Um harness de agente, também conhecido como scaffolding de agente, é a infraestrutura de software que envolve um modelo de linguagem de grande porte (LLM) e que o capacita a operar como um agente de IA. Ele gerencia o uso de ferramentas, a memória, a persistência de estado, os ambientes de execução e os ciclos de feedback, em contraste com o raciocínio interno do modelo. O Instituto de Segurança de IA do Reino Unido descreveu um agente de IA como sendo formado pelo modelo mais o scaffolding já em 2023, e a relação é frequentemente expressa como agente = modelo + harness.
Como um LLM "modelo base" é uma função probabilística sem estado que mapeia sequências de tokens de entrada para sequências de tokens de saída, o harness é o que transforma um modelo em um agente - uma coisa que interage com ferramentas externas, insere e produz dados que não são tokens (como imagens) e interage com um ambiente de tarefa de forma coerente ao longo de várias rodadas. Em vez de reler repetidamente uma transcrição cada vez maior dentro da janela de contexto, um harness pode transferir o registro de informações para um ambiente de software estruturado que gerencia o estado do agente. Um harness mínimo é desnecessário para uma única troca de prompt e resposta, mas torna-se importante à medida que as tarefas se tornam multi-etapas, orientadas a ferramentas ou de longa duração.
Os harnesses de agente populares são focados no desenvolvimento de software assistido por IA, incluindo o Claude Code da Anthropic, o Codex da OpenAI, o Antigravity do Google DeepMind, o Cursor da SpaceXAI, Qwen, DeepSeek, Kimi e GLM.
Arquitetura
Os mecanismos que um harness coordena são anteriores ao termo. O padrão de um modelo alternando entre raciocínio e ação em um ciclo foi introduzido no framework ReAct revisado por pares, e a capacidade de um modelo de chamar ferramentas externas foi demonstrada no Toolformer.
Os componentes comumente agrupados sob um harness incluem despacho de ferramentas, memória e persistência de estado, um sandbox ou espaço de trabalho isolado, gerenciamento de contexto e salvaguardas, como permissões com escopo, níveis de aprovação e monitoramento. Em um relatório de engenharia de 2026, a Anthropic descreveu um exemplo prático construído a partir de um agente inicializador que prepara o ambiente e um agente de codificação que seleciona repetidamente a próxima tarefa inacabada, faz commit e atualiza um registro de progresso antes de parar.
Birgitta Böckeler, da Thoughtworks, distingue um harness interno, fornecido pelo criador do modelo (por exemplo, um SDK de agente ou uma ferramenta de codificação como Cursor ou Codex), de um harness externo que o usuário monta por cima, como arquivos de instrução, servidores Model Context Protocol e habilidades personalizadas. Ela também separa os guias, que orientam o agente antes de ele agir, dos sensores, que observam o resultado e permitem que o agente se autocorrija; cada um pode ser computacional (verificações determinísticas, como linters ou testes) ou inferencial (verificações semânticas, como um "LLM como juiz").
História e terminologia
Noções relacionadas de scaffolding em torno de um modelo existem em testes de software (o harness de teste), em benchmarking de LLM (harnesses de avaliação) e, em aprendizado por reforço, no ambiente e no wrapper que cercam um agente de aprendizado. Os substantivos harness de agente e harness de LLM circularam entre os profissionais antes que a disciplina associada fosse nomeada.
O vocabulário da "engenharia de harness" surgiu no início de 2026, e a atribuição da frase específica é contestada. Vários relatos a atribuem a uma postagem de blog de fevereiro de 2026 de Mitchell Hashimoto, cofundador da HashiCorp, que descreveu uma prática de engenharia de uma correção permanente no ambiente de um agente cada vez que ele comete um erro; outros relatos creditam Vivek Trivedy, da LangChain, cuja postagem "Anatomy of an Agent Harness" derivou os componentes do harness a partir da fórmula agente = modelo + harness. Um relatório de engenharia da OpenAI amplamente citado, descrevendo uma grande base de código construída em grande parte por agentes de codificação, juntamente com escritos subsequentes da Thoughtworks, LangChain e Anthropic, ajudou a difundir o termo.
Em meados de 2026, o harness tornou-se objeto de estudo acadêmico. Relatos independentes descreveram pesquisas como Self-Harness, em que um agente extrai iterativamente suas próprias falhas para propor e validar mudanças em seu harness, e Harness-1, um agente de busca de código aberto que melhorou a precisão da recuperação principalmente ao redesenhar o ambiente de software em torno do modelo, em vez de ampliar o modelo.
Relação com engenharia de prompt e de contexto
A engenharia de harness é frequentemente posicionada como uma camada mais ampla do que a engenharia de prompt, que otimiza uma única interação, ou a engenharia de contexto, que governa quais informações o modelo vê em um determinado momento; nesse enquadramento, o harness projeta todo o ambiente operacional e contém as outras duas como partes. Uma característica distintiva é que o componente envolvido é não determinístico, portanto, um harness é projetado para se recuperar com elegância quando o modelo fabrica uma ação ou relata uma tarefa como concluída quando não está.
Ver também
- Agente de IA
- Lista de modelos de linguagem de grande porte
- Model Context Protocol
- Engenharia de prompt
- Agente de software
- Harness de teste