Ein Agent-Harness, auch bekannt als Agent-Gerüst (engl. agent scaffolding), ist die Software-Infrastruktur, die ein großes Sprachmodell (LLM) umgibt und es ihm ermöglicht, als KI-Agent zu fungieren. Es verwaltet Werkzeugnutzung, Speicher, Zustandspersistenz, Ausführungsumgebungen und Feedback-Schleifen – im Gegensatz zur internen Argumentation des Modells. Das britische KI-Sicherheitsinstitut beschrieb einen KI-Agenten bereits 2023 als aus dem Modell plus dem Gerüst bestehend, und die Beziehung wird oft als Agent = Modell + Harness ausgedrückt.
Da ein „Basismodell“-LLM eine zustandslose probabilistische Funktion ist, die Eingabe-Tokensequenzen auf Ausgabe-Tokensequenzen abbildet, ist der Harness das, was aus einem Modell einen Agenten macht – ein Ding, das mit externen Werkzeugen interagiert, Nicht-Token-Daten (wie Bilder) ein- und ausgibt und über viele Runden hinweg kohärent mit einer Aufgabenumgebung interagiert. Anstatt ein ständig wachsendes Transkript innerhalb des Kontextfensters wiederholt neu zu lesen, kann ein Harness die Protokollführung in eine strukturierte Softwareumgebung auslagern, die den Zustand des Agenten verwaltet. Ein minimaler Harness ist für einen einzelnen Prompt-Antwort-Austausch unnötig, wird jedoch wichtig, wenn Aufgaben mehrschrittig, werkzeugorientiert oder langlaufend werden.
Beliebte Agent-Harnesses konzentrieren sich auf KI-gestützte Softwareentwicklung, darunter Anthropics Claude Code, OpenAIs Codex, Google DeepMinds Antigravity, SpaceXAIs Cursor, Qwen, DeepSeek, Kimi und GLM.
Architektur
Die Mechanismen, die ein Harness koordiniert, stammen aus der Zeit vor dem Begriff. Das Muster eines Modells, das in einer Schleife zwischen Denken und Handeln wechselt, wurde im peer-reviewten ReAct-Framework eingeführt, und die Fähigkeit eines Modells, externe Werkzeuge aufzurufen, wurde in Toolformer demonstriert.
Zu den Komponenten, die üblicherweise unter einem Harness zusammengefasst werden, gehören Werkzeugvermittlung, Speicher und Zustandspersistenz, eine isolierte Sandbox oder Arbeitsumgebung, Kontextverwaltung sowie Schutzmechanismen wie eingeschränkte Berechtigungen, Genehmigungsstufen und Überwachung. In einem technischen Beitrag von 2026 beschrieb Anthropic ein ausgearbeitetes Beispiel, das aus einem Initialisierungsagenten, der die Umgebung vorbereitet, und einem Codierungsagenten besteht, der wiederholt die nächste unerledigte Aufgabe auswählt, Änderungen committet und einen Fortschrittsbericht aktualisiert, bevor er anhält.
Birgitta Böckeler von Thoughtworks unterscheidet einen inneren Harness, der vom Modellhersteller ausgeliefert wird (z. B. ein Agent-SDK oder ein Codierungswerkzeug wie Cursor oder Codex), von einem äußeren Harness, den der Benutzer darüber aufbaut, wie Anweisungsdateien, Model Context Protocol-Server und benutzerdefinierte Fähigkeiten. Sie trennt weiterhin Führungen, die den Agenten vor seinem Handeln lenken, von Sensoren, die das Ergebnis beobachten und dem Agenten eine Selbstkorrektur ermöglichen; jede kann rechnerisch (deterministische Prüfungen wie Linter oder Tests) oder inferenziell (semantische Prüfungen wie ein „LLM als Richter“) sein.
Geschichte und Terminologie
Verwandte Konzepte von Gerüsten um ein Modell existieren im Softwaretest (Test-Harness), im LLM-Benchmarking (Evaluierungs-Harnesses) und im Verstärkungslernen in der Umgebung und dem Wrapper, die einen lernenden Agenten umgeben. Die Substantive Agent-Harness und LLM-Harness kursierten unter Praktikern, bevor die zugehörige Disziplin benannt wurde.
Das Vokabular des „Harness-Engineerings“ entstand Anfang 2026, und die Zuschreibung des spezifischen Begriffs ist umstritten. Mehrere Berichte führen ihn auf einen Blogbeitrag von Mitchell Hashimoto, Mitbegründer von HashiCorp, vom Februar 2026 zurück, der eine Praxis beschrieb, bei der jedes Mal, wenn ein Agent einen Fehler macht, eine dauerhafte Korrektur in seine Umgebung eingebaut wird; andere Berichte schreiben Vivek Trivedy von LangChain die Prägung zu, dessen Beitrag „Anatomy of an Agent Harness“ die Harness-Komponenten aus der Formel Agent = Modell + Harness ableitete. Ein vielzitierter technischer Bericht von OpenAI, der eine große, weitgehend von Codierungsagenten erstellte Codebasis beschreibt, zusammen mit Folgebeiträgen von Thoughtworks, LangChain und Anthropic, half, den Begriff zu verbreiten.
Mitte 2026 war der Harness ein Gegenstand akademischer Forschung geworden. Unabhängige Berichte beschrieben Forschung wie Self-Harness, bei dem ein Agent iterativ seine eigenen Fehler auswertet, um Änderungen an seinem Harness vorzuschlagen und zu validieren, und Harness-1, einen Open-Source-Suchagenten, der die Abrufgenauigkeit hauptsächlich durch Neugestaltung der Softwareumgebung um das Modell verbesserte, anstatt das Modell zu vergrößern.
Beziehung zu Prompt- und Kontext-Engineering
Harness-Engineering wird oft als breitere Schicht positioniert als Prompt-Engineering, das eine einzelne Interaktion optimiert, oder Kontext-Engineering, das bestimmt, welche Informationen das Modell zu einem bestimmten Zeitpunkt sieht; in dieser Rahmung entwirft der Harness die gesamte Betriebsumgebung und enthält die anderen beiden als Teile. Ein Unterscheidungsmerkmal ist, dass die umschlossene Komponente nicht-deterministisch ist, sodass ein Harness so ausgelegt ist, dass er sich elegant erholt, wenn das Modell eine Aktion erfindet oder eine Aufgabe als abgeschlossen meldet, obwohl sie es nicht ist.
Siehe auch
- KI-Agent
- Liste großer Sprachmodelle
- Model Context Protocol
- Prompt-Engineering
- Softwareagent
- Test-Harness