大模型就是你雇的员工：从职场管理学看 AI 协作范式的三次进化

引言：一个让人秒懂的类比有没有想过，你管理 AI 的方式，其实和你管理员工的方式，是同一件事？不是比喻，是结构上的同构。这几年 AI 工程领域先后冒出三个概念：Prompt Engineering、Context Engineering、Harness Engineering。每次一个新词出现，就有人问：这到底是什么？跟上一个有什么区别？我需要学吗？这篇文章不打算用技术术语解释技术术语。我要用一条每个人都经历过、或者至少观察过的故事线来解释这一切——一家公司从 3 个人到 500 个人的成长史。先立框架：员工 = 大模型在展开故事之前，先建立这个类比的基础。大模型（LLM）本质上是一个任务执行的大脑：给它足够清晰的输入，它能产出高质量的输出；给它模糊的输入，它只能靠猜。这不就是每一个聪明员工的写照吗？员工的能力已经在那里了。问题从来不是"他够不够聪明"，而是"你有没有给他足够好的管理环境"。这个类比成立的前提，恰好也是 2023 年以来 AI 工程领域最重要的认知转变：模型能力已经不是瓶颈了——GPT-4、Claude 3、Gemini Ultra，这些模型处理日常工作任务已经绰绰有余。真正的瓶颈，是我们如何组织、引导、约束它们的工作方式。换句话说：AI 工程的核心问题，正在从"怎么做一个更聪明的模型"变成"怎么构建一个更好的管理体系"。[图1：两条平行进化路径]第一阶段：Prompt Engineering — 创业团队，老板直接下场公司里的样子想象一家刚刚创立的三人初创公司。CEO、CTO、设计师，三个人挤在一个共享办公室里。要启动一个新功能？CEO 直接走到 CTO 旁边说：“哥们，我需要一个用户登录页，支持手机号和微信，今天能搞定吗？”这个阶段，事情能不能做好，完全取决于两件事：CEO 说得清不清楚，CTO 理解得准不准。CEO 如果语焉不详，说"做个好看点的登录页"，CTO 可能做出来的东西和预期差了十万八千里。但如果 CEO 能把需求描述得足够精确、给足够多的参考、甚至画个草图——哪怕没有任何文档、没有任何流程，一个聪明的 CTO 也能做出来很好的东西。成功的关键：老板说话的艺术。AI 里的样子这就是 Prompt Engineering 的本质。2023 年 ChatGPT 爆红之后，人们发现了一件神奇的事：同样的问题，换一种问法，答案的质量天差地别。于是一门学问诞生了——如何构造高质量的提示词：✅ 角色设定："你是一位有 20 年经验的资深架构师..." ✅ 思维链："请一步步思考，先分析问题，再给出方案..." ✅ Few-shot："这里有三个例子，请按同样格式输出..." ✅ 结构化输出："请用 JSON 格式返回，包含 name、score、reason 三个字段"Prompt Engineer 研究的，就是"如何跟 AI 说话"——用什么措辞、给什么结构、设定什么角色。就像那个能精确描述需求的 CEO，一个好的 Prompt Engineer 能从同一个模型里榨出普通人榨不出来的结果。局限在哪里但三人团队的管理方式，无法撑起一家 50 人的公司。每次任务都需要 CEO 亲自下场精心描述需求，这不可持续。更根本的问题是：当任务变得复杂——需要多轮推理、需要跨任务的记忆、需要访问外部数据——光靠说话的技巧，已经不够了。提示词工程的本质是一次性的、手工的、脆弱的。你精心调教的 Prompt，换个模型就可能失效。更关键的是：它解决不了"AI 不知道背景信息"这个根本问题。第二阶段：Context Engineering — 成长期公司，开始建文档体系公司里的样子公司融了 A 轮，从 3 个人长到了 50 个人。这时候出现了一个经典问题：新来的工程师上手太慢。每次 onboarding，CEO 或老员工都要花大量时间口头解释：这个项目的背景是什么、技术栈是什么、这块代码为什么这么写、哪些接口不能随便改……于是公司开始建文档体系：技术 Wiki、产品文档、架构设计文档、新人 onboarding 手册……这个阶段的核心变化是：不再依赖"口头说清楚"