Pe scurt. Un agent harness înseamnă tot ce e într-un AI agent în afară de model: bucla (loop-ul) care îi permite modelului să acționeze, uneltele pe care le poate apela, contextul pe care îl primește, memoria pe care o păstrează, permisiunile și aprobările din jurul lui și verificările care îi prind greșelile. Formula scurtă este Agent = Model + Harness. Harness engineering înseamnă munca de a îmbunătăți acest înveliș, astfel încât fiecare greșeală a agentului să fie reparată o singură dată, în sistem, nu de fiecare dată într-un prompt.
Ce este un agent harness?
Un model mare de limbaj, singur, doar transformă text în alt text. Ca să lucreze, are nevoie de ceva în jurul lui care să-i trimită o sarcină, să ruleze uneltele pe care le cere, să-i dea înapoi rezultatele, să decidă când să se oprească și să-l împiedice să facă ce nu trebuie. Acest sistem din jur este harness-ul.
LangChain o spune direct: „Dacă nu ești modelul, ești harness-ul. Un harness este orice bucată de cod, configurație și logică de execuție care nu e modelul în sine.” Birgitta Böckeler de la Thoughtworks, într-un articol pe site-ul lui Martin Fowler, folosește aceeași formulă: termenul înseamnă „tot ce e într-un AI agent în afară de model”. Un studiu din iulie 2026 despre unsprezece agenți de programare îl descrie ca runtime-ul care leagă un model de lume „printr-o buclă, unelte, managementul contextului, controale de siguranță, orchestrare și puncte de extensie.”
Probabil ai folosit deja unul. Claude Code, Codex CLI de la OpenAI, agentul din Cursor, Gemini CLI și unelte open-source precum OpenHands, Aider și Pi sunt toate harness-uri în jurul unui model. La fel și SDK-urile cu care îți construiești propriii agenți: Anthropic descrie Claude Agent SDK drept „un agent harness puternic, de uz general”, iar LangChain numește Deep Agents „un agent harness de uz general, cu tot ce trebuie inclus”. Dacă diferența dintre un agent și un chatbot e nouă pentru tine, începe cu agentic AI vs AI agents.
Din ce e făcut un agent harness
- Parte: Bucla agentului (loop)Ce face: Trimite sarcina, rulează uneltele cerute, returnează rezultatele, decide când se opreșteCine o deține de obicei: Furnizorul sau SDK-ul
- Parte: Unelte și conexiuni MCPCe face: Permit modelului să citească și să schimbe sistemele tale: CRM, magazin, ERP, fișiereCine o deține de obicei: Tu
- Parte: Managementul contextuluiCe face: Alege ce intră în fereastră; comprimă istoricul vechiCine o deține de obicei: Furnizorul, ajustat de tine
- Parte: Memorie și stareCe face: Notițe, fișiere de progres și loguri care trăiesc mai mult decât o sesiuneCine o deține de obicei: Tu
- Parte: Permisiuni și aprobăriCe face: Ce acțiuni rulează singure, care așteaptă un omCine o deține de obicei: Tu
- Parte: SandboxCe face: Unde rulează cod și comenzi fără să atingă producțiaCine o deține de obicei: Furnizorul sau tu
- Parte: Ghiduri și senzoriCe face: Instrucțiuni înainte ca agentul să acționeze; teste, lintere și eval-uri dupăCine o deține de obicei: Tu
- Parte: OrchestrareCe face: Subagenți, predări, pașii simpli trimiși la modele mai ieftineCine o deține de obicei: Furnizorul sau tu
- Parte: TracingCe face: O evidență a fiecărui apel, rezultat de unealtă și decizieCine o deține de obicei: Furnizorul, citit de tine
| Parte | Ce face | Cine o deține de obicei |
|---|---|---|
| Bucla agentului (loop) | Trimite sarcina, rulează uneltele cerute, returnează rezultatele, decide când se oprește | Furnizorul sau SDK-ul |
| Unelte și conexiuni MCP | Permit modelului să citească și să schimbe sistemele tale: CRM, magazin, ERP, fișiere | Tu |
| Managementul contextului | Alege ce intră în fereastră; comprimă istoricul vechi | Furnizorul, ajustat de tine |
| Memorie și stare | Notițe, fișiere de progres și loguri care trăiesc mai mult decât o sesiune | Tu |
| Permisiuni și aprobări | Ce acțiuni rulează singure, care așteaptă un om | Tu |
| Sandbox | Unde rulează cod și comenzi fără să atingă producția | Furnizorul sau tu |
| Ghiduri și senzori | Instrucțiuni înainte ca agentul să acționeze; teste, lintere și eval-uri după | Tu |
| Orchestrare | Subagenți, predări, pașii simpli trimiși la modele mai ieftine | Furnizorul sau tu |
| Tracing | O evidență a fiecărui apel, rezultat de unealtă și decizie | Furnizorul, citit de tine |
Împărțirea lui Böckeler e utilă când te gândești la verificări. Ghidurile (guides) direcționează agentul înainte să acționeze (instrucțiuni, reguli, exemple). Senzorii (sensors) îi verifică munca după (teste, type checkere, un reviewer AI). Ambele pot fi cod simplu sau alt model. Ideea ei despre oameni merită păstrată: un harness bun „nu ar trebui neapărat să elimine complet intervenția umană, ci să o îndrepte acolo unde contează cel mai mult.”
