Похоже, в AI вайбкодинге появился новый модный термин! Сегодня про Harness Engineering 🤲
Команда Nexu опубликовала открытый Harness Engineering Guide — практическое руководство по созданию среды выполнения (harness) для AI-агентов.
Если очень упростить, то LLM — это мозг, а harness — всё остальное, что делает агента агентом действительно автономным:
🥹 управление тулами, mcp;
🥹 сбор и суммаризация контекста;
🥹 память и управление сессиями;
🥹 сэндбокс и изоляция;
🥹 гардрейлы и модель разрешений;
🥹 планирование, циклы выполнения и оркестрация нескольких агентов.
Для специалистов по AI Security 😲 особенно полезны разделы про доверенные границы (trust boundaries), prompt injection, sandboxing и permission model. Всё это напрямую связано с безопасностью MCP-серверов, кодинг агентов и автономных AI-систем. В общем, что мы постоянно изучаем/исследуем/обсуждаем. Практически каждая статья в репе сопровождается рабочими примерами кода — удобно 🙂.
Что мне зашло и оказалось ооочень полезным
🔭 Context Engineering — как собирать контекст по приоритетам и укладываться в token budget;
🔭 🔭 Multi-Agent Orchestration — отдельно зацепило. Авторы выделяют 4 базовых паттерна — Sequential Pipeline, Fan-Out/Fan-In, Supervisor, Peer-to-Peer (раньше такое и не встречалось, честно говоря)— и говорят, что peer-to-peer почти никогда не стоит использовать в проде из-за сложности отладки и отсутствия гарантии terminate. Понравился акцент на изоляции контекста, когда у каждого субагента свой независимый контекст, родитель не может читать переменные потомка, а потомок не может писать в память родителя. Плюс разбор антипаттернов (unbounded fan-out, shared mutable state, over-decomposition) на реальных примерах из Multica, Paseo и OpenClaw;
🔭 Agentic Loop! Не просто ReAct — реальные паттерны (loop detection, budget management, parallel tool calls);
🔭 Classifier-Based Permissions — использование моделей-классификаторов вместо бесконечных запросов на апрув.
Вот так, бери на вооружение и вайбкодь!
Все!
😆
P.S. Гайд не для новичков
Команда Nexu опубликовала открытый Harness Engineering Guide — практическое руководство по созданию среды выполнения (harness) для AI-агентов.
Если очень упростить, то LLM — это мозг, а harness — всё остальное, что делает агента агентом действительно автономным:
🥹 управление тулами, mcp;
🥹 сбор и суммаризация контекста;
🥹 память и управление сессиями;
🥹 сэндбокс и изоляция;
🥹 гардрейлы и модель разрешений;
🥹 планирование, циклы выполнения и оркестрация нескольких агентов.
Для специалистов по AI Security 😲 особенно полезны разделы про доверенные границы (trust boundaries), prompt injection, sandboxing и permission model. Всё это напрямую связано с безопасностью MCP-серверов, кодинг агентов и автономных AI-систем. В общем, что мы постоянно изучаем/исследуем/обсуждаем. Практически каждая статья в репе сопровождается рабочими примерами кода — удобно 🙂.
Что мне зашло и оказалось ооочень полезным
🔭 Context Engineering — как собирать контекст по приоритетам и укладываться в token budget;
🔭 🔭 Multi-Agent Orchestration — отдельно зацепило. Авторы выделяют 4 базовых паттерна — Sequential Pipeline, Fan-Out/Fan-In, Supervisor, Peer-to-Peer (раньше такое и не встречалось, честно говоря)— и говорят, что peer-to-peer почти никогда не стоит использовать в проде из-за сложности отладки и отсутствия гарантии terminate. Понравился акцент на изоляции контекста, когда у каждого субагента свой независимый контекст, родитель не может читать переменные потомка, а потомок не может писать в память родителя. Плюс разбор антипаттернов (unbounded fan-out, shared mutable state, over-decomposition) на реальных примерах из Multica, Paseo и OpenClaw;
🔭 Agentic Loop! Не просто ReAct — реальные паттерны (loop detection, budget management, parallel tool calls);
🔭 Classifier-Based Permissions — использование моделей-классификаторов вместо бесконечных запросов на апрув.
Вот так, бери на вооружение и вайбкодь!
Все!
😆
P.S. Гайд не для новичков