За февраль-апрель 2026 четыре независимые команды пришли к одному термину. Hashimoto (5 фев). OpenAI/Lopopolo (11 фев). HumanLayer (12 марта, термин атрибуирован Viv). Böckeler на martinfowler (апрель). Один вывод: обвязка вокруг модели стала важнее самой модели.
Почувствовал на своём кейсе. Вышел Opus 4.7 - и несколько моих harness сразу посыпались. Модель чуть иначе трактует инструкции, скиллы писаны под привычки старой. Пришлось причёсывать полдня. Парадокс: более умная модель ломает результат, если обвязка осталась старой.
Что такое harness
Формула HumanLayer: agent = model + harness. Под harness прячется как минимум 6 слоёв: prompts, MCP-серверы, skills, sub-agents, hooks, back-pressure через CLAUDE.md / AGENTS.md.
Модель - сменный двигатель, harness - вся машина.
Почему это главный тренд 2026
Дельта между frontier-моделями сокращается. Reasoning выходит на плато. Цифра в подтверждение: свежий бенчмарк APEX-Agents - pass@1 = 24% у лучших моделей. То есть 76% задач фейлят с первой попытки. Большинство провалов - orchestration, контекст, неправильный tool-use.
Цитата автора HumanLayer-поста про Skill Issue: “it’s not a model problem. It’s a configuration problem.”
ETH Zurich (arxiv 2602.11988) проверили AGENTS.md / CLAUDE.md файлы. LLM-сгенерированные CLAUDE.md часто хуже отсутствия файла. Human-written дают ~+4% к task success, но увеличивают стоимость инференса на 20%+. HumanLayer советуют держать файл под 60 строк - только команды build/test, без эссе.
4 неочевидных слоя, которые и есть harness
Tool calling - это четыре слоя, а не один. HTTP → Jinja2 Chat Template → Constrained Decoding (xgrammar) → Hermes Parser. Когда что-то отваливается, чинят промпт. А проблема в парсере или в template’е.
Tool Search от Anthropic (24 ноября 2025, вышел с Opus 4.5) - прямой ответ на раздутый контекст. Типичный MCP-сетап = 55k токенов baseline только на tool definitions. Tool Search даёт -85%: 55k → ~3k. Порог боли начинается, когда tool definitions съедают >10k токенов. Деградация заметна уже на 30-50 тулах.
Sub-agents как контекстный файрвол. У меня два чётких кейса, где они окупаются. Задача однотипная, отточенная, упакована в скилл - сабагент окупается. Много одинаковых действий и большой объём данных - тоже. Конкретно: парсинг Telegram-каналов, парсинг YouTube, сканирование репозиториев, обработка данных. Везде, где не повторяется и нужен дизайн-разговор, сабагент скорее мешает.
Токен-гигиена через детерминированные скрипты. Главная экономия у меня - не в промпт-инжиниринге. Не всё гонять через LLM. Из JSON генерить новые JSON и markdown без участия модели. Опускаться на Sonnet и Haiku, когда задача того стоит. Про CLAUDE_AUTOCOMPACT_PCT_OVERRIDE=50 - реальный env var, но для main conversation часто игнорируется. Надёжно работает только для subagents. Про git status —porcelain - folk wisdom, экономит, но обещанные 10x в проде не подтвердил.
Мой harness прямо сейчас
Фишка в том, что стек ровный, без магии:
- CLAUDE.md на двух уровнях - пользовательский и проектный
- Полный набор скиллов: пользовательских и проектных
- MCP-серверы, CLI интеграции
- Brainstorming skill из superpowers - почти в каждой задаче
- Детерминированные скрипты для обработки вместо LLM-on-line где это возможно
- Тесты и хуки
Анти-кейс ровно один и недавний. Opus 4.7. Ничего в коде не сломалось - сломались инструкции. Три скилла переписывал с нуля, ещё пять причесал, ушло часов шесть. Лекарство: упростить формулировки, убрать двусмысленности. Этот этап раз в апгрейд - норма.
Caveman как анекдот индустрии
Julius Brussee, 19 лет, студент Leiden University, 4 апреля 2026 выложил на GitHub проект Caveman. Системный промпт “говори как пещерный человек”. Заставляет модель писать только содержательные слова, без вежливости и связок. За неделю - 37k звёзд на апрель.
Цифра -75% output prose tokens красиво звучит. Но автор сам честно написал: preliminary, не rigorous benchmark. На его же evals range 22-87%, average 65% output reduction - и это только output prose, не всей сессии.
Мораль не в Caveman’е. Индустрия ищет harness-трюки с такой яростью, что виральные проекты делают 19-летние студенты за выходные.
Отдача harness в облако
Anthropic выкатили Managed Agents - готовый sandbox, auth, tool execution, часы автономной работы. Логичный шаг: зачем самому собирать, если Anthropic сделает за тебя.
Я пока не отдаю. Когда понимаешь как это работает - проще самому. Managed Agents - для другой категории людей, которые не понимают или не могут сделать сами.
Что понял
Обвязка - это твой продукт. Если строишь agent для себя, harness - то, что отличает твой workflow от чужого. Отдал обвязку - отдал контроль и возможность чинить.
Совпадает с моей нишей “строй для себя вместо подписок”: вместо $30/мес за чей-то agent-as-a-service - свой harness, который пересобираешь за выходные под новую модель.
Главный инженерный рычаг 2026 - не следующая модель. Это слой между тобой и моделью. Пока не уверен, надолго ли - через полгода harness может съесть какой-нибудь фреймворк. Но прямо сейчас - так.
Источники
- HumanLayer: Skill Issue - Harness Engineering for Coding Agents
- ETH Zurich: Evaluating AGENTS.md (arxiv)
- APEX-Agents benchmark (arxiv)
- Mitchell Hashimoto: My AI Adoption Journey - Engineer the Harness
- OpenAI / Ryan Lopopolo: Harness Engineering
- Anthropic: Advanced Tool Use (Tool Search)
- Julius Brussee: Caveman (GitHub)
- Birgitta Böckeler on martinfowler.com: Harness Engineering