OpenAI pubblica un resoconto di una metodologia interna denominata "harness engineering" applicata allo sviluppo agent-first con Codex. Nell'arco di cinque mesi, un team di tre ingegneri (successivamente ampliato a sette) ha prodotto un prodotto beta interno contenente circa un milione di righe di codice, senza scrivere manualmente nemmeno una riga. Gli agenti Codex hanno aperto, valutato e unito (merge) circa 1.500 pull request, in media 3,5 PR per ingegnere al giorno.
L'harness è definito come l'ambiente completo di scaffolding, vincoli e cicli di feedback che circonda un agente IA: struttura del repository, configurazione CI, regole di formattazione, framework applicativi, istruzioni di progetto, integrazione di strumenti esterni e linter. Il primo commit in un repository vuoto è stato generato da Codex CLI con GPT-5, guidato da template.
L'approccio si fonda su tre pilastri. Il context engineering si basa su una documentazione strutturata all'interno del repository, organizzata in directory contenenti mappe di sistema, piani di esecuzione e specifiche di design. Le decisioni architetturali prese su Slack devono essere codificate come artefatti versionati accessibili all'interno del repo, poiché dal punto di vista dell'agente, ciò che non è nel contesto non esiste.
I vincoli architetturali vengono imposti meccanicamente attraverso un rigido modello a livelli di dipendenza (Types → Config → Repo → Service → Runtime → UI), linter personalizzati generati da Codex e Tests structurels in stile ArchUnit eseguiti in CI. I messaggi di errore dei linter sono progettati per iniettare istruzioni di correzione direttamente nel contesto dell'agente, trasformando i vincoli in guida attiva.
La gestione dell'entropia (garbage collection) consiste in task ricorrenti di Codex che analizzano il codice alla ricerca di deviazioni dai principi stabiliti, aggiornano i punteggi di qualità e aprono PR di refactoring con merge automatico.
L'articolo afferma un cambiamento fondamentale nel ruolo dell'ingegnere: l'ingegnere non scrive più codice, ma progetta ambienti, specifica l'intento e costruisce cicli di feedback per gli agenti. La sfida più grande individuata riguarda la progettazione di questi ambienti, dei cicli di feedback e dei sistemi di controllo. Il collo di bottiglia nelle prestazioni degli agenti risiede spesso nella progettazione dell'ambiente più che nell'intelligenza del modello. Martin Fowler ha descritto questo approccio come un "framing prezioso" per lo sviluppo assistito dall'IA.