Harness Engineering: Wie robuste Umgebungen für Multi-Agenten-Systeme entstehen

X-PostrariSammlung

Ein Leitfaden und Video-Workshop von rari analysiert das Konzept des Harness Engineering für KI-Agenten. Wenn Agenten scheitern, liegt das meist nicht an den Gewichten des Modells oder schlechten Prompts, sondern an einer unzureichend definierten Ausführungsumgebung. Anhand des Claude Agent SDK und Beispielen von Anthropic und OpenAI wird gezeigt, wie Werkzeuge, State, Sensorik und Leitplanken strukturiert werden müssen.

Das Wichtigste

  1. Harness statt Prompt: Prompt Engineering verbessert die Anweisung, Harness Engineering optimiert die Bedingungen, unter denen die Anweisung ausgeführt wird.
  2. Entkopplung von Logik und Werkzeugen: Das Modell dient als Denkwerkzeug, während Tools in Sandboxes laufen; Berechtigungen müssen außerhalb des Modells erzwungen werden.
  3. Sieben Kernaufgaben: Ein produktiver Harness erfordert Verträge, Projektkarten, klare Tool-Schnittstellen, externen persistenten Speicher, Sensorik (Tests, Linter), externe Autorisierung und Tracing.
  4. Anweisungen als Infrastruktur: Wichtige Regeln müssen doppelt existieren – als textuelle Vorgabe für das Modell und als maschinelle Prüfung, die der Agent nicht umgehen kann.
  5. Fehlertoleranz und Persistenz: Serverbasierte Ausführung und strukturierte Logs ermöglichen die Wiederaufnahme nach Abbrüchen und kontinuierliches Lernen (Dreaming).

Warum das relevant ist

Entwickler investieren oft viel Zeit in Prompt-Anpassungen, wenn autonome Agenten fehlschlagen. Das Konzept des Harness Engineering verschiebt den Fokus auf Software-Architektur, Testbarkeit und Berechtigungsgrenzen, was für produktionsreife und verlässliche Workflows entscheidend ist.

Einordnung

Der Beitrag fasst eine fundamentale Verschiebung in der Entwicklung von KI-Agenten zusammen: Modelle sind lediglich probabilistische Planer, die deterministische Leitplanken benötigen. Der Verweis auf Aussagen von Dario Amodei (Anthropic) zur Entstehung von Claude Code und OpenAIs Erfahrungen mit Codex verdeutlicht, dass Agenten ohne feste State-Verwaltung, Sensorik und Feedbackschleifen unzuverlässig bleiben. Durch die Zerlegung in sieben konkrete Aufgaben liefert der Text eine praxistaugliche Architektur-Blaupause.

Original-Post

rari

@0xwhrrari · 2. September 2026

Anthropic hired this engineer at $250K-$750K a year because he knows how to build harnesses for multi-agent systems In this 15-minute workshop, he shows exactly how to build one from scratch AI → Agents → Harness → Loops → Graphs step 1 → start with the Claude Agent SDK - t.co/V4hcr8VQyD t.co/3Bg3kzkxkZ

817 Likes24 Antworten1960 Lesezeichen142.239 Aufrufe

Auf X ansehen
Weitere Posts im Thread (9)
  1. @elune0x best vid for rewatch it later i guess
  2. @arle0x professsional
  3. @nulldlltec solid watch ofc
  4. @0xWinter11 yeah retries need taste too or the loop just becomes cardio
  5. @TarasOnChain exactly the whole point is waking up to results not another tab to babysit
  6. @SubhashY0310 thats the split the model makes moves the harness decides whether they stick
  7. @slash1sol 😼
  8. @bhavik_mscit 😼😼
  9. @0xCristal 🤔🤔
Ausgewählte Antworten (5)
  • @elune0x @0xwhrrari best 12 minutes workshop save it for later to rewatch
  • @nulldlltec @0xwhrrari solid watch, i lost a whole run to a dead sandbox last week bro !
  • @arle0x @0xwhrrari this guy definetly know his work
  • @SubhashY0310 @0xwhrrari Harness engineering is becoming its own discipline. The model gets attention, but state, tools, recovery and evals decide whether the agent survives real work.
  • @0xWinter11 @0xwhrrari the hard part shifts to deciding which failures deserve retries.

Erwähnte Links

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Artikel:Mehdi Allahyari

    Harness Engineering: Warum die Umgebung wichtiger ist als das LLM-Modell

    Nach Prompt- und Context-Engineering bildet Harness Engineering die dritte Phase im Bau autonomer KI-Systeme. Mehdi Allahyari beschreibt die Software-Infrastruktur um das Sprachmodell als entscheidenden Erfolgsfaktor für Zuverlässigkeit und Selbstkorrektur.

    KI & AI· Sammlung

  • X-Post:Tejas Kumar

    Was ist ein Agent Harness? Tejas Kumar erklärt Harness Engineering

    Tejas Kumar hat seinen Vortrag von der AI Engineer Conference als Blogbeitrag veröffentlicht. Er erläutert das Konzept des Agent Harness: die Code-Schicht um ein KI-Modell herum, die Verlässlichkeit erzwingt. Statt fehlschlagende Agenten über veränderte Prompts zu reparieren, plädiert er für Harness Engineering.

    258Lesezeichen9691Aufrufe

    KI & AI· Sammlung

  • Artikel:Mehdi Allahyari

    Aufbau eines Agent Harness: Architektur robuster KI-Agenten

    Mehdi Allahyari analysiert die fünf Kernkomponenten eines produktionsreifen Agent Harness und zeigt anhand einer Python-Implementierung, wie Fehler abgefangen und in strukturierte Feedbackschleifen für LLMs überführt werden.

    KI & AI· Anleitung

  • Artikel:Tejas Kumar

    Was ist ein Agent Harness? Harness Engineering verständlich erklärt

    Tejas Kumar erklärt das Konzept des Agent Harness: die Laufzeitumgebung und Kontrollschicht um ein KI-Modell, die dessen Verhalten verlässlich macht. Anhand eines praktischen Beispiels zeigt er, wie deterministischer Code rund um GPT-3.5 Turbo ein unzuverlässiges Verhalten korrigiert, ohne den Prompt zu ändern.

    KI & AI· Anleitung

  • Repository:walkinglabs/learn-harness-engineering

    Learn Harness Engineering: Open-Source-Kurs für verlässliche KI-Coding-Agents

    Das Open-Source-Projekt learn-harness-engineering von walkinglabs bietet einen praxisorientierten Einsteigerkurs, der Entwickler von Grund auf in das Harness Engineering für autonome Coding-Agents einführt. Der Kurs behandelt State-Management, Laufzeitumgebungen, Verifikationslogik und Kontrollmechanismen, um Coding-Agents stabil in der Praxis einzusetzen.

    14.831SterneTypeScript

    KI & AI· Anleitung

  • Link:hanakoxbt

    Five Layers: Kurs zur Architektur und Entwicklung von KI-Agenten

    Der Online-Kurs 'Five Layers' von hanakoxbt strukturiert die Entwicklung von KI-Agenten in fünf aufeinander aufbauende Schichten: Prompt, Context, Harness, Loop und Graph Engineering. Statt auf komplexe Frameworks setzt das Material auf modulare Vorlagen, Konfigurationen und deterministische Abläufe zur Fehlervermeidung in Produktionsumgebungen.

    KI & AI· Sammlung

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.