圖/文: CCChen 陳正健｜就享知 DigiKnow × CCChen產業觀察室

研究基準：2026年9月

核心關鍵字：AI應用工程、Prompt Engineering、Context Engineering、Agent Skills、Harness Engineering、Loop Engineering、AI Agent、Agentic AI、AI治理、企業AI導入

2026年的AI應用工程正在發生一個比「模型又變強了」更值得企業關注的變化：競爭焦點逐步從Prompt Engineering（提示工程），擴張到Context Engineering（上下文工程）、Agent Skills（代理技能）、Harness Engineering（代理執行框架工程）與Loop Engineering（循環工程）。

CCChen認為，這不是五個流行名詞的替換，而是AI由「回答問題」走向「持續完成任務」後形成的工程分層：

Prompt → Context → Skill → Harness → Loop

對企業而言，真正的AI能力正在從「員工會不會下Prompt」，升級成「企業能不能把知識、技能、工具、權限、驗證與回饋設計成可重複運作的AI系統」。

一、2026 AI工程真正的轉折：模型之外的系統開始決定成敗

2023年生成式AI爆發時，大多數企業接觸AI的第一課是Prompt Engineering。

大家研究角色設定、Few-shot Prompting、Chain-of-Thought、輸出格式、限制條件，希望透過更好的指令取得更好的答案。

這沒有錯。但到了2026年，問題已經不同。

當企業希望AI不只是「幫我寫一份報告」，而是要求它查詢資料、閱讀企業文件、呼叫工具、操作系統、持續執行任務並驗證結果時，單靠一段Prompt已經不足。

Microsoft目前對Agent Harness的定義非常具有代表性：Harness是將語言模型轉化成能執行工作的Agent之runtime scaffolding（執行期支架），負責驅動模型與工具呼叫、管理對話狀態及Context、套用核准政策，並讓Agent持續處理多步驟任務。

Cloudflare也採取相近觀點，把Harness描述成讓Agent具有Agent行為的循環層，涵蓋Prompt建立、Memory載入、工具選擇、工具結果處理、訊息保存，以及決定繼續或停止。

因此，我認為企業應該重新理解AI應用工程：

LLM只是能力核心，不等於完整AI應用。

真正能進入企業Production（正式營運）的AI，還需要Context、Knowledge、Skill、Tool、Permission、Memory、State、Evaluation、Logging與Human Oversight。

這也是為什麼2026年的AI討論逐漸由「哪個模型比較強」，進入「如何把模型包裝成可靠工作系統」。

這個變化可濃縮成五個工程層次：

Prompt → Context → Skill → Harness → Loop

但必須特別說明：這不是全球已有單一標準組織正式制定的「AI五階段成熟度模型」。目前公開資料比較支持的說法是，Prompt、Context、Skills、Harness與Loop正形成相互重疊、彼此組合的Agentic Engineering工程層；CCChen在本文將其整理成一條企業較容易理解的演變鏈，而不是宣稱它們已成為統一業界標準。

二、Prompt → Context：企業開始發現「問得好」不如「給對資料」

Prompt Engineering：控制一次互動

Prompt Engineering處理的核心問題，可以簡化成：

我要如何告訴AI做什麼？

例如：

「你是一位品質工程師，根據以下客訴資料使用5Why分析根本原因，最後以8D格式輸出。」

這裡主要控制：

Role（角色）＋Task（任務）＋Constraint（限制）＋Example（範例）＋Output Format（輸出格式）。

對一般知識工作，這仍然非常重要。

但進入企業場景，很快就會碰到第二個問題：

AI根本不知道公司的產品、客戶、SOP、歷史異常與管理制度。

這不是Prompt寫得不夠漂亮，而是Context不足。

Context Engineering：控制模型現在看得到什麼

Context Engineering的問題變成：

這一次推論，AI應該看到哪些資訊？

Context可能包含：

使用者問題、System Instruction、企業文件、RAG檢索結果、資料庫紀錄、歷史對話、Memory、工具執行結果，以及前一個Agent傳回的資訊。

因此AI工程的核心開始從：Write a Better Prompt

轉向：Build the Right Context。

這對企業尤其重要。

因為企業真正有價值的AI差異化，往往不在通用模型，而在：

Model Capability × Enterprise Context

同一個模型，如果一邊只能看到網路通用知識，另一邊可以安全取得企業20年的設備維修紀錄、品質異常、SOP、客訴8D與工程Know-how，最後產生的企業價值完全不同。

三、Context → Skill：從「每次重新教」走向可重用能力

Context解決了「AI知道什麼」。

下一個問題則是：AI知不知道怎麼做？

這就是2026年Agent Skills快速受到重視的原因。

Microsoft Agent Framework目前將Agent Skills定義為可攜式的Instructions、Scripts與Resources組合，用來賦予Agent專門能力與Domain Expertise（領域專業），並透過Progressive Disclosure（漸進揭露）機制，只在需要時載入相關Context。

