Harnais d'agent
Un harnais d'agent (de l'anglais agent harness) est l'infrastructure logicielle qui entoure un grand modèle de langage (LLM) et lui permet de fonctionner comme un agent d'intelligence artificielle : il prend en charge l'usage d'outils, la mémoire, la persistance de l'état, les environnements d'exécution et les boucles de rétroaction, par opposition au raisonnement propre du modèle[1],[2]. Une formule popularisée en 2026 résume ce rapport par Agent = Modèle + Harnais[3].
Un LLM étant sans état et ne produisant, seul, que du texte, le harnais est ce qui permet à un modèle d'agir sur plusieurs étapes, d'employer des outils externes et de poursuivre une tâche de longue durée à travers plusieurs sessions. Plutôt que de relire un historique sans cesse croissant à l'intérieur de la fenêtre de contexte, un harnais peut décharger le suivi de l'état vers un environnement logiciel structuré[2]. Un harnais minimal est inutile pour un simple échange requête-réponse, mais il devient important dès que les tâches deviennent multi-étapes, orientées outils ou de longue durée[4].
Architecture
modifierLes mécanismes que coordonne un harnais sont antérieurs au terme. Le schéma d'un modèle alternant raisonnement et action au sein d'une boucle a été introduit par le cadre ReAct[5], et la capacité d'un modèle à appeler des outils externes a été démontrée par Toolformer[6].
Selon LeMagIT, un harnais s'articule autour de plusieurs fonctions : la perception et les entrées, où les system prompts configurent le rôle et les objectifs de l'agent ; le raisonnement, où le modèle mobilise sa fenêtre de contexte pour décomposer des tâches ; et l'action, où le harnais donne accès à des outils, de la mémoire, du contexte et des environnements, la connexion à ces ressources passant souvent par le Model Context Protocol. S'y ajoutent des garde-fous, des tentatives de reprise et un fort niveau d'observabilité en exécution[1]. Dans un billet d'ingénierie publié en 2026, Anthropic décrit un exemple concret construit à partir d'un agent d'initialisation qui prépare l'environnement et d'un agent de codage qui sélectionne de façon répétée la tâche inachevée suivante, valide ses modifications et met à jour un fichier de progression avant de s'arrêter[7].
Birgitta Böckeler, de Thoughtworks, distingue un harnais interne, livré par le concepteur du modèle (par exemple un kit de développement d'agent ou un outil de codage), d'un harnais externe que l'utilisateur assemble par-dessus, comme des fichiers d'instructions, des serveurs Model Context Protocol ou des compétences personnalisées. Elle sépare en outre les guides, qui orientent l'agent avant qu'il n'agisse, des capteurs, qui observent le résultat et permettent l'auto-correction ; chacun pouvant être calculatoire (contrôles déterministes comme les analyseurs de code ou les tests) ou inférentiel (contrôles sémantiques de type « GML-juge »)[3].
Histoire et terminologie
modifierDes notions voisines d'échafaudage autour d'un modèle existent dans le test logiciel (le harnais de test), dans l'évaluation des GML (harnais d'évaluation) et, en apprentissage par renforcement, dans l'environnement et l'enveloppe qui entourent un agent apprenant[3]. Les substantifs agent harness et LLM harness circulaient parmi les praticiens avant que la discipline associée ne soit nommée.
Le vocabulaire de l'« ingénierie du harnais » (harness engineering) émerge au début de 2026, et l'attribution de l'expression est disputée. Plusieurs sources la rattachent à un billet de blog de février 2026 de Mitchell Hashimoto, cofondateur de HashiCorp, qui décrit une pratique consistant à corriger durablement l'environnement d'un agent chaque fois que celui-ci commet une erreur[1] ; d'autres l'attribuent à Vivek Trivedy, de LangChain, dont l'article « Anatomy of an Agent Harness » dérive les composants du harnais à partir de la formule Agent = Modèle + Harnais[8]. Un rapport d'ingénierie d'OpenAI décrivant une base de code volumineuse produite en grande partie par des agents de codage, ainsi que des publications de suivi de Thoughtworks, LangChain et Anthropic, contribuent à diffuser le terme[1],[3].
Au milieu de l'année 2026, le harnais devient un objet d'étude. La presse spécialisée rend compte de travaux tels que Self-Harness, où un agent analyse itérativement ses propres échecs pour proposer et valider des modifications de son harnais[4], et Harness-1, un agent de recherche open source qui améliore sa précision de rappel principalement en repensant l'environnement logiciel autour du modèle plutôt qu'en agrandissant celui-ci[2].
Relation avec l'ingénierie de prompt et de contexte
modifierL'ingénierie du harnais est souvent présentée comme une couche plus large que l'ingénierie de prompt, qui optimise une interaction unique, ou que l'ingénierie de contexte, qui régit l'information vue par le modèle à un instant donné ; dans ce cadrage, le harnais conçoit l'ensemble de l'environnement opérationnel et englobe les deux autres[3]. Une particularité tient à ce que le composant enveloppé est non déterministe : le harnais est donc conçu pour se rétablir sans casse lorsque le modèle invente une action ou déclare achevée une tâche qui ne l'est pas[4].
Notes et références
modifier- 1 2 3 4 « L'harness engineering, une architecture critique de l'IA agentique », sur LeMagIT, (consulté le )
- 1 2 3 (en) « Researchers trained an open source AI search agent, Harness-1, that outperforms GPT-5.4 on recalling relevant information », sur VentureBeat, (consulté le )
- 1 2 3 4 5 (en) Birgitta Böckeler, « Harness engineering for coding agent users », sur martinfowler.com, (consulté le )
- 1 2 3 (en) « Researchers introduce Self-Harness, a framework that lets AI agents rewrite their own rules », sur VentureBeat, (consulté le )
- ↑ (en) Shunyu Yao, Jeffrey Zhao, Dian Yu et al., « ReAct: Synergizing Reasoning and Acting in Language Models », International Conference on Learning Representations (ICLR), (lire en ligne)
- ↑ (en) Timo Schick, Jane Dwivedi-Yu, Roberto Dessì et al., « Toolformer: Language Models Can Teach Themselves to Use Tools », Advances in Neural Information Processing Systems (NeurIPS), (lire en ligne)
- ↑ (en) « Effective harnesses for long-running agents », sur Anthropic Engineering, Anthropic, (consulté le )
- ↑ (en) Addy Osmani, « Agent Harness Engineering », sur O'Reilly Radar, O'Reilly Media, (consulté le )
