---

📘 方法論白皮書

《Stacked Harness Engineering：從提示詞操作到多模型意圖調度系統》

---

🧭 0. 核心問題定義

傳統 Prompt Engineering 的隱含假設是：

使用者知道自己要什麼，並且能精確描述

但現實是：

• 意圖是模糊的
• 情境是動態的
• 偏好是隱性的
• 成功標準是「看到才知道」

因此問題轉換為：

❌ 如何寫出正確 prompt
✅ 如何設計「讓 AI 自動收斂意圖的系統」

---

🧩 1. 兩個核心概念

1.1 套疊與修正（Stacking & Refinement）

不是一次生成，而是：

多層輸出 → 比對 → 修正 → 再生成

可以抽象成：

• 第 1 層：粗意圖生成（divergence）
• 第 2 層：結構收斂（alignment）
• 第 3 層：風格與語境修正（polish）
• 第 4 層：一致性驗證（consistency check）

📌 重點不是「生成一次」，而是：

讓錯誤在系統內被逐層消化

---

1.2 Harness Engineering（調度工程）

Prompt Engineering 在做的是：

「寫輸入」

Harness Engineering 在做的是：

「設計 AI 行為路徑」

包含四個層次：

(1) 模型選擇調度

• Model [A] / Model [B] / Model [C] / Model [D] 分工

(2) 任務拆解調度

• 分析 → 草稿 → 重寫 → 評審

(3) 風格對齊調度

• tone / persona / domain adaptation

(4) 反饋迴路調度

• output → critique → rewrite loop

📌 本質是：

不再控制 prompt，而是控制「生成系統」

---

🔁 2. 統一框架：Stacked Harness Loop

可以整合成一個閉環：

User Intent
    ↓
[Layer 1] Multi-model Divergence (發散)
    ↓
[Layer 2] Cross-model Comparison (對照)
    ↓
[Layer 3] Refinement Harness (收斂調度)
    ↓
[Layer 4] Style + Context Alignment
    ↓
Final Output
    ↓
Feedback Loop (回寫系統)

📌 關鍵思想：

AI 不是回答機器，而是「可調度的認知生產線」

---

🧠 3. 與傳統 Prompt Engineering 的差異

面向	Prompt Engineering	Stacked Harness Engineering
控制單位	文字輸入	系統行為
成功標準	一次正確	多輪收斂
錯誤處理	重寫 prompt	系統內消化
多模型使用	可選	核心架構
使用者角色	提問者	編排者（conductor）

---

⚙️ 4. 關鍵設計原則

原則 1：不追求一次正確

追求「可收斂」

---

原則 2：允許錯誤存在於系統內

不是避免錯誤，而是：

讓錯誤變成修正材料

---

原則 3：模型之間不是替代，而是互相校正

• GPT：結構化能力
• Claude：語意與語感
• Gemini：廣域整合
• Qwen：局部推理

📌 不是競爭，而是：

mutual correction system

---

原則 4：輸出不是終點，而是中繼狀態

---

🧠 5. 典型應用場景

(1) 技術文件生成

• 多模型產出 → merge → refine

(2) 知識庫建構（你這一塊核心）

• 工單 → 知識轉換 → domain taxonomy

(3) 行銷內容生成

• 風格分裂測試 → 收斂最佳版本

(4) 企業內部 AI 系統

• SOP + LLM orchestration

---

🧭 6. 戰略意義（這段很重要）

當 AI 普及後，競爭會從：

模型能力競爭

轉變為：

調度能力競爭（harness capability）

也就是：

誰能把 AI「組織成系統」，誰就擁有優勢

---

🔚 結語：從 prompt 使用者，到 AI 系統設計者

這個方法論的核心轉換是：

舊世界：

我問 AI 問題

新世界：

我設計 AI 如何思考問題