Agent Harness

Un agent harness est la couche logicielle qui transforme un modèle de base en un AI agent pratique. Il entoure le modèle d'instructions, d'outils, de mémoire, de boucles d'exécution, d'autorisations, de validation et de surveillance. Une formule abrégée utile issue de LangChain’s agent harness anatomy est que le modèle fournit l'intelligence tandis que le harness rend cette intelligence utilisable. Cette distinction est importante car les agentic workflows fiables dépendent de bien plus que de la seule qualité du modèle. (langchain.com)

Link to this sectionComment fonctionne un agent harness#

Un harness fournit de manière répétée du contexte au modèle, interprète sa réponse, exécute les actions approuvées et renvoie les résultats pour la décision suivante. Les composants courants incluent :

• Instructions And Context : Définissent le rôle de l'agent, les informations disponibles, les contraintes et les critères d'achèvement.
• Tool Execution : Connectent le modèle à des API, des bases de données, des interpréteurs de code ou des modèles de vision via des interfaces telles que les Model Context Protocol tools.
• State And Memory : Préservent les plans, les observations, les fichiers et les actions précédentes sur plusieurs étapes ou sessions.
• Control Flow : Gèrent les tentatives, la ramification, les sous-agents, les délais d'attente, les budgets de jetons et les conditions d'arrêt.
• Tracing And Evaluation : Enregistrent les décisions et les appels d'outils en utilisant des installations telles que le OpenAI Agents SDK tracing.
• Safety Controls : Appliquent des autorisations, des vérifications d'entrée, la validation de sortie et l'approbation humaine via des mécanismes tels que les OpenAI agent guardrails.

Contrairement à un SDK d'agent, qui fournit des blocs de construction réutilisables, un harness est le comportement d'exécution configuré pour une application spécifique. Il diffère également de MCP, qui standardise les connexions d'outils, et du protocole Agent2Agent protocol de Google, qui se concentre sur la communication entre agents. (modelcontextprotocol.io)

Link to this sectionPourquoi les agent harnesses sont importants#

Le OpenAI guide to building agents et le Anthropic’s effective-agent guidance recommandent de commencer par des modèles simples et composables. En pratique, un harness bien conçu peut améliorer la fiabilité sans modifier les poids du modèle en externalisant la gestion de l'état de routine et en ajoutant une vérification. Des recherches récentes explorent les natural-language harnesses modifiables, l'optimisation automatique via Meta-Harness et la composition adaptative avec HarnessX. (arxiv.org)

Link to this sectionExemple de vision par ordinateur#

Dans un agent de vision, Ultralytics YOLO26 peut agir comme un outil de perception tandis qu'une logique de harness déterministe décide de la suite des événements :

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
results = model("https://ultralytics.com/images/bus.jpg")
labels = {results[0].names[int(cls)] for cls in results[0].boxes.cls}
action = "Send alert" if "person" in labels else "Continue monitoring"
print(action)

Cet exemple combine le predict mode de YOLO avec une règle de décision explicite plutôt que de permettre au modèle un contrôle illimité.

Link to this sectionApplications concrètes#

• Manufacturing Visual Inspection : Un harness capture des images de caméra, exécute la détection de défauts, vérifie les seuils de confiance, ouvre des tickets de maintenance et demande une révision humaine pour les cas incertains.
• Queue Management : Un agent de vision compte les personnes, suit le temps d'attente et alerte le personnel uniquement lorsque les limites configurables de capacité et de durée sont dépassées.

Les équipes peuvent utiliser Ultralytics Platform pour annoter des jeux de données, entraîner des modèles de vision spécialisés, déployer des points de terminaison et les surveiller au sein de ces flux de travail.

Link to this sectionMeilleures pratiques#

Gardez les outils strictement limités, exigez une approbation pour les actions irréversibles, rendez les tentatives idempotentes, validez les sorties structurées et testez des trajectoires complètes plutôt que seulement les réponses finales. Suivez les OWASP agentic application risks et les normes émergentes NIST AI agent standards. Des implémentations ouvertes telles que OpenHarness illustrent également des autorisations modulaires, des hooks, la mémoire, des outils et une coordination multi-agents. (genai.owasp.org)