# Learn Harness Engineering — Walking Labs

**Forrás:** https://walkinglabs.github.io/learn-harness-engineering/en/
**Dátum:** 2026-05-27
**Típus:** Oktatási kurzus

---

## Összegzés
A "Learn Harness Engineering" egy oktatási kurzus AI coding agent-ek megbízható működtetésére. Az OpenAI és Anthropic legfejlettebb harverness engineering kutatásait szintetizálja. A kurzus három részből áll: elméleti előadások, gyakorlati projektek, és másolható template könyvtár.

### Core Referenciák
- OpenAI: Harness engineering — leveraging Codex in an agent-first world
- Anthropic: Effective harnesses for long-running agents
- Anthropic: Harness design for long-running application development
- Awesome Harness Engineering

### Alapelv

"A harness nem a modellt teszi okosabbá, hanem egy zárt hurkú munkarendszert hoz létre a modell számára."

### Öt Alapkoncepció

1. **Constrain agent behavior** — explicit szabályokkal és határokkal
2. **Maintain context** — hosszú, multi-session task-ok között
3. **Stop agents from declaring victory too early** — túl korai "kész vagyok" megakadályozása
4. **Verify work** — teljes pipeline tesztek és önreflexió
5. **Make runtime observable** — debuggolható futási környezet

### Struktúra
- Lecture 01: Why Capable Agents Still Fail
- Project 01: Baseline vs Minimal Harness
- Templates: AGENTS.md, feature_list.json, claude-progress.md

## Relevancia a Rendszerünkre

A kurzus mind az öt alapkoncepcióját implementáltuk az elmúlt hetekben:
1. Constrain → AGENTS.md, SOUL.md, orchestrator SKILL.md, security-skills/
2. Context → state.json, transactional recovery, MEMORY.md
3. Victory declaration → outcome_grader.py, no speculation szabály
4. Verify → telemetry, rebuild_indexes, outcome_grade step
5. Observable → telemetry.jsonl, cron runs history, diagnostics

A Cursor cikkel (+ cloud agent lessons) és a MeMo paperrel (+ memory architecture) együtt ez adja a teljes elméleti keretrendszert.