Ce este harness engineering?
Mitchell Hashimoto i-a dat numele în februarie 2026: „de fiecare dată când vezi că un agent face o greșeală, îți iei timp să construiești o soluție astfel încât agentul să nu mai facă niciodată acea greșeală.” Reparația intră în harness, un test nou, o unealtă care returnează erori mai clare, o regulă în fișierul proiectului, nu într-un prompt mai lung.
Ryan Lopopolo de la OpenAI a descris cum arată asta la scară mare. O echipă a pornit un repository gol la sfârșitul lui august 2025 și, cinci luni mai târziu, acesta avea cam un milion de linii de cod, fără cod scris manual. Trei ingineri care conduceau Codex au făcut merge la aproximativ 1.500 de pull requests, cam 3,5 pe inginer pe zi. Rezumatul lor: „Oamenii direcționează. Agenții execută.” Treaba inginerilor a devenit „să proiecteze medii, să specifice intenția și să construiască bucle de feedback”, iar când agentul se împotmolea, căutau ce lipsea, „unelte, limite de siguranță, documentație”, și adăugau în repository.
Prompt vs context vs harness engineering
- : Prompt engineeringLucrează pe: Instrucțiunile dintr-un singur mesajReparație tipică: Rescrii instrucțiuneaLa ce întrebare răspunde: Cum întreb?
- : Context engineeringLucrează pe: Tot ce ajunge în fereastrăReparație tipică: Aduci documente mai bune, tai din istoricLa ce întrebare răspunde: Ce vede modelul?
- : Harness engineeringLucrează pe: Runtime-ul din jurul modeluluiReparație tipică: Adaugi o unealtă, un test, o aprobare, un retryLa ce întrebare răspunde: Ce se întâmplă când greșește?
| Lucrează pe | Reparație tipică | La ce întrebare răspunde | |
|---|---|---|---|
| Prompt engineering | Instrucțiunile dintr-un singur mesaj | Rescrii instrucțiunea | Cum întreb? |
| Context engineering | Tot ce ajunge în fereastră | Aduci documente mai bune, tai din istoric | Ce vede modelul? |
| Harness engineering | Runtime-ul din jurul modelului | Adaugi o unealtă, un test, o aprobare, un retry | Ce se întâmplă când greșește? |
Cele trei se adună, nu se înlocuiesc. System prompt-ul este o parte a harness-ului, iar context engineering e una dintre sarcinile lui. Ce aduce în plus harness engineering este presupunerea că modelul va greși și un sistem care prinde greșelile.
Contează harness-ul mai mult decât modelul?
De obicei nu, dar contează mai mult decât cred majoritatea cumpărătorilor. Dovezile de până acum:
- Același model, harness mai bun. LangChain a păstrat fix GPT-5.2-Codex și a schimbat doar harness-ul CLI-ului său deepagents: scorul pe Terminal-Bench 2.0 a crescut de la 52,8 la 66,5, de dincolo de top 30 în top 5.
- Același model, produse diferite. În lucrarea Terminal-Bench, Claude Opus 4.5 a obținut 57,8% în harness-ul Terminus 2, 52,1% în Claude Code și 51,9% în OpenHands. Consumul de tokeni a variat și mai mult.
- Un model mic cu un harness strict. În lucrarea AutoHarness, 78% din înfrângerile la șah ale lui Gemini 2.5 Flash veneau din mutări ilegale. Un harness care bloca mutările ilegale l-a ajutat pe Flash să-l bată pe mai marele Gemini 2.5 Pro.
- Costul. Un test publicat pe site-ul lui Martin Fowler în octombrie 2026 a arătat un model ieftin care trecea 3 din 10 rulări singur și 10 din 10 cu un harness, cu 33% mai ieftin decât modelul mai mare fără harness.
Aceeași lucrare Terminal-Bench avertizează că „alegerea modelului e de obicei mai importantă decât scheletul agentului”, iar cele mai bune harness-uri de pe alt benchmark erau la mai puțin de șase puncte unul de altul. Deci alege întâi modelul. Apoi harness-ul decide cât obții de fapt din acel model, cât de des eșuează în siguranță și cât costă fiecare sarcină. Partea de bani o detaliem în costul dezvoltării unui AI agent.
Un tipar de harness de la Anthropic: agenți de lungă durată
Inginerii Anthropic au observat că până și un model de top într-o buclă „nu va reuși să construiască o aplicație web de calitate pentru producție dacă primește doar un prompt de nivel înalt.” Încerca să facă totul deodată și rămânea fără context, sau o sesiune ulterioară declara treaba gata prea devreme. Soluția a fost în harness, nu în model:
- Un agent inițializator pregătește mediul: un script de pornire, un fișier-jurnal de progres și un prim commit, plus o listă de funcționalități (peste 200 în testul lor, toate marcate ca nereușite).
