Основы harness-инженерии (в разработке)

Курс представляет собой электронную версию книги "Основы Harness-инженерии", которая находится в процессе написания и будет пополняться по мере завершения новых глав. В последствии будет записаны видео-разборы сквозного проекта. На текущий момент готовы 2 главы, которые и были добавлены в курс, с оглавление книги можно ознакомиться по следующей ссылке: https://disk.yandex.ru/i/ypRXY7Z6UvJBXg

Анонсы обновлений будут на моем тг-канале: https://t.me/madteacher_channel и закрытом тг-чате, доступном для всех обучающихся

Давайте начнем с простого вопроса: «Почему один разработчик с AI-агентом делает за вечер то, на что у другого уходит неделя?» Модель-то, как правило, одна и та же. Разница – в том, что ее окружает.

Харнесс (harness) – это программная обвязка вокруг большой языковой модели (LLM). Само слово переводится как «упряжь» или «обвязка», и аналогия тут, на мой взгляд, очень удачная. Представьте себе лошадь, запряженную в телегу. Лошадь умная и сильная, но сама по себе куда-то ехать не умеет – ей нужна упряжь, которая превратит ее силу в полезную работу. С языковой моделью – ровно та же история. Модель «умеет» продолжать текст, но чтобы она чинила баги, отвечала клиентам, искала документы или звонила по телефону, ее нужно во что-то запрячь.

И вот тут многие совершают одну и ту же ошибку – отождествляют агента с моделью. А иногда и вовсе заявляют: «У меня плохой агент! Походу нужно взять более умную модель!». Но чаще дело не в модели, а в упряжи. Харнесс дает модели инструменты (почитать или записать файл, выполнить команду, сходить в базу, открыть браузер и т.д.), гоняет запросы к модели по кругу, проверяет пути и команды на безопасность и многое другое. Именно он превращает «тупой генератор текста» в агентную систему, которая способна решать задачи различной сложности.

Следует отметить, что харнессов вокруг нас куда больше, чем кажется на первый взгляд. Это не только coding-агенты вроде Cursor, Copilot, Claude Code или ZCode. Это и бот техподдержки, который копается в базе знаний, прежде чем ответить клиенту. Это и research-агент, который обходит десяток сайтов и собирает сводку. Это и голосовой помощник на телефоне, и внутренний корпоративный ассистент, и RAG-система поиска по документации компании. Внешне они разные, но внутри устроены по одним и тем же правилам. У всех есть модель, контекст, инструменты и агентский цикл. Основное же различие кроется в деталях: какие доступны инструменты, как выстроен контекстный слой и т.д.

Собственно, в этом и суть harness-инженерии – дисциплины про то, как грамотно проектировать, собирать и настраивать эту обвязку. Не «пользоваться готовым AI-инструментом», а понимать, из чего он сделан, почему именно так работает агент и как сделать свою собственную обвязку под конкретную задачу.

Большинство относится к харнессу, как к черному ящику: нажал – получил результат. И это нормально! Но ровно до тех пор, пока модель не начинает забывать контекст, игнорировать ваши правила, тащить в проект лишнее, удалять все с жесткого диска  и т.д. Вот тут и выясняется, что понимание того, как именно устроена упряжь – это и есть то, что отличает рядового пользователя AI-инструментов от инженера, который знает, какими способами можно повлиять на результат работы агента, не просто «подкручивая промт», а на более низком – системном уровне.

В этом курсе мы разберем harness-инженерию изнутри – от базового цикла «агент ↔ модель» до контекстного слоя и паттернов его проектирования. Рассматриваемая теория будет закрепляться на сквозном практическом проекте, в ходе которого соберем собственный учебный coding-агент madharness-mini на чистом Python, без каких либо библиотек и фреймворков.