Vivek Trivedy di LangChain propone una definizione strutturata dell'agent harness: Agent = Model + Harness. L'harness comprende tutto il codice, la configurazione e la logica di esecuzione che non è il modello stesso, inclusi i system prompt, i tool e MCP, l'infrastruttura embedded, la logica di orchestrazione e gli hook deterministici.
L'articolo deriva ciascuna componente dell'harness dai comportamenti desiderati che i modelli non possono fornire nativamente. Il filesystem viene identificato come la primitiva più fondamentale: offre uno spazio di lavoro, uno storage incrementale e una superficie di collaborazione tra agenti e umani. Bash e l'esecuzione di codice forniscono un tool general-purpose che permette al modello di progettare i propri tool al volo. I sandbox offrono ambienti di esecuzione sicuri e scalabili con tool predefiniti preinstallati.
Per la memoria, il filesystem funge da primitiva centrale tramite file standard come AGENTS.md, caricati nel contesto all'avvio e aggiornati tra una sessione e l'altra. La ricerca web e i tool MCP (come Context7) offrono accesso a conoscenze oltre il training cutoff.
L'articolo identifica il context rot come una sfida importante: le prestazioni si degradano man mano che la finestra di contesto si riempie. Le soluzioni includono la compaction (riepilogo intelligente del contesto), lo scaricamento dei risultati voluminosi dei tool sul filesystem e le Skills come meccanismo di progressive disclosure.
Per l'esecuzione di lunga durata, le primitive precedenti si combinano tra loro. Il Ralph Loop è un pattern che intercetta il tentativo del modello di uscire e reinietta il prompt in un contesto pulito, forzando la continuazione del lavoro. Il planning e l'autoverifica (test + un ciclo di correzione) mantengono l'agente sulla traiettoria corretta.
L'articolo esplora la co-evoluzione modello-harness: i prodotti agentici come Claude Code e Codex vengono post-addestrati insieme al proprio harness, creando un accoppiamento (modificare la logica di un tool può degradare le prestazioni). Tuttavia, l'harness migliore per un determinato task non è necessariamente quello usato per l'addestramento — LangChain è passata dalla Top 30 alla Top 5 su Terminal Bench 2.0 cambiando solo l'harness.
In conclusione, anche se alcune funzioni dell'harness verranno assorbite dai modelli, l'harness engineering resterà rilevante perché costruisce sistemi attorno all'intelligenza del modello. LangChain sta sviluppando deepagents ed esplora l'orchestrazione massiva di agenti, l'autoanalisi delle trace e l'assemblaggio dinamico just-in-time del contesto.