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 →Evals в ИИ: подробный разбор
AI Engineer World's Fair 2026
Похожие доклады
Harness engineering: как создавать ПО, когда люди задают направление, а агенты выполняют работу
AI Engineer Europe 2026
Близко по содержанию
А что, если harness важнее модели?
AI Engineer World's Fair 2026
Близко по содержанию
Ваш агент не подвёл. Подвёл harness.
AI Engineer World's Fair 2026
Близко по содержанию
Как создавать агентов, которые часами работают и не теряют нить
AI Engineer Europe 2026
Близко по содержанию

