Většina kódu kolem modelu je náplast s datem spotřeby
Harness je všechno kromě vah: nástroje, kontext, paměť, oprávnění, mantinely. Dan McAteer v něm vidí cyklus, který se od roku 2022 zopakoval už třikrát — trénuj, pohlť, odhoď, znovu. Model se zlepší, schopnost, kterou jsi kolem něj postavil ručně, se přesune do vah, a lešení, které ji drželo, se stane přítěží.
Nejostřejší doklad je čerstvý: Anthropic smazal zhruba 80 % systémového promptu Claude Code. Nic se nerozbilo. Ten prompt už jen opakoval instrukce, které model mezitím uměl sám.
Kyvadlo mezi autonomií a dohledem
Historie agentů není přímka, je to kmitání kolem toho, kolik samostatnosti model unese.
ReAct na podzim 2022 byl čistě promptovací technika: agentní chování jako způsob psaní zadání, žádná infrastruktura. Na jaře 2023 přišly AutoGPT a BabyAGI a daly modelu autonomii dřív, než na ni měl spolehlivost — selhání se řetězila a smyčka se roztočila do prázdna. Cursor a Copilot v následujících dvou letech kyvadlo vrátily zpět k člověku v každém kroku.
Claude Code v únoru 2025 uspěl s tím, co AutoGPT nedokázal, a podstatné je proč. Neměl lepší nápad. Trefil bod křížení, kdy spolehlivost modelu poprvé stačila na nároky, které autonomní smyčka klade. Stejný design o dva roky dřív byl špatný design.
Které části harnessu přežijí
Rozdíl, který stojí za to držet v hlavě, vede mezi dvěma druhy kódu kolem modelu.
První druh rozšiřuje dosah: nástroje, přístup k souborům, oprávnění, sandbox, napojení na svět. Ten model nepohltí nikdy, protože váhy nemají ruce. Tahle část harnessu je trvalá a investice do ní se vrací.
Druhý druh kompenzuje slabinu: odstavec v systémovém promptu, který modelu připomíná, ať si po sobě přečte diff. Rozbití úlohy na kroky, protože model neudrží plán. Retry logika kolem formátu, který model občas splete. Tohle je náplast a její životnost je životnost té slabiny.
Praktický důsledek: než napíšeš další vrstvu lešení, zeptej se, jestli obcházíš tvar světa, nebo tvar dnešního modelu. To první se vyplatí udělat pořádně. To druhé udělej co nejlevněji a připrav se na to, že to smažeš.
Jak moc na harnessu záleží, ukazují čísla. Na Harness-Bench se skóre téhož modelu pohybovalo mezi 52,4 a 76,2 podle toho, v čem běžel. U ARC-AGI zvedly změny samotného harnessu výsledek z 13,3 % na 38,3 %. Harness rozhoduje — jen se jeho těžiště přesouvá.
Kam se přesune úzké hrdlo
McAteerova předpověď: až modely pohltí i koordinaci a plánování, přestane být vzácným zdrojem výpočet a stane se jím lidská pozornost. Harness se změní na rozhraní pozornosti — kód, který rozhoduje, kdy tě agent smí vyrušit, co potřebuje tvoje schválení a jak se poučit z tvé opravy.
Dnes se harness ptá, co má model udělat dál. Pak se bude ptát, co z toho ti stojí za to vidět.
Co si z toho odnést
Kód kolem modelu si veď ve dvou hromádkách. Do jedné patří přístup ke světu a bezpečnostní hranice, ty stavěj na roky. Do druhé patří všechno, co existuje jen proto, že model něco ještě neumí — tam piš co nejméně a nelituj mazání.
Když novější model zhorší výsledek, podezřívej nejdřív svůj harness. Instrukce, které dřív pomáhaly, začnou konkurovat tomu, co model umí sám, a soutěž o řízení prohraješ ty.
A při návrhu vlastního agenta se drž myšlenky bodu křížení. Otázka nezní, jestli je nápad dobrý, ale jestli už na něj modely mají dost spolehlivosti. Předběhnout ho je stejná chyba jako ho zaspat.