A Habilidade de IA Que É 98% do Agente

Um AI agent combina fundamentalmente duas partes: o underlying large language model (LLM), servindo como o motor, e o harness, representando todo o veículo. Uma análise definitiva de Claude Code revelou que aproximadamente 98% de sua arquitetura é o harness, não o modelo. Este fato ressalta que a verdadeira proeza de engenharia na criação de agentes funcionais reside neste wrapper sofisticado.

Esta abordagem contrasta fortemente com paradigmas anteriores de IA. A Prompt Engineering focava em conversar *com* o modelo, elaborando inputs precisos para outputs desejados. A Context Engineering avançou isso informando o modelo, fornecendo-lhe os dados e conhecimentos necessários para aprimorar seu raciocínio e respostas.

A Harness Engineering representa a próxima evolução crítica, mudando de mera comunicação ou informação para a construção de um sistema controlável e previsível *em torno* do modelo. Isso envolve definir os processos, capacidades do agent e como ele responde a erros. Ao selecionar uma ferramenta como Claude Code, está-se, em essência, escolhendo um harness pré-projetado.

O harness fornece ao modelo capacidades essenciais que ele inerentemente não possui, transformando um gerador de texto básico em um functional agent. Estas incluem: - acesso ao sistema de arquivos - execução de comandos - fluxos de trabalho estruturados - monitoramento do sistema Este framework robusto garante que o agent possa interagir de forma confiável com seu ambiente, executar tarefas complexas autonomamente e evoluir aproveitando cada erro do LLM como uma oportunidade para melhoria estrutural.

A mudança fundamental de mentalidade no desenvolvimento de agents é crucial: a falha do agent sinaliza uma falha de design do sistema, não uma inadequação do LLM. Os principais engenheiros agentic, como aqueles que são pioneiros na harness engineering, reconhecem que esperar por um modelo melhor é uma estratégia perdedora. Em vez disso, eles veem cada erro como uma oportunidade para reforçar a integridade estrutural do agent, evoluindo o agent wrapper em vez de culpar o motor.

Isso leva ao princípio central: 'todo erro se torna uma regra.' Se um agent tenta um comando destrutivo, os engenheiros não apenas revertem; eles adicionam um hook para evitar que ele seja executado novamente. Quando um agent interpreta mal uma convenção crítica, essa percepção específica é codificada nas regras centrais do agent, tornando o sistema estruturalmente mais difícil de repetir esse erro. Mitchell Hashimoto, uma figura chave nesta abordagem, enfatiza este refinamento iterativo.

Esta iteração implacável e orientada por erros constrói um sistema resiliente e autoaperfeiçoável. LangChain melhorou impressionantemente a pontuação de seu coding agent no Terminal Bench 2.0 de 52.8% para 66.5% apenas modificando o harness, provando o impacto do wrapper. A equipe Codex da OpenAI, aplicando princípios semelhantes, entregou mais de um milhão de linhas de código de produção por AI agents em cinco meses, com humanos projetando o ambiente. Os engenheiros, assim, fazem a transição de prompters reativos para arquitetos de sistema proativos, assumindo total responsabilidade pelo desempenho robusto e em evolução do agent.

A anatomia de um harness de alto desempenho começa com a camada de IA, o invólucro definitivo que os engenheiros constroem em torno de qualquer sessão de agente de codificação. Esta camada define o contexto e os processos do agente, compreendendo vários componentes críticos: - regras globais: estabelecendo convenções e padrões para um comportamento consistente. - skills: fluxos de trabalho estruturados como `plan`, `implement` e `validate` que guiam ações complexas. - hooks: gatilhos de verificação de segurança que interceptam ações ou estados. - sub-agentes: entidades autônomas especializadas que lidam com tarefas específicas.

A engenharia de harness opera em dois níveis distintos. O nível um foca em aperfeiçoar esta AI layer para uma única sessão de agente, otimizando seu ambiente e interação imediatos. O nível dois eleva isso orquestrando múltiplas sessões de agentes especializados em um fluxo de trabalho unificado e poderoso, permitindo a execução confiável de tarefas em larga escala e desbloqueando uma alavancagem significativa.

Esses componentes se integram perfeitamente. As skills, por exemplo, definem um processo multi-etapas para uma implementação complexa. Um hook pode então acionar um sub-agente de revisão dedicado para validar o código gerado contra padrões de qualidade e protocolos de segurança antes de fazer o commit, prevenindo proativamente erros. Para um mergulho mais profundo nesses padrões arquitetônicos, consulte recursos como Agent Harness Engineering - AddyOsmani.com. Essa abordagem sistemática garante que o sistema evolua a partir de cada erro.

A equipe Codex da OpenAI forneceu uma validação inicial e convincente para a harness engineering. Eles entregaram mais de um milhão de linhas de código de produção, escritas inteiramente por AI agents, em apenas cinco meses. Essa conquista monumental não veio do ajuste fino interminável de modelos, mas de humanos projetando o ambiente de execução, alavancando princípios robustos de harness para guiar o comportamento do agente.

Demonstrando ainda mais esse poder, a LangChain melhorou significativamente o desempenho de seu agente de codificação. Eles aumentaram sua pontuação no Terminal Bench 2.0 de 52.8% para 66.5%—um salto de quase 14%—alterando apenas o agent wrapper, deixando o underlying model inalterado. Esses resultados sublinham definitivamente onde reside a verdadeira alavancagem de engenharia no desenvolvimento de agentes.

Consequentemente, um novo papel crítico está emergindo rapidamente: o Harness Engineer. Também conhecido como AI Systems Engineer ou Agent Platform Engineer, esses especialistas são essenciais para construir a infraestrutura resiliente e confiável que torna os AI agents viáveis na empresa. Eles se concentram no que o sistema previne, mede e corrige, moldando o comportamento do agente além do próprio modelo.

Dominar o harness é a habilidade definitiva que finalmente preenche a lacuna entre demos impressionantes de proof-of-concept e AI de nível de produção. É o caminho para construir sistemas verdadeiramente autônomos que são confiáveis, escaláveis e, em última análise, valiosos, transformando como desenvolvemos e implantamos soluções inteligentes.

O que é harness engineering?

Harness engineering é a disciplina de construir o invólucro, ou 'harness', em torno de um large language model. Isso inclui as ferramentas, regras, guardrails e processos que permitem que um AI agent execute tarefas complexas de forma confiável e segura.

Como a harness engineering difere da context engineering?

A context engineering foca em dar ao modelo a informação certa (o que ele sabe). A harness engineering foca em construir o sistema em torno do modelo, definindo suas capacidades, limitações e ciclos de correção de erros (o que ele pode e não pode fazer).

Por que o harness é considerado mais importante que o modelo?

O arnês determina a confiabilidade e o desempenho de um agente. Uma análise do código Claude descobriu que era 98% arnês, não modelo. Um arnês bem projetado pode prevenir erros, permitir tarefas complexas de várias etapas e fazer com que um modelo menos poderoso supere um mais poderoso.

Quais são os componentes principais de um arnês de IA?

Um arnês tipicamente inclui orquestração de ferramentas, loops de verificação (hooks), sistemas de gerenciamento de contexto e memória, guardrails para segurança e observabilidade para monitorar o desempenho do agente.