Evolution of Agentic Surfaces: harness становится инфраструктурой (Рубрика #AI4SDLC)
Посмотрел доклад команды Applied AI из Anthropic — Gagan Bhat и Isabella Kai He — про эволюцию агентных поверхностей: от Messages API до Claude Managed Agents. Тезис, который я забираю: harness кодирует предположения о том, чего модель пока не умеет, поэтому это самая скоропортящаяся часть агентного стека. Доклад удачно собирает темы последних дней канала: минус 80% промпта Claude Code от Boris Cherny, облачные агенты Cursor и harness-подход Константина Крестникова,
Сюжет — три поколения поверхностей
1️⃣ Сначала Messages API: токены на входе, токены на выходе, а агентный цикл каждый писал сам
2️⃣ Потом Claude Agent SDK, упаковавший harness Claude Code в библиотеку: цикл, инструменты и файловая система приезжают в коробке, но hosting, изоляция, credentials и наблюдаемость остаются на вас
3️⃣ Теперь Claude Managed Agents: Anthropic забирает production-обвязку целиком, а вам остаются задача, контекст и доменная экспертиза. Граница «что моё» продолжает сжиматься — тот же сдвиг, что Джош Ма описывал для Cursor, только с другой стороны прилавка.
Лучшая иллюстрация скоропортящихся предположений — context anxiety у Sonnet 4.5: модель нервничала при приближении к границе контекста и сворачивала работу раньше времени (в Cognition наблюдали то же самое), поэтому команда встроила в обвязку сбросы контекста. Opus 4.5 вышел уже без этого поведения — и костыль превратился в чистый оверхед: лишняя латентность и некорректно сбрасываемый кеш. Когда модель сдвигается, а harness нет, обвязка начинает деградировать агента. Это то же явление, что и у Boris Cherny с системным промптом, только на уровне архитектуры, а не текста.
Инженерно самое интересное — разделение «мозга» и «рук». Пока агентный цикл и sandbox жили в одном контейнере, модель не могла начать рассуждать до конца сборки среды, а падение любой половины убивало агента целиком. После разделения reasoning стартует сразу, контейнер поднимается параллельно: по замерам команды, время до первого токена сократилось на 60% в медиане и более чем на 90% в P95. Отказы становятся восстановимыми: умерший sandbox пересоздаётся, умерший «мозг» поднимается из durable session log. Сам журнал сессии работает трижды: наблюдаемость, возврат выброшенных из контекста кусков и периодический batch-процесс dreaming, который переписывает память агента, чтобы следующие сессии начинались умнее.
После инцидента OpenAI и Hugging Face отдельно отмечу security-часть: credentials живут в vault и расшифровываются только в момент выполнения инструмента — модель их не видит; сеть среды ограничена списком allowed hosts; для строгих контуров есть self-hosted sandboxes в собственном VPC и MCP tunnels, чтобы MCP-сервер не выходил в публичный интернет. Ещё из любопытного — outcomes: вы описываете рубрику успеха, а отдельный grader-агент перезапускает основного, пока критерии не выполнены. По сути это production-grade evals, встроенные прямо в runtime.
Финальный тезис авторов — harness стал ограничивающим фактором для того, что могут модели, — стоит читать с поправкой на рассказ о собственном продукте. Но мой вывод даже сильнее: обвязка перестаёт быть конкурентным преимуществом и становится скоропортящейся инфраструктурой, которую разумно арендовать. Своими стоит оставлять задачу, контекст, доменные знания и evals — слои, где живёт ваша ценность.
#AI4SDLC #AI #Agents #Architecture #PlatformEngineering #Evals #Engineering
Посмотрел доклад команды Applied AI из Anthropic — Gagan Bhat и Isabella Kai He — про эволюцию агентных поверхностей: от Messages API до Claude Managed Agents. Тезис, который я забираю: harness кодирует предположения о том, чего модель пока не умеет, поэтому это самая скоропортящаяся часть агентного стека. Доклад удачно собирает темы последних дней канала: минус 80% промпта Claude Code от Boris Cherny, облачные агенты Cursor и harness-подход Константина Крестникова,
Сюжет — три поколения поверхностей
1️⃣ Сначала Messages API: токены на входе, токены на выходе, а агентный цикл каждый писал сам
2️⃣ Потом Claude Agent SDK, упаковавший harness Claude Code в библиотеку: цикл, инструменты и файловая система приезжают в коробке, но hosting, изоляция, credentials и наблюдаемость остаются на вас
3️⃣ Теперь Claude Managed Agents: Anthropic забирает production-обвязку целиком, а вам остаются задача, контекст и доменная экспертиза. Граница «что моё» продолжает сжиматься — тот же сдвиг, что Джош Ма описывал для Cursor, только с другой стороны прилавка.
Лучшая иллюстрация скоропортящихся предположений — context anxiety у Sonnet 4.5: модель нервничала при приближении к границе контекста и сворачивала работу раньше времени (в Cognition наблюдали то же самое), поэтому команда встроила в обвязку сбросы контекста. Opus 4.5 вышел уже без этого поведения — и костыль превратился в чистый оверхед: лишняя латентность и некорректно сбрасываемый кеш. Когда модель сдвигается, а harness нет, обвязка начинает деградировать агента. Это то же явление, что и у Boris Cherny с системным промптом, только на уровне архитектуры, а не текста.
Инженерно самое интересное — разделение «мозга» и «рук». Пока агентный цикл и sandbox жили в одном контейнере, модель не могла начать рассуждать до конца сборки среды, а падение любой половины убивало агента целиком. После разделения reasoning стартует сразу, контейнер поднимается параллельно: по замерам команды, время до первого токена сократилось на 60% в медиане и более чем на 90% в P95. Отказы становятся восстановимыми: умерший sandbox пересоздаётся, умерший «мозг» поднимается из durable session log. Сам журнал сессии работает трижды: наблюдаемость, возврат выброшенных из контекста кусков и периодический batch-процесс dreaming, который переписывает память агента, чтобы следующие сессии начинались умнее.
После инцидента OpenAI и Hugging Face отдельно отмечу security-часть: credentials живут в vault и расшифровываются только в момент выполнения инструмента — модель их не видит; сеть среды ограничена списком allowed hosts; для строгих контуров есть self-hosted sandboxes в собственном VPC и MCP tunnels, чтобы MCP-сервер не выходил в публичный интернет. Ещё из любопытного — outcomes: вы описываете рубрику успеха, а отдельный grader-агент перезапускает основного, пока критерии не выполнены. По сути это production-grade evals, встроенные прямо в runtime.
Финальный тезис авторов — harness стал ограничивающим фактором для того, что могут модели, — стоит читать с поправкой на рассказ о собственном продукте. Но мой вывод даже сильнее: обвязка перестаёт быть конкурентным преимуществом и становится скоропортящейся инфраструктурой, которую разумно арендовать. Своими стоит оставлять задачу, контекст, доменные знания и evals — слои, где живёт ваша ценность.
#AI4SDLC #AI #Agents #Architecture #PlatformEngineering #Evals #Engineering