Handbücher · Agent-Harnesses
Was ein Harness ist
Lernziele
- Du beschreibst den Loop im Kern jedes Harness in vier Schritten.
- Du ordnest Tool-Schemas, Systemprompt, Berechtigungen und Kontextverwaltung als Teile des Harness ein und nennst, wofür jeder Teil sorgt.
- Du gibst wieder, was die Messung von Databricks aus dem Juli 2026 über den Einfluss des Harness zeigt.
Ein HarnessAlles, was festlegt, was der Agent erreichen darf: Tools, Berechtigungen, Sandbox, Zeitlimits und die Prüfung, bevor eine Aktion wirkt. Englisch für Geschirr oder Gestell.Im Glossar ist alles um das Modell · engl. model, LLMDas Sprachmodell (LLM, Large Language Model). Es liest Text, schreibt Text und entscheidet in einem Agenten, was als Nächstes passiert.Im Glossar herum, was aus vorhergesagtem Text erledigte Arbeit macht: der Loop, die Tools, die Prompts, die Berechtigungen und die Verkabelung dazwischen. Das Modell entscheidet. Der Harness führt aus, beobachtet das Ergebnis und gibt es an das Modell zurück. Mit demselben Modell und einem anderen Harness entsteht ein ganz anderer Agent.
Die Idee dahinter kennst du aus dem Kursmodul Der Harness. Dieses Handbuch enthält die ganze Auswahl: die Anatomie, Claude Code als Vorbild, Context Engineering, Tools und MCP, die Landschaft der fertigen Harnesses und drei Builds, an deren Ende ein eigener Harness in rund 190 Zeilen Python steht.
Der Loop
Im Kern steckt eine while-Schleife, der Loop · engl. agent loopDie Schleife eines Agenten: denken, handeln, beobachten, wiederholen. Zwischen den Durchläufen wird der Kontext des Modells jedes Mal neu gebaut.Im Glossar. Der Harness schickt den bisherigen Verlauf an das Modell. Enthält die Antwort Tool-Aufrufe, führt er sie aus, hängt die Ergebnisse an und schickt alles erneut. Enthält sie nur Text, hört er auf und zeigt die Antwort.
Schritt 1 von 4
Verlauf senden
Der Harness schickt den ganzen bisherigen Verlauf an das Modell: Auftrag, frühere Antworten, frühere Tool-Ergebnisse.
Mehr steckt im Kern nicht. Thorsten Ball baut in seinem Tutorial „How to build an agent“ vom April 2025 einen Agenten, der Code bearbeitet, und verspricht dafür weniger als 400 Zeilen Go. Am Ende zählt er selbst rund 300 Zeilen und drei Tools. Alles Weitere in diesem Handbuch verfeinert diese Schleife.
Tool-Schemas
Ein Tool · engl. toolEin Werkzeug, das das Modell aufrufen kann: eine API, eine Datenbankabfrage, ein Shell-Befehl, eine Suche. Über Tools wirkt das Modell auf die Welt.Im Glossar ist für das Modell ein JSON-Schema mit Namen, Beschreibung und typisierten Parametern. Die Beschreibung wirkt wie ein Prompt: Das Modell wählt ein Tool, indem es die Beschreibung liest. Eine vage Beschreibung führt zu vagem Verhalten. Zuschnitt, Namen und Fehlermeldungen wiegen deshalb schwerer als die Frage, über welches Protokoll das Tool angebunden ist. Die Lektion Tools und MCP behandelt das im Detail.
Systemprompt
Der Systemprompt · engl. system promptDer feste Anfang jedes Aufrufs: Rolle, harte Regeln, Ausgabeformat. Er steht vor dem Gesprächsverlauf und gilt für das ganze Gespräch.Im Glossar enthält die stehenden Anweisungen: wer der Agent ist, wie er sich verhalten soll und wie seine Umgebung aussieht. Harnesses im Produktivbetrieb liefern Systemprompts mit Tausenden Wörtern aus. Darin stehen Hausstil, Sicherheitsregeln und Konventionen für die Tools. Hier wird aus einem Chatbot ein Agent mit Urteilsvermögen.
Berechtigungen
Ein Agent, der rm -rf ausführen kann, braucht eine Schranke. Harnesses legen Schichten zwischen die Absicht des Modells und die Maschine: Allowlists, Freigaben pro Tool-Aufruf, Sandboxen und reine Lesemodi. Erst das Berechtigungssystem erlaubt es dir, einen Agenten unbeaufsichtigt laufen zu lassen. Fehlt es, musst du jeden Schritt selbst prüfen und bist damit selbst der Harness.
Kontextfenster verwalten
Das Kontextfenster · engl. context windowAlles, was das Modell bei einem Aufruf liest: Anweisungen, Verlauf, Dateien, Tool-Ergebnisse. Was dort fehlt, existiert für das Modell nicht.Im Glossar ist endlich, und die Qualität sinkt, lange bevor es voll ist. Der Harness entscheidet, was hineinkommt: welche Dateien, wie viel Tool-Ausgabe, wann alte Runden zusammengefasst werden und was über Sitzungen hinweg in Memory-Dateien bleibt. Diese Arbeit heißt Context Engineering. Nach unserer Einschätzung trennen sich gute und schwache Harnesses vor allem an dieser Stelle.