換成企業語言，可以理解成：

Prompt告訴AI這次怎麼做；Skill把反覆需要的方法封裝成可以重複使用的能力。

例如製造業可以建立：

品質異常分析Skill、8D Skill、FMEA Skill、設備故障分析Skill、ISO文件審查Skill、供應商稽核Skill。

一個「客訴分析Skill」不只是幾句Prompt，而可以包含：

標準分析步驟、資料需求、8D模板、5Why方法、品質術語、輸出格式、驗證Checklist，以及需要呼叫的內部工具。

2026年的研究甚至已開始討論Skill Harnessing。

一篇由University of Adelaide與CSIRO研究人員提出的研究，透過37個系統與51篇文獻進行多來源分析，提出Skill在真正執行時還涉及Supply Chain、Mediation、Execution Control與Evidence & Feedback等責任層。

這是一個重要訊號：Skill不只是Prompt Template。

當Skill可以呼叫程式、資料與工具，它本身也開始成為需要版本、權限、來源與驗證管理的企業資產。

四、Skill → Harness：真正困難的是如何讓AI「安全地做事」

如果Skill回答的是：AI會做什麼？

那麼Harness回答的就是：

AI在什麼環境、規則與權限下做？

這是2026年我認為企業高階主管最需要理解的新概念之一。

Microsoft Agent Framework目前的Harness架構包含Chat Client、Chat Pipeline、Agent與Context Provider、Middleware、Approval Handling、Observability以及Bounded Looping等能力。

Anthropic在2026年4月討論Managed Agents時，也明確指出Harness會編碼模型能力與執行環境的假設，而且這些假設會隨模型能力進步而過時，因此Harness本身需要持續調整。

這說明企業AI工程已開始出現新的核心公式：

Agent ≠ Model

更接近：

Agent Capability = Model × Context × Skills × Tools × Harness

其中Harness負責把能力限制在企業允許的邊界內。

因此Harness至少需要處理：

Identity → Permission → Tool → State → Memory → Approval → Logging → Evaluation → Recovery

這與企業AI治理開始高度重疊。

過去治理可能是一份AI Policy；到了Agentic AI時代，治理必須變成真正的Engineering Control（工程控制）。

五、Harness → Loop：AI開始由單次回答進入持續執行

第五層是Loop Engineering。

它處理的不是AI「這一次回答什麼」，而是：

如果第一次沒有完成，下一步怎麼辦？

典型Agent Loop可以理解為：

Observe → Reason／Plan → Act → Check → Update Context → Retry／Continue → Stop

Loop讓AI可以：

讀取狀態、規劃工作、呼叫工具、檢查結果、修正錯誤、再次執行，直到符合完成條件。

因此Loop Engineering真正需要管理的不是「讓AI一直跑」，反而是：

何時繼續？何時重試？何時換策略？何時升級給人？何時必須停止？

Cloudflare目前的Harness文件已將「決定Agent是否繼續或停止」列入核心行為；Microsoft Harness也支援可設定iteration limit的function invocation與bounded looping。

所以Loop如果沒有Harness，反而可能放大風險。

一個錯誤回答可能只錯一次。

一個錯誤的自主Loop，卻可能：錯誤 → 執行 → 再讀取錯誤結果 → 再執行 → 持續放大。

這也是為什麼Harness Engineering與Loop Engineering最後一定會走向AI Governance。

六、實際案例一｜製造業品質異常AI Agent

假設一家中小型製造廠，每月發生大量品質異常。

過去QA收到異常後，需要人工查詢：MES製程資料、ERP批次、檢驗報告、SOP、歷史8D、客訴紀錄、模具／設備資訊。

傳統生成式AI可能只能做到：

「請幫我分析這個品質異常。」

但使用本文五層架構後，可以重新設計。

Prompt Layer：定義AI角色、分析目標及8D輸出格式。

Context Layer：透過RAG取得該產品SOP、歷史異常、製程參數與客訴資料。

Skill Layer：載入8D、5Why、4M1E、FMEA等品質分析Skill。

Harness Layer：限制Agent只能讀取指定MES資料；不得自行修改品質判定；建立完整Log；涉及放行必須人工核准。

Loop Layer：AI檢查資料完整性→搜尋歷史案例→提出可能原因→比對證據→資料不足時再查詢→產生初步改善建議→QA確認。

流程因此由：異常 → 人工搜尋 → 人工整理 → 人工分析

轉成：異常 → Context Retrieval → Quality Skill → Agent Analysis → Evidence Check → Human Approval。

真正值得衡量的KPI不是「AI回答得很漂亮」，而是：

品質分析Lead Time、每件異常人工搜尋工時、重複異常率、8D完成時間與知識重用率。

這才叫AI落地。

七、實際案例二｜設備維護Agent：從聊天機器人走向閉環工作流

第二個案例是假設工廠設備出現異常振動。

如果只有Prompt Engineering，可以把感測數據貼給AI，詢問：「可能是哪一種故障？」

但進入Agentic AI後，架構可以變成：

Sensor／AIoT → Anomaly Detection → Agent → Maintenance Skill → Historical Context → CMMS／MES → Human Approval → Work Order

Agent首先讀取異常訊號，再取得設備型號、最近維修紀錄、操作條件與故障手冊。

接著載入Maintenance Skill，執行標準診斷程序。

Harness則限制它：可以讀取設備資料、可以建立「草稿工單」、可以通知維修工程師，但不得自行停機或改變安全參數。

Loop負責確認：資料是否足夠 → 是否找到相似故障 → 是否需要額外Sensor資料 → 建議是否通過驗證 → 是否達到建立工單條件。

這裡最重要的工程觀念不是「AI越自主越好」。

而是：

Autonomy should be bounded by risk.

