# [Prompt、Context、Harness 엔지니어링 전경도] LLM Agent 만들 때 아직도 Prompt만 붙잡고 있으면 절반만 보고...
Canonical: https://social-archive.org/yena/FDCfxLYUFL
Original URL: https://x.com/AI_Caffeine/status/2066756131910004933
Author: AI 카페인 ☕️
Platform: x
## Content
[Prompt、Context、Harness 엔지니어링 전경도] LLM Agent 만들 때 아직도 Prompt만 붙잡고 있으면 절반만 보고 있는 걸 수도 있음. 진짜 안정적이고 통제 가능하고 재현 가능한 AI 앱은 보통 3층으로 돌아감. · Prompt Engineering · Context Engineering · Harness Engineering 이걸 정리하면: · Prompt는 뭘 할지 정하고 · Context는 뭘 알고 있을지 정하고 · Harness는 그걸 얼마나 믿을 수 있게 돌릴지 정함. 1. Prompt Engineering 가장 안쪽 레이어. 여기서는 모델한테 · 너는 누구인지 · 뭘 해야 하는지 · 어떤 순서로 할지 · 뭘 지켜야 하는지 · 어떤 형식으로 낼지 이걸 정해줌. 즉, 이번 한 번의 출력 품질을 잡는 층임. 근데 한계도 명확함. 프롬프트만 잘 써서는 모델이 항상 최신 정보, 정확한 정보, 충분한 정보를 갖고 있다고 보장할 수 없음. 2. Context Engineering 중간 레이어. 여기서 중요한 질문은 이거임. 모델이 답하기 전에, 무엇을 알아야 하냐 실제 제품에서는 모델이 그냥 자기 머리만 믿고 답하면 안 됨. · 사용자 입력 · 이전 대화 · 문서 · 검색 결과 · DB · API 응답 · 툴 실행 결과 · 단기/장기 메모리 이런 걸 가져와서 찾고 → 걸러내고 → 압축하고 → 정렬해서 딱 필요한 만큼만 넣어줘야 함. 핵심은 더 많이 넣는 게 아니라 딱 필요한 정보만 넣는 것. 정보가 부족하면 지어내고, 정보가 너무 많으면 핵심을 놓침. 3. Harness Engineering 가장 바깥 레이어. 여기가 진짜 데모와 실전의 차이를 만듦. 포함되는 건 대충 이런 것들: · agent loop · tool calling · guardrails · error handling · logging · eval · testing · versioning · cost control · monitoring 쉽게 말하면 Prompt가 지시문이고 Context가 정보라면 Harness는 운영체제에 가까움. 좋은 agent는 그냥 답만 잘하는 게 아니라 · context를 모으고 · 행동하고 · 결과를 검증하고 · 실패하면 다시 수정하고 · 조건 맞을 때까지 반복 이 루프를 안정적으로 돌릴 수 있어야 함. 여기서 핵심은: Prompt는 작업을 정하고, Context는 지식을 정하고, Harness는 신뢰성을 정한다. 많은 AI 앱이 별로인 이유도 모델이 나빠서가 아니라 이 3층 설계가 비어 있어서인 경우가 많음. 보통 망하는 패턴은 이거임. Prompt: 목표가 흐림 Context: 정보가 너무 많거나 너무 적음 Harness: 검증, 로그, 복구, 평가가 없음 그래서 겉으로는 똑똑해 보여도 실제로는 못 믿는 agent가 나옴. 내 생각엔 앞으로 중요한 건 프롬프트 한 줄 잘 쓰는 능력보다 Prompt + Context + Harness를 한 시스템으로 설계하는 능력임. 한 줄 요약: Prompt가 AI를 움직이게 한다면, Context는 방향을 잡고, Harness는 끝까지 믿고 맡길 수 있게 만든다. #AI #AICaffeine #Harness