#harness_engineering — Public Fediverse posts

Deep Agents: open source-обвязка на LangGraph

Привет, на связи команда GigaChain! Мы занимаемся агентными системами и развиваем набор open source-решений для подключения агентов к GigaChat API. LangChain развивается с 2022 года и выросла в одну из самых популярных экосистем для агентов: у основной библиотеки более 140 тысяч звёзд на GitHub. Благодаря LangGraph — движку, который исполняет агента как граф с состоянием, — с её помощью собирают и простые цепочки вызовов, и сложные автономные агенты, ведущие задачу на сотни шагов. Поверх этого стека команда LangChain выпустила Deep Agents — готовую агентную обвязку (agent harness): рабочую среду с файловой системой, оболочкой, планировщиком, субагентами и памятью, в которую остаётся лишь поместить модель. Сегодня мы подробно разберём эту обвязку: из чего она состоит и как собрать на ней агента, работающего на GigaChat.

https://habr.com/ru/companies/sberbank/articles/1071036/

#агенты #harness #harness_engineering #gigachat #gigachain #langgraph #langchain

Затащи меня в Harness. Часть 3: Принципы маршрутизации

Я бы назвал это самой важной частью всей серии статей. В ней мы соберём целостную картину. Будем говорить об обобщённой системе, которая принимает естественный язык, выбирает действие и умеет безопасно запускать долгие операции.

https://habr.com/ru/articles/1058808/

#ai #harness #harness_engineering

Инженерия вокруг агента: 10 идей AI Engineer

10 идей конференции AI Engineer о том, как меняется разработка, когда код пишут агенты. В начале 2026 года небольшая команда OpenAI рассказала о необычном эксперименте. Три инженера за пять месяцев создали внутренний продукт объёмом около миллиона строк кода и провели через репозиторий примерно 1500 pull request’ов. Продуктом пользовались сотни сотрудников. При этом люди не написали вручную ни одной строки: прикладной код, тесты, CI‑конфигурацию, документацию, observability и внутренние инструменты генерировал Codex. По оценке команды, разработка заняла примерно десятую часть времени, которое потребовалось бы при традиционном подходе. Но наиболее интересным результатом эксперимента оказался не миллион строк кода. Им стало открытие нового узкого места. Когда код можно производить практически непрерывно, ограничением становится не скорость печати и даже не интеллект модели. Ограничением становится способность людей объяснить, что именно следует построить , организовать работу автономных исполнителей, проверить результат и не позволить автоматизации разрушить систему быстрее, чем команда успеет это заметить. Именно этот сдвиг лучше всего описывают выступления AI Engineer 2026 — весенней конференции Europe в Лондоне и летней World's Fair в Сан‑Франциско. Доклады посвящены разным темам: контексту, памяти, длительным циклам, командной координации, верификации и безопасности. При этом важно не сводить их к одной заранее выбранной теории. Каждый спикер предлагает собственную модель AI‑first разработки, основанную на своём опыте и профессиональной перспективе.

https://habr.com/ru/articles/1063504/

#AIfirst_разработка #AIагенты #harness_engineering #context_engineering #память_агентов #agent_loops #мультиагентные_системы #верификация_кода #автономность_агентов #agentic_security

Harness engineering: как за год собрать фабрику из десятка конвейеров

Агент проходит все проверки и сносит то, что трогать было нельзя. Промпт это не лечит — лечит среда вокруг модели. В ноябре я начал собирать такую среду и называл её просто фабрикой разработки. Меньше чем за год из неё выросло почти десять конвейеров, а у занятия, оказывается, есть название: harness engineering. Рассказываю, как оно росло, и показываю схему и скелет в github.

https://habr.com/ru/articles/1062822/

#harness_engineering #cursor #мультиагентные_системы #ai_agents #sdlc #ratchet #subagents #разработка_с_ии

Harness кодинг‑агента: разобрал исходники Codex, OpenCode, Pi и свою собственную

Я собираю своего кодинг‑агента поверх моделей OpenAI . Базовый агентный цикл написал сам на Pydantic AI , и он быстро заработал. А потом начались сложные узлы: как сжимать распухший контекст, как не дать агенту делать заново уже сделанное, как понять, что он правда закончил, а не выдохся. На каждом таком узле я застревал и шёл смотреть, как это решают взрослые. Благо исходники Codex , OpenCode и Pi лежат открыто, а архитектуру Claude Code Anthropic описывает сама. Оказалось, кодинг‑агенты различаются не моделью внутри и не списком фич на лендинге. Они различаются архитектурными ставками обвязки, и эти ставки видны прямо в коде. Дальше — разбор по ставкам, с примерами кода , и попытка понять, какие из этих ставок стоит закладывать всерьёз, а какие проживут до следующего сильного релиза модели.

https://habr.com/ru/articles/1060250/

#обвязка_агента #harness #кодингагенты #Codex #OpenCode #Claude_Code #агентный_цикл #harness_engineering #LLM #Pydantic_AI

