Der Agentenkurs · Der Harness
Das Büro
Lernziele
- Du beschreibst einen Agenten als Modell plus Harness und erklärst, warum der Harness ein eigenes Produkt mit eigener Qualität ist.
- Du gibst die drei Messungen aus 2026 wieder, die den Einfluss von Umgebung und Harness auf Benchmark-Werte zeigen.
- Du entscheidest an einem konkreten Agenten, ob er schon einen gehärteten Harness braucht.
Stell die brillanteste Ingenieurin der Welt ein und setz sie in ein schlechtes Büro: keine Schlüssel für die Räume, die sie braucht, keine Dokumentation, keine Testsuite und eine Chefin, die alles ungelesen abzeichnet. Das Ergebnis ist schlechte Arbeit. Ein AgentEin System, in dem ein Sprachmodell seinen nächsten Schritt selbst wählt: Es ruft Werkzeuge auf, wertet das Ergebnis aus und macht weiter, bis das Ziel erreicht ist.Im Glossar besteht aus einem 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 und einem 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. Das Modell ist die neue Kollegin. Der Harness ist ihr Büro.
Den Aufbau eines Harness mit Loop, Tools, Prompts, Berechtigungen und Kontext zeigt das Handbuch Agent-Harnesses. Dieses Modul behandelt die Disziplin dahinter: Du entwirfst das Büro als Produkt und misst seine Qualität wie die jedes anderen Produkts.
Du kaufst Modell und Harness
Niemand betreibt ein nacktes Modell. Sobald du Claude Code, LangChains deepagents oder deinen eigenen Loop mit siebzig Zeilen einsetzt, hast du ein zweites Produkt mit eigener Qualitätskurve gekauft. Anbieter berechnen das Modell pro TokenDie Einheit, in der Modelle Text lesen und abrechnen: meist ein Wortteil. Anbieter rechnen pro Million Tokens ab.Im Glossar und geben den Harness dazu. Nach unserer Einschätzung verleitet das Teams dazu, den Harness als kostenlos und damit als unwichtig zu behandeln. Drei Messungen aus 2026 zeigen das Gegenteil: Wer nur das Büro ändert, verschiebt Benchmark-Werte um mehrere Punkte.
Sechs Punkte aus Container-Ressourcen
Im Februar 2026 ließ Anthropic den Benchmark Terminal-Bench 2.0 auf einem Kubernetes-Cluster unter sechs Ressourcen-Konfigurationen laufen. Die Spanne reichte von strikter Einhaltung der CPU- und Speichervorgaben jeder Aufgabe bis zu Läufen ganz ohne Obergrenze. Modell, Harness und Aufgaben blieben gleich.
Zwischen der knappsten und der großzügigsten Konfiguration lagen 6 Prozentpunkte (p < 0,01). Bei strikter Einhaltung scheiterten 5,8 % der Aufgaben an Fehlern der Infrastruktur: Kurze Spitzen im Speicherverbrauch beendeten den Container, bevor das Modell überhaupt falsch liegen konnte. Ohne Obergrenze sank dieser Anteil auf 0,5 %. Wenn schon die Speichergrenze sechs Punkte wert ist, gehört die Umgebung zum Ergebnis.
Dreizehn Punkte allein aus dem Harness
Im Februar 2026 hielt LangChain das Modell fest, durchgehend GPT-5.2-Codex, und änderte nur den Harness seines Agenten deepagents-cli. Geändert wurden drei Dinge: der Aufbau des 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, das Design der Tools und eine Zwischenschicht im Loop. Diese Zwischenschicht erkennt zum Beispiel, wenn der Agent dieselbe Datei immer wieder bearbeitet, und hält ihn vor dem Abschluss mit einer Prüfliste an.
Auf Terminal-Bench 2.0 stieg der Agent von 52,8 auf 66,5 %. Das sind 13,7 Punkte ohne jedes Training.
Ein günstigeres Modell im besseren Büro
Im Juli 2026 wandte LangChain dasselbe Vorgehen auf Nemotron 3 Ultra an, ein offenes Modell von NVIDIA. Allein durch Arbeit am Harness erreichte es auf LangChains Deep-Agents-Suite einen besten Lauf von 0,86. Der beste Lauf von Claude Opus 4.8 lag bei 0,87. Ein voller Durchlauf der Suite kostete mit Nemotron rund 4,48 $, mit Opus 43,48 $, also etwa das Zehnfache.
