脑的分层：工作记忆（本轮上下文里的临时状态）、短期记忆（最近几轮对话摘要）、长期记忆（向量库+结构化档案+用户偏好），再往上可能还有程序性记忆（SKILL.md之类写死的项目知识）。关键认知：记忆不在模型权重里，在模型外面的存储和注入逻辑里。所谓"AI记住你"，是Context Engineering在每一步把对的记忆片段拣回来塞进窗口。
第四层：底座——工具、存储与定制
TOOL USE & FUNCTION CALLING（工具调用与函数调用）。模型输出一段结构化意图，运行时截获、执行、把结果喂回上下文。没有这层，Agent和Loop都跑不起来——它是Agentic AI的"手"。
VECTOR DBs（向量数据库）。高维嵌入的存储+ANN检索引擎，扛语义搜索、长期记忆检索、RAG召回。2026年它不再是孤岛，常和图数据库、KV存储混布，作为Memory Layers和RAG 2.0的底层一块砖。
FINE-TUNING（微调）。用领域语料继续训练，改权重不改架构。2026年语境下它退居二线了——很多场景Context Engineering+RAG+好prompt比微调便宜且可逆。但医疗、法律、代码风格强绑定场景，SFT或LoRA仍有一席之地。
最后说三点启示
一是别再把"提示词工程"当终点了。2026年的战场在Context和Harness，谁能管好信息窗口和权限边界，谁的系统才真正能跑起来。
二是新词冒得快（Loop到Graph只隔六周），但底下全是老控制论和工作流引擎的熟人。追词不如追主线——那条从Prompt到Graph的五层嵌套，才是真正值得画在笔记本第一页的东西。
三是这些术语不是互相替换的排行榜，而是同一套系统在五个层次上的不同切面。下次有人跟你聊"我用了RAG 2.0"，你可以多问一句：你的Context层怎么管的？Loop跑到第几步停？这比单纯比谁的检索准，要深一个量级。
你的团队现在卡在Agent落地的哪一层？是Context窗口撑不住，还是多Agent协作时总"打架"？欢迎在评论区聊聊你踩过的坑。
