← Каталог

· AI Engineer Europe 2026

Глубокий разбор harnesses в AI

Harnesses in AI: A Deep Dive — Tejas Kumar, IBM

Надёжность агента определяется обвязкой вокруг модели, а не промптом: по словам спикера, харнес делает дешёвую GPT-3.5 Turbo рабочим браузерным агентом без изменения промпта.

  • Харнес шире агентного цикла — это всё, что заземляет модель: реестр инструментов, управление контекстом, guardrails и шаг верификации, а сам цикл вызовов модели является лишь одной его частью.
  • Проверка по истории вызовов — агент сообщал об успехе после провала входа в аккаунт; детерминированная проверка журнала tool calls отсекала такие ложные отчёты.
  • Логин вне агента — login handler смотрит текущий URL и при попадании на страницу входа сам подставляет учётные данные и отправляет форму, поэтому секреты не попадают в промпт и не зависят от решений модели.

Кому полезно: тем, кто запускает браузерных или компьютерных агентов на недорогих моделях и хочет контролировать их поведение без переписывания промптов.

Статья по теме

Главы

Ещё доклады: Tejas Kumar

Страница спикера →

Похожие доклады