एजेंट हार्नेस, जिसे एजेंट स्कैफोल्डिंग के रूप में भी जाना जाता है, एक बड़े भाषा मॉडल (LLM) के आसपास का सॉफ्टवेयर इंफ्रास्ट्रक्चर है जो इसे AI एजेंट के रूप में कार्य करने में सक्षम बनाता है। यह टूल उपयोग, मेमोरी, स्टेट पर्सिस्टेंस, निष्पादन वातावरण और फीडबैक लूप्स का प्रबंधन करता है, मॉडल के आंतरिक तर्क के विपरीत। यूके के AI सुरक्षा संस्थान ने 2023 में एक AI एजेंट को मॉडल और स्कैफोल्डिंग के संयोजन के रूप में वर्णित किया था, और इस संबंध को अक्सर एजेंट = मॉडल + हार्नेस के रूप में व्यक्त किया जाता है।
क्योंकि एक "बेस मॉडल" LLM एक स्टेटलेस प्रोबेबिलिस्टिक फ़ंक्शन है जो इनपुट टोकन अनुक्रमों को आउटपुट टोकन अनुक्रमों में मैप करता है, हार्नेस वह है जो एक मॉडल से एक एजेंट बनाता है - एक ऐसी चीज़ जो बाहरी टूल्स के साथ इंटरफेस करती है, गैर-टोकन डेटा (जैसे छवियाँ) इनपुट और आउटपुट करती है, और कई राउंड में एक कार्य-वातावरण के साथ सुसंगत रूप से इंटरैक्ट करती है। कॉन्टेक्स्ट विंडो के अंदर लगातार बढ़ते ट्रांसक्रिप्ट को बार-बार पढ़ने के बजाय, एक हार्नेस रिकॉर्ड-कीपिंग को एक संरचित सॉफ्टवेयर वातावरण में स्थानांतरित कर सकता है जो एजेंट की स्थिति का प्रबंधन करता है। एक न्यूनतम हार्नेस एकल प्रॉम्प्ट-और-प्रतिक्रिया आदान-प्रदान के लिए अनावश्यक है, लेकिन कार्यों के बहु-चरणीय, टूल-उन्मुख या लंबे समय तक चलने वाले होने पर महत्वपूर्ण हो जाता है।
लोकप्रिय एजेंट हार्नेस AI-सहायता प्राप्त सॉफ्टवेयर विकास पर केंद्रित हैं, जिनमें Anthropic का Claude Code, OpenAI का Codex, Google DeepMind का Antigravity, SpaceXAI का Cursor, Qwen, DeepSeek, Kimi, और GLM शामिल हैं।
आर्किटेक्चर
एक हार्नेस जिन तंत्रों का समन्वय करता है, वे इस शब्द से पहले के हैं। एक लूप में मॉडल के तर्क और क्रिया के बीच बारी-बारी से चलने का पैटर्न सहकर्मी-समीक्षित ReAct फ्रेमवर्क में पेश किया गया था, और मॉडल की बाहरी टूल्स को कॉल करने की क्षमता Toolformer में प्रदर्शित की गई थी।
एक हार्नेस के अंतर्गत आमतौर पर शामिल घटकों में टूल डिस्पैच, मेमोरी और स्टेट पर्सिस्टेंस, एक पृथक सैंडबॉक्स या वर्कस्पेस, कॉन्टेक्स्ट प्रबंधन, और गार्डरेल जैसे स्कोप्ड अनुमतियाँ, अनुमोदन स्तर और निगरानी शामिल हैं। 2026 के एक इंजीनियरिंग लेख में, Anthropic ने एक इनिशियलाइज़र एजेंट से निर्मित एक कार्यशील उदाहरण का वर्णन किया जो वातावरण तैयार करता है और एक कोडिंग एजेंट जो बार-बार अगला अधूरा कार्य चुनता है, कमिट करता है, और रुकने से पहले एक प्रगति रिकॉर्ड अपडेट करता है।
Thoughtworks की Birgitta Böckeler मॉडल के निर्माता द्वारा भेजे गए एक आंतरिक हार्नेस (उदाहरण के लिए एक एजेंट SDK या Cursor या Codex जैसा कोडिंग टूल) को एक बाहरी हार्नेस से अलग करती हैं जिसे उपयोगकर्ता शीर्ष पर इकट्ठा करता है, जैसे निर्देश फ़ाइलें, Model Context Protocol सर्वर, और कस्टम स्किल्स। वह आगे गाइड्स को अलग करती हैं, जो एजेंट को कार्य करने से पहले निर्देशित करते हैं, सेंसर्स से, जो परिणाम का निरीक्षण करते हैं और एजेंट को स्वयं-सुधार करने देते हैं; प्रत्येक कम्प्यूटेशनल (लिंटर या टेस्ट जैसे नियतात्मक जाँच) या अनुमानात्मक (जैसे "LLM as judge" जैसी सिमेंटिक जाँच) हो सकता है।