Die Suite stammt von denselben Leuten, die den Harness gebaut haben, und es ist nur eine Suite. Bewerte die Zahl deshalb vorsichtig. Nach unserer Einschätzung passt die Richtung zu den anderen Messungen dieses Jahres: In einem guten Büro schafft auch eine günstigere Kollegin die Arbeit.
Wann du einen brauchst
Du brauchst einen gehärteten Harness, sobald der Agent etwas Echtes berührt. Ein Chatbot mit schlechter Antwort kostet dich ein Stirnrunzeln und einen zweiten Versuch. Bis du auf den Text reagierst, ist nichts passiert. Ein Agent mit Shell, Datenbankverbindung oder Senden-Knopf handelt auf Grundlage seiner eigenen Ausgabe. Die falsche Antwort ist dann ein gepushter Commit, eine gelöschte Tabelle, eine verschickte Mail.
Das ist die Grenze. Solange die Ausgabe Text ist, den du prüfst, reicht ein guter Prompt, und du sparst dir den Aufwand. Ab dem Tag, an dem daraus Aktionen werden, die einfach passieren, brauchst du Wände, Leitplanken, Sensoren und Freigaben, in genau dieser Reihenfolge. Die Lektion Die vier Ringe zeigt diese Reihenfolge, und Harness in der Praxis härtet einen echten Agenten von Anfang bis Ende.
Schon ein Harness nötig?
Ordne jeden Einsatz ein: Prüfst du die Ausgabe, bevor etwas passiert, oder handelt der Agent selbst?
Noch offen (6)
- Ein Chat entwirft eine Antwort auf eine Kundenmail, du kopierst sie selbst hinüber
- Ein Agent beantwortet Kundenmails und schickt sie direkt ab
- Ein Agent mit Shell-Zugriff behebt Fehler und pusht auf den gemeinsamen Branch
- Ein Modell fasst ein Meeting-Protokoll zusammen, das du danach liest
- Ein Agent mit Datenbankverbindung räumt nachts alte Einträge auf
- Ein Modell schlägt eine SQL-Abfrage vor, die du selbst ausführst
Text, den du prüfst (0)
Aktion, die einfach passiert (0)
Merksätze
- Ein Agent besteht aus Modell und Harness, und der Harness ist ein eigenes Produkt mit eigener Qualität.
- Allein die Speichergrenze der Container verschob Terminal-Bench 2.0 um 6 Prozentpunkte.
- Mit festem Modell und reiner Arbeit am Harness stieg LangChains Agent um 13,7 Punkte.
- Ein offenes Modell erreichte im besseren Harness fast den Wert eines Spitzenmodells, zu etwa einem Zehntel der Kosten.
- Sobald die Ausgabe zu Aktionen wird, die ohne deine Prüfung passieren, brauchst du einen gehärteten Harness.
Prüf dich selbst
Denkfrage
Dein Team vergleicht zwei Modelle auf einem Benchmark und findet 3 Punkte Abstand. Was prüfst du, bevor ihr wechselt?
Du prüfst, ob beide Läufe dieselbe Umgebung und denselben Harness hatten: gleiche Ressourcen, gleiche Prompts, gleiche Tools. Anthropic hat gezeigt, dass allein die Speichergrenze 6 Punkte ausmachen kann. Ein Abstand dieser Größe kann also aus dem Büro stammen und nichts über das Modell sagen.
Denkfrage
Eine Kollegin sagt: „Der Harness ist doch nur Verpackung, gratis zum Modell dazu.“ Was hältst du dagegen?
LangChain hat mit festem Modell nur am Harness gearbeitet und 13,7 Punkte auf Terminal-Bench 2.0 gewonnen. Der Harness hat also eine eigene Qualität, die du entwerfen und messen kannst. Dass er nichts extra kostet, sagt nichts über seinen Einfluss auf das Ergebnis.
Prüf dich selbst
Quellen
- Infrastructure noise in agentic coding evals
Terminal-Bench 2.0 unter sechs Ressourcen-Konfigurationen: 6 Punkte Spanne, 5,8 % Infrastruktur-Fehler bei strikter Einhaltung.
- Improving Deep Agents with harness engineering
Festes Modell GPT-5.2-Codex, nur der Harness geändert: 52,8 auf 66,5 % auf Terminal-Bench 2.0.
- Tuning the harness, not the model: a Nemotron 3 Ultra playbook
Deep-Agents-Suite: Nemotron 0,86 gegen Opus 4.8 0,87, rund 4,48 $ gegen 43,48 $ pro Durchlauf.