#dev #ai

Все еще говорят про prompt engineering. Как правильно задать вопрос модели. Но 2026 год показывает, что этого мало.

Есть новый тренд — harness.
Это слой вокруг модели, который превращает интеллект в реальные действия. Модель сама по себе ничего не делает: она не запускает код, не проверяет результат, не управляет состоянием. Всё это делает harness.

Суть простая: если агент ошибается или «галлюцинирует», причина почти всегда не в модели, а в том, как устроен её harness. Контекст, инструменты, ограничения, цикл действий — именно они решают, будет ли AI работать стабильно.

Так какие задачи решает harness и какие навыки для этого нужны?

Context engineering — инженерия контекста. Реальный пример: документация вроде design.md или AGENTS.md, которые дают агенту правильные данные и правила, чтобы он не срывался с пути. Это не просто prompt — это структура знания, доступная агенту.

Agent loop design — проектирование цикла действий: план → действие → наблюдение → корректировка. Такой подход позволяет агентам выполнять сложные последовательные задачи, а не зависать на первом шаге.

Tooling — подключение к инструментам: API, файловая система, CI/CD pipelines. В реальном мире AI‑агенты реально создают, проверяют и деплоят пайплайны в DevOps, анализируют код и тесты — как в Harness, где DevOps‑агенты генерируют полноценные CI/CD процессы.

Constraints — ограничения и guardrails. Это правила, которые ограничивают поведение агента и делают его работу предсказуемой и безопасной. Это может быть проверка формата данных и типов, чтобы агент не сломал систему, ограничения по логике и бизнес‑правилам, чтобы не выполнялись запрещённые действия, и контекстуальные ограничения, например, связанные с безопасностью или этикой. Вместо того чтобы просто следовать prompt, агент действует в рамках этих правил, что значительно снижает ошибки и “галлюцинации”.

Feedback loops — циклы обратной связи. Например, агент запускает тесты, получает результаты и автоматически исправляет ошибки — это уже привычная практика в production harness’ах.

Memory systems — система памяти. Без неё AI начинает «всё забывать» между сессиями. Бывают открытые проекты‑harness’ы (например, Learnship), которые добавляют постоянную память, структурированные процессы и контрольные точки, чтобы работа не терялась при переходе от шага к шагу.

Multi‑agent orchestration — когда несколько агентов кооперируются: один отвечает за поиск данных, другой — за тестирование, третий — за деплой. Реальные библиотеки AI агентирования уже поддерживают такие паттерны.

Entropy management — управление «хаосом» системы. Чем дольше агент работает, тем больше накопляется мусора и контекста. Надёжный harness заботится о том, что остаётся, что сжимается, а что уходит в историю.

System architecture thinking — способность мыслить системой, а не промптами: как компоненты взаимодействуют, как данные перемещаются, где возникают узкие места. Этот навык становится фундаментальным для инженеров, работающих с AI в production.

Skill design — создание переиспользуемых навыков/модулей агента, которые могут быть вызваны по ситуации как функции. Это позволяет превращать отдельные действия в надёжные блоки для сложных решений.

Писать еще про Harness, какие есть Claude code pluggins, и тд?