इतिहास और शब्दावली
मॉडल के आसपास स्कैफोल्डिंग की संबंधित अवधारणाएँ सॉफ्टवेयर परीक्षण (टेस्ट हार्नेस), LLM बेंचमार्किंग (मूल्यांकन हार्नेस), और रिइन्फोर्समेंट लर्निंग में, एक सीखने वाले एजेंट के आसपास के वातावरण और रैपर में मौजूद हैं। संज्ञा एजेंट हार्नेस और LLM हार्नेस संबंधित अनुशासन के नामित होने से पहले चिकित्सकों के बीच प्रचलित थे।
"हार्नेस इंजीनियरिंग" की शब्दावली 2026 की शुरुआत में उभरी, और विशिष्ट वाक्यांश का श्रेय विवादित है। कई विवरण इसे HashiCorp के सह-संस्थापक Mitchell Hashimoto के फरवरी 2026 के एक ब्लॉग पोस्ट से जोड़ते हैं, जिन्होंने हर बार गलती होने पर एजेंट के वातावरण में एक स्थायी सुधार करने की प्रथा का वर्णन किया; अन्य विवरण LangChain के Vivek Trivedy को श्रेय देते हैं, जिनके "Anatomy of an Agent Harness" पोस्ट ने हार्नेस घटकों को एजेंट = मॉडल + हार्नेस सूत्र से प्राप्त किया। एक व्यापक रूप से उद्धृत OpenAI इंजीनियरिंग रिपोर्ट जिसमें बड़े पैमाने पर कोडिंग एजेंटों द्वारा निर्मित एक बड़े कोडबेस का वर्णन किया गया था, साथ ही Thoughtworks, LangChain और Anthropic के अनुवर्ती लेखन ने इस शब्द को फैलाने में मदद की।
2026 के मध्य तक हार्नेस अकादमिक अध्ययन का विषय बन गया था। स्वतंत्र रिपोर्टिंग ने Self-Harness जैसे शोध का वर्णन किया, जिसमें एक एजेंट अपने हार्नेस में बदलाव प्रस्तावित करने और मान्य करने के लिए अपनी विफलताओं को पुनरावृत्त रूप से खनन करता है, और Harness-1, एक ओपन-सोर्स खोज एजेंट जिसने मॉडल को बड़ा करने के बजाय मुख्य रूप से मॉडल के आसपास के सॉफ्टवेयर वातावरण को फिर से डिज़ाइन करके पुनर्प्राप्ति सटीकता में सुधार किया।
प्रॉम्प्ट और कॉन्टेक्स्ट इंजीनियरिंग से संबंध
हार्नेस इंजीनियरिंग को अक्सर प्रॉम्प्ट इंजीनियरिंग की तुलना में एक व्यापक परत के रूप में स्थापित किया जाता है, जो एकल इंटरैक्शन को अनुकूलित करती है, या कॉन्टेक्स्ट इंजीनियरिंग, जो नियंत्रित करती है कि मॉडल किसी दिए गए क्षण में क्या जानकारी देखता है; इस ढांचे में हार्नेस पूरे परिचालन वातावरण को डिज़ाइन करता है और अन्य दो को भागों के रूप में शामिल करता है। एक विशिष्ट विशेषता यह है कि जिस घटक को लपेटा जा रहा है वह गैर-नियतात्मक है, इसलिए एक हार्नेस को सुंदर ढंग से पुनर्प्राप्त करने के लिए डिज़ाइन किया गया है जब मॉडल एक क्रिया गढ़ता है या किसी कार्य को पूर्ण के रूप में रिपोर्ट करता है जब वह नहीं है।
यह भी देखें
- AI एजेंट
- बड़े भाषा मॉडलों की सूची
- Model Context Protocol
- प्रॉम्प्ट इंजीनियरिंग
- सॉफ्टवेयर एजेंट
- टेस्ट हार्नेस