- Un agent de lucru preia apoi câte o funcționalitate pe sesiune. Începe prin a citi fișierul de progres și istoricul și încheie cu un commit și o actualizare a jurnalului.
- Ambii agenți au același system prompt, aceleași unelte și același harness. Doar primul mesaj diferă.
Lecția pentru business merge mult dincolo de cod: ține starea muncii în afara modelului, în fișiere, tichete sau înregistrări pe care sesiunea următoare le poate citi, și dă-i agentului o singură unitate clară de lucru o dată.
Ce deține o firmă din harness
Când cumperi sau construiești un agent, bucla e partea de commodity. Claude Code, Codex și SDK-urile o vor tot îmbunătăți, iar tu o poți schimba. Părțile care îți poartă afacerea sunt cele din rândurile „Tu” din tabelul de mai sus:
- Unelte în sistemele tale. De obicei câte un MCP server pe sistem, ca să-l poată folosi orice harness: Claude, Codex sau Cursor.
- Reguli în cod. Pentru Horeca Papatya, un furnizor pentru hoteluri și restaurante, am construit un Shopify MCP server în care operațiunile în masă rulează întâi ca dry run, produsele noi pornesc ca draft, iar ștergerile cer aprobare explicită. Pentru că regulile stau în server, orice harness le respectă.
- Eval-uri. Un set de sarcini reale cu rezultate bune cunoscute, rulat din nou ori de câte ori schimbi modelul sau prompt-ul.
- Memorie și loguri. Ce a făcut agentul și de ce, într-un loc pe care îl poți audita.
Un prompt care spune „ai grijă” dispare în ziua în care schimbi harness-ul sau modelul. Pune aprobările, limitele și dry run-urile chiar în unelte.
Cum evaluezi harness-ul unui furnizor
- Cere să vezi un trace al unei sarcini reale: fiecare apel de model, apel de unealtă și rezultat.
- Întreabă ce acțiuni cer aprobare umană și unde e aplicată regula: într-un prompt sau în cod.
- Cere setul de eval-uri și scorul de dinainte și de după ultima schimbare.
- Întreabă cât costă o sarcină în tokeni și cum se schimbă asta dacă schimbi modelul.
- Întreabă dacă uneltele și regulile rămân ale tale dacă schimbi furnizorul.
Întrebări frecvente
Ce este un agent harness?
Un agent harness este tot codul din jurul unui model de limbaj care îl transformă în agent: bucla care rulează unelte, managementul contextului, memoria, permisiunile și aprobările, sandbox-ul, verificările și tracing-ul. Pe scurt, Agent = Model + Harness.
Ce este harness engineering?
Harness engineering este practica de a îmbunătăți sistemul din jurul unui AI agent astfel încât fiecare greșeală pe care o face să fie reparată o dată pentru totdeauna, cu o unealtă, un test, o regulă sau un pas de aprobare, nu prin rescrierea prompt-urilor. Termenul a fost lansat de Mitchell Hashimoto în februarie 2026.
Este Claude Code un agent harness?
Da. Claude Code învelește modelele Claude într-o buclă cu unelte, permisiuni, fișiere de memorie, hook-uri și conexiuni MCP. Claude Agent SDK de la Anthropic oferă aceleași unelte, aceeași buclă de agent și același management al contextului, ca să-ți construiești propriii agenți.
Care e diferența dintre un agent harness și un agent framework?
Un framework îți dă piesele din care asamblezi un agent. Un harness este un runtime funcțional, cu bucla, uneltele și controalele de siguranță deja puse la punct. Multe produse, precum LangChain Deep Agents, vin acum ca harness peste un framework.
Ce înseamnă LLM harness?
Are două sensuri. La agenți, este harness-ul descris aici. La testarea modelelor, un evaluation harness, precum lm-evaluation-harness de la EleutherAI, este codul care trece un model prin sarcini de benchmark și îi dă un scor.
Trebuie să-mi construiesc propriul harness?
Rareori de la zero. Folosește un harness sau un SDK existent pentru buclă și construiește părțile specifice ție: uneltele în sistemele tale, regulile de aprobare, eval-urile și logurile.
Surse
- LangChain: The Anatomy of an Agent Harness și Improving Deep Agents with harness engineering
- Birgitta Böckeler: Harness engineering for coding agent users (aprilie 2026)
- Mitchell Hashimoto: My AI Adoption Journey (5 februarie 2026)
- OpenAI: Harness engineering, leveraging Codex in an agent-first world
- Anthropic: Effective harnesses for long-running agents
- Terminal-Bench paper (arXiv 2601.11868) și AutoHarness (arXiv 2603.03329)
- AI agent
- Agent harness
- Harness engineering