От Anthropic Cores к 4 слоям: Enterprise AI Harness на open source

Anthropic показали, как работает агентная обвязка. Я не Anthropic — поэтому собрал эту обвязку из доступных компонентов, а не написал свой runtime. Так, чтобы запускать агентов в production могла не только команда гениев из Сан-Франциско, но и обычная platform-команда. О том, как сделать агента, написано много. О том, как безопасно и предсказуемо запустить его в production — гораздо меньше. Что получилось Reference architecture для self-hosted Enterprise AI Harness на Kubernetes. Четыре функциональных слоя и основные точки интеграции между ними.

https://habr.com/ru/articles/1057942/

#harness_engineering #harness #llmархитектура #llmагенты

Создание харнесса для код-агентов под enterprise-фреймворк на Java

Вайб-кодинг, или AI-assisted development, отлично работает на уровне прототипа: агент получает текстовое ТЗ и быстро собирает первый рабочий вариант. Но в корпоративной разработке этого мало. Проблема начинается там, где нужно не просто написать код, а собрать полноценное корпоративное приложение. В Джеймикс между «экран открылся» и «система действительно работает как надо» лежит пропасть. В какой-то момент мы задались вопросом: можно ли научить ИИ-агента проходить этот путь самостоятельно? Можно, если собрать вокруг него харнесс (англ. harness ). Именно о нем статья. В Джеймикс мы строим этот мост как инженерный харнесс: набор скиллов, инструментов и проверок, который помогает довести работающий прототип до реально работающей системы. Для его строительства мы используем агентную платформу

https://habr.com/ru/companies/haulmont/articles/1057230/

#harness #harness_engineering #ai #aiагенты #haulmont #jmix #kodacode

If you can't recognize better and worse test design, you can't usefully instruct an AI to write tests. If you've never seen well-designed tests, learn what they are first. #harness_engineering

12 факторов хорошего агента

Почти все мы только учимся работать с агентами. Даже опытные команды иногда управляют агентами так, что те приносят больше вреда, чем пользы. HumanLayer сформулировал 12 принципов того, как делать и настраивать агентов правильно. Каждый пункт отвечает на вопрос, что работает хорошо, а что стабильно приводит к проблемам.

https://habr.com/ru/articles/1052896/

#AI #агентская_разработка #агенты #агенты_ии #harness #harness_engineering

Промпты, RAG, LLM-тюнинг, Harness… Идём дальше?

Автономная диагностика СУБД требует от LLM-агента не просто генерации текста, а точной последовательности действий: сбора телеметрии, анализа планов запросов и блокировок. Мы провели эксперимент по оптимизации окружения ИИ-агента (Virtual DBA) для Postgres. Использовав механизм записи и ускоренного воспроизведения реальной нагрузки (record/replay), мы запустили эволюционный поиск по пространству параметров среды — от изменения промптов до перекомпоновки шагов анализа и MCP-инструментов. Результаты показывают, как автоматический выбор конфигурации влияет на качество диагностических выводов и почему избыток доступных инструментов может ухудшить итоговый вердикт.

https://habr.com/ru/companies/postgrespro/articles/1045532/

#harness #metaharness #парето #дискретная_оптимизация #prompt_tuning #RAG_tuning #harness_engineering #metaagent #metallm #llm_as_a_judge

Как оценивать ИИ-агентов в проде: нижняя планка, трассы и кодовые проверки

Если агент уже ходит в инструменты, читает документы, меняет состояние системы и принимает часть решений сам, проверка одного промпта почти ничего не говорит о надежности. Нужно смотреть на весь путь: вход, найденный контекст, вызовы инструментов, промежуточные состояния, итоговый ответ и побочные эффекты. Ниже - рабочая схема, как строить такие проверки до релиза и после выхода в прод.

https://habr.com/ru/articles/1040756/

#eval #ai #aiагенты #llm #тестирование #data_analysis #агенты_в_продакшене #агенты_ии #трассировка #harness_engineering

[Перевод] Как кодинг-агенты используют инструменты, память и контекст репозитория, чтобы писать код лучше

Это перевод хорошей статьи про базу того, как устроены кодинг-ассистенты и что для них важно: что такое харнесс и харнесс-инжиниринг , в чем разница просто агентной обвязки и кодинговой, что такое компактизация и почему та же самая модель в консольке ощущается мощнее, чем просто в веб-чате. Сильного хардкора и больших откровений в ней нет, но это отличный материал для старта изучения архитектуры кодинг-ассистентов и лучшего понимания, как оно работает внутри.

https://habr.com/ru/articles/1021168/

#harness #харнесс #кодингхарнесс #кодинг #кодинг_ассистенты #aiassisted_development #harness_engineering #claude_code #codex #coding_cli

Как меняется delivery, когда в команде появляются агенты

AI уже ускоряет создание кода, ADR и документации, но одновременно повышает нагрузку на ревью, проверку и контроль стабильности. Поэтому следующий шаг для инженерных команд - не просто встроить AI в текущий SDLC, а пересобрать сам процесс поставки вокруг контекста, harness, quality gates и learning loop.

https://habr.com/ru/articles/1012654/

#AInative_SDLC #SDLC #LLM #coding_agents #agentic_delivery #software_delivery #harness_engineering #context_engineering #platform_engineering #управление_разработкой