从 LLM 到 Harness Engineering 技术是怎么进化的呢，都解决了哪些痛点呢，一张图说明一下 
 [02] 

1. 知识拓展（打破信息孤岛）： 早期的 LLM 仅能依赖预训练的静态知识。为了让模型能获取最新的外部信息，引入了 Web Search 和 Function Call。
2. 标准统一（解决生态碎片化）： 不同大模型厂商的 Function Call 写法各异，为了实现跨平台的兼容与标准化，MCP 协议（Model Context Protocol）应运而生。
3. 降本增效（克服 Token 焦虑）： 如果把海量功能的 Tool 一次性塞入上下文，不仅冗余且极其消耗 Token。为了减少消耗、实现工具的“按需加载”，进化出了 Skill 机制。
4. 能力跃迁（从“纸上谈兵”到“下场实操”）： 即便拥有了外部知识和工具，此时的 AI 仍局限于“对话”。为了让...