Ryan Lopopolo опубликовал на GitHub сборник материалов по Harness Engineering, который объединяет статьи, практические руководства и набор контекста для ИИ-агентов. Автор описывает этот подход как способ повысить результативность агентов без изменения самой модели.
Основная идея заключается в создании специальной среды вокруг агента. В ней должны быть доступны нужные знания, инструменты, ограничения и способы проверки результата. Модель и программный агент при этом рассматриваются как постоянные элементы, а улучшение происходит за счет двух внешних факторов: контекста и возможностей.
По мнению автора, обычные модели не знают внутренние процессы конкретной организации. В них нет текущего состояния систем, локальных правил, истории решений, требований к качеству и особенностей рабочих процессов. Эти данные находятся за пределами общей подготовки модели, поэтому их нужно отдельно передавать агенту через правильно настроенное окружение.
В проекте говорится, что хороший агент должен уметь восстановить намерение задачи, работать с реальной системой, учитывать доступные права и подтверждать результат своей работы. Среда вокруг него должна помогать не только выполнить текущую задачу, но и улучшать следующие запуски за счет накопленных исправлений и опыта.
Отдельное внимание в Harness Engineering уделяется нефункциональным требованиям. Речь идет о надежности, безопасности, совместимости, поддерживаемости, производительности и других ограничениях, которые обычно остаются за пределами простого описания задачи. Автор предлагает переносить эти требования ближе к коду, чтобы агент мог получать их в процессе работы.
В репозитории также описан принцип, при котором код становится способом взаимодействия агента с компьютером. Если окружение правильно подготовлено, агент получает не только команды, но и необходимый контекст, инструменты и способы проверки результата.
Проект распространяется с лицензией CC BY 4.0. В репозитории доступны материалы для изучения концепции и практические сценарии применения.
Подход Harness Engineering показывает, что развитие ИИ-агентов может идти не только через создание новых моделей, но и через настройку среды, в которой они работают. Насколько такой подход изменит обычную разработку программного обеспечения, станет понятно по мере появления практических примеров.
