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.