Welcher Teil des Harness?
Ordne jede Beobachtung dem Teil des Harness zu, der dafür zuständig ist.
Noch offen (6)
- Der Agent hört nach dem ersten Tool-Aufruf auf, obwohl die Aufgabe offen ist.
- Das Modell ruft search_files auf, wenn es eine Datei lesen soll.
- Der Agent schreibt Commit-Nachrichten in einem anderen Stil als das Team.
- Der Agent hat ohne Rückfrage einen Branch gelöscht.
- Nach zwei Stunden Arbeit vergisst der Agent das ursprüngliche Ziel.
- Eine einzige Log-Datei mit 40.000 Tokens steht in jeder weiteren Runde im Verlauf.
Loop (0)
Tool-Schemas (0)
Systemprompt (0)
Berechtigungen (0)
Kontext (0)
Warum der Harness so viel zählt wie das Modell
Messungen aus 2026 zeigen immer wieder dasselbe: Der Harness bewegt die Zahlen. Im Juli 2026 verglich Databricks Coding-Agenten auf seiner eigenen Codebasis mit mehreren Millionen Zeilen. Claude Code und Codex traten gegen den minimalen Harness pi an, jeweils mit demselben Modell und demselben Thinking-Aufwand. Pi schickte pro Runde rund ein Drittel des Kontexts. Die Qualität blieb gleich, die Kosten pro Aufgabe unterschieden sich in einigen Fällen um mehr als das Doppelte. Databricks fasst zusammen, dass einfache Harnesses wie pi auf diesen Aufgaben in vielen Fällen am besten abschnitten.
Ein Harness mit aufgeblähtem Kontext kostet also Geld und verschlechtert das Denken des Modells. Ein Harness, der sich gut von gescheiterten Tool-Aufrufen erholt, bringt Aufgaben zu Ende, die andere abbrechen. Die Modellanbieter stimmen ihre Harnesses inzwischen auf ihre eigenen Modelle ab. OpenAI beschrieb im April 2026 einen „model-native harness“, der genau für die eigenen Modelle gebaut sei. Nach unserer Einschätzung zählen die Anbieter den Harness damit zum Produkt.
Der Rest der Anatomie
Ausgereifte Harnesses ergänzen drei weitere Bausteine. HookEin Befehl, den der Harness bei einem festen Ereignis automatisch ausführt, etwa vor oder nach jedem Tool-Aufruf. Ein Hook vor dem Aufruf kann ihn blockieren und dem Modell den Grund melden.Im Glossar sind festgelegte Skripte, die bei bestimmten Ereignissen im Ablauf laufen. Subagent · engl. subagentEin Agent, den ein anderer Agent für eine Teilaufgabe startet. Er arbeitet in einem eigenen Kontextfenster und gibt nur sein Ergebnis zurück.Im Glossar bekommen für delegierte Arbeit ein frisches Kontextfenster. Skill · engl. skillEin Ordner mit einer Datei SKILL.md, die einem Agenten eine wiederkehrende Aufgabe beschreibt. Claude Code lädt den Skill, wenn die Aufgabe passt oder du ihn mit seinem Namen aufrufst.Im Glossar sind Anweisungen, die erst bei Bedarf geladen werden. Claude Code setzt alle drei um und dient in diesem Handbuch als Referenz. Die Alternativen stellt die Harness-Landschaft vor.
Wer die Anatomie einmal kennt, liest jedes Framework mühelos. Alle Frameworks bauen dieselbe Schleife und legen unterschiedlich viel Maschinerie darum.
Merksätze
- Der Harness ist alles um das Modell: Loop, Tools, Prompts, Berechtigungen und Kontextverwaltung.
- Der Kern ist eine Schleife: Verlauf senden, Tools ausführen, Ergebnisse anhängen, bei reinem Text stoppen.
- Tool-Beschreibungen und Systemprompt steuern das Verhalten, Berechtigungen erlauben den Betrieb ohne Aufsicht.
- Mit gleichem Modell sendete der minimale Harness pi bei Databricks ein Drittel des Kontexts bei gleicher Qualität.
Prüf dich selbst
Denkfrage
Woran erkennt der Loop, dass er eine weitere Runde drehen muss?
An der Antwort des Modells. Enthält sie Tool-Aufrufe, führt der Harness sie aus, hängt die Ergebnisse an und schickt den Verlauf erneut. Enthält sie nur Text, ist die Runde die letzte.
Denkfrage
Warum sagt der Satz „Ohne Berechtigungssystem bist du der Harness“ etwas Wahres?
Ohne Schranke zwischen Absicht und Ausführung prüft niemand außer dir, ob ein Befehl harmlos ist. Du musst also jeden Schritt beobachten und eingreifen. Erst Allowlists, Freigaben und Sandboxen nehmen dir diese Aufgabe ab.
Prüf dich selbst
Quellen
- How to build an agent
Ein Coding-Agent in rund 300 Zeilen Go.
- Benchmarking Coding Agents on Databricks’ Multi-Million Line Codebase
Claude Code und Codex gegen pi bei gleichem Modell.
- The next evolution of the Agents SDK
Model-native harness und Sandbox im Agents SDK.