Agent Harness: Architektura agentów AI do produkcji | Przewodnik

# Agent Harness: Architektura agentów AI gotowych do produkcji

Problem nie leży w sieci neuronowej. Kiedy agenci LLM zawodzą w produkcji, winna jest infrastruktura wokół modelu. LangChain awansował z 30. na 5. miejsce w TerminalBench 2.0, nie zmieniając modelu — tylko optymalizując otoczenie. To otoczenie nazywa się agent harness, i ono przekształca bezstanową LLM w autonomicznego agenta.

Czym jest agent harness? Architektura von Neumanna dla AI

Termin sformalizowano w 2026 roku, ale koncepcja jest stara jak sama idea systemu obliczeniowego. Harness to pełna infrastruktura otaczająca LLM: cykl orkiestracyjny, narzędzia, pamięć, zarządzanie kontekstem i obsługa błędów. Anthropic w dokumentacji Claude Code nazywa SDK bezpośrednio „agent harness”. Kluczowa analogia: naga LLM to CPU bez RAM i dysku. Okno kontekstowe działa jak pamięć operacyjna, zewnętrzne bazy jak długoterminowe przechowywanie, narzędzia jak sterowniki urządzeń. Harness staje się systemem operacyjnym, realizując architekturę von Neumanna dla AI.

Wielu myli „agenta” z „harnessem”. Agent to zachowanie: celowe, samokorygujące się byty. Harness to mechanizm generujący to zachowanie. Jak trafnie ujął Vivek Trivedy z LangChain: „Jeśli nie jesteś modelem — jesteś harnessem”.

Trzy poziomy inżynierii wokół LLM

Otoczenie modelu buduje się w koncentrycznych warstwach:

• Prompt engineering — kształtuje instrukcje dla modelu.
• Context engineering — zarządza tym, co model widzi i kiedy.
• Harness engineering — obejmuje dwa poprzednie poziomy plus orkiestrację narzędzi, trwałość stanu, obsługę błędów i bezpieczeństwo.

Harness to nie otoczka wokół promptu. To system, który umożliwia autonomiczne zachowanie agentów w produkcji. Bez niego nawet zaawansowane modele zachowują się jak kruche dema.

Dwanaście kluczowych komponentów production harnessa

Analiza rozwiązań Anthropic, OpenAI i LangChain wykazała 12 obowiązkowych komponentów:

• Cykl orkiestracyjny — serce systemu (Thought-Action-Observation).
• Narzędzia — schematy interakcji ze światem zewnętrznym.
• Pamięć — zarządzanie danymi na różnych skalach czasowych.
• Zarządzanie kontekstem — walka z context rot.
• Konstruowanie promptu — składanie wejścia dla modelu.
• Parsowanie wyjścia — obsługa strukturyzowanych odpowiedzi.
• Zarządzanie stanem — trwałość i checkpointy.
• Obsługa błędów — strategie odzyskiwania.
• Ograniczniki bezpieczeństwa — guardrails na trzech poziomach.
• Cykle weryfikacji — sprawdzanie wyjścia agenta.
• Orkiestracja subagentów — delegowanie zadań.
• Cykl życia — deployment i monitorowanie.

Szczególnej uwagi wymaga zarządzanie kontekstem. Badania Chroma i Stanford („Lost in the Middle”) pokazały: wydajność spada o 30%+, gdy kluczowa treść jest w środku okna. Strategie produkcyjne obejmują:

• Compaction: podsumowywanie historii (Claude Code zachowuje decyzje architektoniczne, odrzucając szczegóły techniczne).
• Observation masking: ukrywanie starych wyjść narzędzi (jak w JetBrains' Junie).
• Just-in-time retrieval: dynamiczne ładowanie danych przez lekkie zapytania (grep, glob).
• Sub-agent delegation: zwracanie skompresowanych podsumowań (1000–2000 tokenów) zamiast surowych danych.

Anthropic formułuje cel: znaleźć minimalny zestaw tokenów o wysokim sygnale, maksymalizujący prawdopodobieństwo sukcesu.

Jak działa cykl orkiestracji

Rozbijmy cykl TAO na przykładzie systemu produkcyjnego:

• Składanie promptu: harness formuje wejście, pozycjonując kluczowy kontekst na początku i końcu (zgodnie z ustaleniami „Lost in the Middle”). Zawiera systemowy prompt, schematy narzędzi, pamięć i bieżące zapytanie.
• Inferencja LLM: model przetwarza zapytanie, zwracając tekst lub strukturyzowane tool_calls.
• Klasyfikacja wyjścia: jeśli są wywołania narzędzi — wykonujemy je; jeśli handoff — zmieniamy agenta; w przeciwnym razie kończymy cykl.
• Wykonywanie narzędzi: walidacja argumentów, sprawdzanie uprawnień, izolowane wykonanie. Błędy zwracane jako ToolMessage do korekty przez model.
• Weryfikacja: sprawdzanie oparte na regułach (lintery, testy), weryfikacja wizualna (Playwright) lub LLM-as-judge.
• Aktualizacja stanu: checkpointing przez git-commity (Claude Code) lub typizowane słowniki (LangGraph).

Kluczowy szczegół: harness oddziela rozumowanie od egzekucji. Model decyduje „co zrobić”, system narzędzi — „czy to dozwolone”. Claude Code kontroluje ponad 40 dyskretnych uprawnień przez trójstopniową weryfikację.

Co jest ważne

• Problem nie w modelu: 90% awarii agentów produkcyjnych spowodowane jest brakami w harnessie, a nie LLM.
• Context rot zabija: nawet okna 1M tokenów wymagają aktywnego zarządzania kontekstem.
• Weryfikacja obowiązkowa: agenci bez cykli sprawdzania popełniają 2–3 razy więcej błędów.
• Bezpieczeństwo to element architektury: egzekucja musi być oddzielona od rozumowania.
• Błędy się kumulują: proces z 10 kroków o 99% sukcesu na krok ma tylko 90,4% sukcesu skońskiego.

— Editorial Team