自主程度必須由風險決定。

低風險任務可以自動完成；涉及Safety、品質放行、設備控制或重大採購時，應保留Human-in-the-loop（人在迴路）與Manual Override（人工接管）。

八、CCChen觀察：企業真正要建立的是「AI應用工程能力」

我在**就享知 DigiKnow「CCChen產業觀察室」**持續觀察AI Agent、製造AI、AI治理、資安與數位轉型後，認為2026年的變化可以濃縮成一句話：

AI正在從Prompt能力，轉變成System Engineering能力。

Prompt Engineering沒有消失。RAG也沒有過時。

Context、Skill、Harness、Loop同樣不是誰「取代」誰。

更精確的理解應該是：

Prompt決定怎麼問；Context決定AI看到什麼；Skill決定它會怎麼做；Harness決定它能在哪些邊界內做；Loop決定它如何持續做到完成。

因此：

Prompt → Context → Skill → Harness → Loop

不是五個彼此競爭的新名詞，而是一個逐步擴大的AI工程視角。

這也會改變企業AI人才需求。

未來企業真正稀缺的，可能不只是Prompt Engineer，而是能把：

Business Pain → Process → Data → Context → Skill → Agent → Tool → Harness → Governance → KPI／ROI

全部接起來的AI應用規劃與跨域整合人才。

這和製造業非常相似。買一台性能最好的機器，不代表產線一定最好。

真正的製造能力來自：設備＋製程＋材料＋參數＋SOP＋品質控制＋人員＋持續改善。

AI也是如此。最強的模型只是「設備」。

真正形成企業競爭力的是模型周圍那整套可以重複、驗證、治理與改善的生產系統。

因此，我對2026～2027年企業AI競爭的判斷是：

Model Competition → Context Competition → Skill Competition → Harness Competition → Operational Excellence

最後勝負可能不只取決於「誰拿到最強模型」，而是誰能最快把企業知識封裝成Context與Skills，再透過可靠Harness與受控Loop，轉化成真正的營運成果。

這也是就享知 DigiKnow × CCChen陳正健－CCChen產業觀察室希望持續追蹤的方向。

AI真正的下一階段，不只是讓模型更聰明，而是把聰明變成可控制、可重用、可驗證、可規模化的企業能力。

給企業經理人的快速FAQ

Q：Prompt Engineering是不是過時了？

不是。Prompt仍是最底層的重要介面，只是不足以單獨支撐複雜企業Agent。

Q：Skill跟RAG有什麼不同？

RAG主要解決「取得什麼知識」；Skill更偏向「按照什麼方法完成工作」。Microsoft目前把Skill描述為包含instructions、scripts與resources的可攜能力包。

Q：Harness最接近企業既有的什麼概念？

可以把它理解為AI Agent的「執行環境＋控制層」：工具、權限、狀態、核准、觀測與循環控制都在這裡發生。

Q：企業現在應該直接做全自主Agent嗎？

不建議用「自主程度」本身當目標。應先依Business Value、Data Readiness、Risk與可驗證性決定自主範圍，高風險操作保留人工核准。

作者介紹｜CCChen 陳正健

CCChen具化工與材料碩士背景，長期投入製造業品質與ISO管理，並跨域研究AI應用規劃、Agentic AI、數位轉型、資安、AI治理及淨零永續。於**就享知 DigiKnow「CCChen產業觀察室」**持續從公開證據、產業政策與製造現場出發，將複雜AI技術轉譯成企業經理人能理解、判斷與實際執行的方法。

參考資料｜交叉查核來源

1. Microsoft Learn：Agent Harness — Harness架構、Context、工具呼叫、Approval、Observability與Loop。
2. Microsoft Learn：Agent Skills — Agent Skills定義、Progressive Disclosure及Harness整合。
3. Anthropic：Scaling Managed Agents — 長時間Agent與Harness設計演進。
4. Cloudflare：Harnesses — Agent Loop、Memory、Tool Selection與停止機制。
5. United Nations University：Engineering and Governing the Agent Harness — Harness作為Agentic AI執行與治理層的2026研究。
6. Xia, B., Zhu, L., Xing, Z., Lu, Q., Sejdinovic, D., & Xu, X. (2026). Harnessing Agent Skills: Architectural Patterns and a Reference Architecture for Skill-Mediated LLM Agents. — 以37個系統、51篇文獻建立Skill Harnessing架構。