Un agent harness, également connu sous le nom de scaffolding d'agent, est l'infrastructure logicielle entourant un grand modèle de langage (LLM) qui lui permet de fonctionner comme un agent IA. Il gère l'utilisation d'outils, la mémoire, la persistance de l'état, les environnements d'exécution et les boucles de rétroaction, par opposition au raisonnement interne du modèle. L'Institut de sécurité de l'IA du Royaume-Uni a décrit un agent IA comme étant formé par le modèle plus le scaffolding dès 2023, et cette relation est souvent exprimée comme agent = modèle + harness.
Parce qu'un LLM « modèle de base » est une fonction probabiliste sans état qui mappe des séquences de jetons d'entrée à des séquences de jetons de sortie, le harness est ce qui transforme un modèle en agent - une entité qui interagit avec des outils externes, accepte et produit des données non tokenisées (comme des images), et interagit avec un environnement de tâche de manière cohérente sur plusieurs tours. Plutôt que de relire sans cesse une transcription sans cesse croissante dans la fenêtre de contexte, un harness peut déléguer la tenue de registres à un environnement logiciel structuré qui gère l'état de l'agent. Un harness minimal n'est pas nécessaire pour un simple échange question-réponse, mais devient important à mesure que les tâches deviennent multi-étapes, orientées outils ou de longue durée.
Les harness d'agents populaires se concentrent sur le développement logiciel assisté par IA, notamment Anthropic's Claude Code, OpenAI's Codex, Google DeepMind's Antigravity, SpaceXAI's Cursor, Qwen, DeepSeek, Kimi, et GLM.
Architecture
Les mécanismes qu'un harness coordonne préexistent au terme. Le schéma d'un modèle alternant entre raisonnement et action dans une boucle a été introduit dans le cadre du framework ReAct évalué par les pairs, et la capacité d'un modèle à appeler des outils externes a été démontrée dans Toolformer.
Les composants généralement regroupés sous un harness incluent la répartition des outils, la mémoire et la persistance de l'état, un bac à sable ou espace de travail isolé, la gestion du contexte, et des garde-fous tels que des autorisations limitées, des niveaux d'approbation et une surveillance. Dans un article d'ingénierie de 2026, Anthropic a décrit un exemple concret construit à partir d'un agent initialisateur qui prépare l'environnement et d'un agent de codage qui sélectionne à plusieurs reprises la prochaine tâche non terminée, effectue des commits et met à jour un registre de progression avant de s'arrêter.
Birgitta Böckeler de Thoughtworks distingue un harness interne fourni par le créateur du modèle (par exemple un SDK d'agent ou un outil de codage tel que Cursor ou Codex) d'un harness externe que l'utilisateur assemble par-dessus, comme des fichiers d'instructions, des serveurs Model Context Protocol et des compétences personnalisées. Elle sépare également les guides, qui orientent l'agent avant qu'il n'agisse, des capteurs, qui observent le résultat et permettent à l'agent de s'auto-corriger ; chacun peut être computationnel (vérifications déterministes telles que des linters ou des tests) ou inférentiel (vérifications sémantiques telles qu'un « LLM comme juge »).
Histoire et terminologie
Des notions connexes de scaffolding autour d'un modèle existent dans les tests logiciels (le harness de test), dans l'évaluation des LLM (harness d'évaluation) et, dans l'apprentissage par renforcement, dans l'environnement et le wrapper qui entourent un agent apprenant. Les noms agent harness et LLM harness circulaient parmi les praticiens avant que la discipline associée ne soit nommée.
Le vocabulaire de « l'ingénierie de harness » a émergé au début de 2026, et l'attribution de cette phrase spécifique est contestée. Plusieurs récits la font remonter à un article de blog de février 2026 de Mitchell Hashimoto, cofondateur de HashiCorp, qui décrivait une pratique consistant à intégrer une correction permanente dans l'environnement d'un agent à chaque fois qu'il commet une erreur ; d'autres récits créditent Vivek Trivedy de LangChain, dont l'article « Anatomy of an Agent Harness » a dérivé les composants du harness à partir de la formule agent = modèle + harness. Un rapport d'ingénierie largement cité d'OpenAI décrivant une grande base de code construite en grande partie par des agents de codage, ainsi que des écrits ultérieurs de Thoughtworks, LangChain et Anthropic, ont contribué à diffuser le terme.
Au milieu de 2026, le harness était devenu un objet d'étude académique. Des reportages indépendants ont décrit des recherches telles que Self-Harness, où un agent extrait itérativement ses propres échecs pour proposer et valider des modifications de son harness, et Harness-1, un agent de recherche open source qui a amélioré la précision de la récupération principalement en redessinant l'environnement logiciel autour du modèle plutôt qu'en agrandissant le modèle.
Relation avec l'ingénierie de prompt et de contexte
L'ingénierie de harness est souvent positionnée comme une couche plus large que l'ingénierie de prompt, qui optimise une interaction unique, ou l'ingénierie de contexte, qui régit les informations que le modèle voit à un moment donné ; dans ce cadre, le harness conçoit l'environnement opérationnel complet et contient les deux autres comme parties. Une caractéristique distinctive est que le composant enveloppé est non déterministe, donc un harness est conçu pour se rétablir gracieusement lorsque le modèle fabrique une action ou signale une tâche comme terminée alors qu'elle ne l'est pas.
Voir aussi
- Agent IA
- Liste des grands modèles de langage
- Model Context Protocol
- Ingénierie de prompt
- Agent logiciel
- Harness de test