Harness de agente de IA

Um harness de agente de IA, também conhecido como andaime de agente ou harness de agente, é a infraestrutura de software em torno de um modelo de linguagem (LM) que permite que ele opere como um agente de IA. Ele gerencia o uso de ferramentas, memória, persistência de estado, ambientes de execução e ciclos de feedback, em oposição ao raciocínio interno do modelo. O AI Security Institute do Reino Unido descreveu um agente de IA como sendo formado pelo modelo mais o andaime já em 2023. A relação pode ser expressa como agente = modelo + harness .

Como um LLM de "modelo de 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 faz um agente a partir de um modelo, isto é, uma coisa que interage com ferramentas externas, entradas e saídas de dados não-token (como imagens) e interage com um ambiente de tarefa de forma coerente ao longo de muitas rodadas. Em vez de reler repetidamente uma transcrição cada vez maior dentro da janela de contexto, um harness pode descarregar o registro em 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 se torna importante à medida que as tarefas se tornam de múltiplos passos, orientadas a ferramentas ou de longa duração.

Harness de agentes populares estão 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, OpenCode, jcode, CodeAF, OpenHands, Pi, Qwen, DeepSeek, Kimi e GLM e entre outros.

Outros harness mais gerais são OpenClaw, Hermes Agent e DeepSeek Harness..

Arquitetura

Os mecanismos que um harness coordena são anteriores ao termo. O padrão de um modelo alternando entre raciocinar e agir em um loop foi introduzido no framework ReAct, revisado por pares, e a capacidade de um modelo chamar ferramentas externas foi demonstrada no Toolformer.

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 artigo 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 não concluída, faz commit e atualiza um registro de progresso antes de parar.

Birgitta Böckeler, da Thoughtworks, distingue um harness interno fornecido pelo construtor 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 de Model Context Protocol e habilidades personalizadas. Ela ainda separa guias, que direcionam o agente antes de ele agir, de 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 andaime em torno de um modelo existem em testes de software (o harness de teste), em benchmarking de LLM (arneses 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 praticantes antes que a disciplina associada fosse nomeada.

O vocabulário de "engenharia de harness" surgiu no início de 2026, e a atribuição da frase específica é contestada. Vários relatos a atribuem a um post de blog de fevereiro de 2026 de Mitchell Hashimoto, cofundador da HashiCorp, que descreveu uma prática de incorporar uma correção permanente no ambiente de um agente cada vez que ele comete um erro; outros relatos creditam Vivek Trivedy, da LangChain, cujo post "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, ajudaram a difundir o termo.

Em meados de 2026, o harness havia se tornado objeto de estudo acadêmico. Reportagens independentes descreveram pesquisas como o Self-Harness, no qual um agente minera iterativamente suas próprias falhas para propor e validar mudanças em seu harness, e o Harness-1, um agente de busca de código aberto que melhorou a precisão de recuperação principalmente redesenhando 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 que a engenharia de prompt, que otimiza uma única interação, ou a engenharia de contexto, que governa quais informações o modelo vê em um dado momento; nesse enquadramento, o harness projeta todo o ambiente operacional e contém as outras duas como partes. Uma característica distintiva é que o componente sendo envolvido é não determinístico, então um harness é projetado para se recuperar graciosamente quando o modelo fabrica uma ação ou relata uma tarefa como concluída quando não está.

Ver também

• Agente de IA
• Modelos de linguagem em grande escala
• Model Context Protocol
• Engenharia de prompt
• Agente de software

Referências