# Что такое harness в AI: путь от промпта к системе вокруг модели
> Harness — система вокруг модели, которая ведёт агента через весь цикл: контекст, инструменты, память, правила. Объясняем по шагам: prompt engineering, агенты, MCP, context engineering и harness.
Источник: https://blog.uspeshnyy.ru/blog/harness-v-ai-prostymi-slovami/
Автор: Александр Успешный · blog.uspeshnyy.ru
Опубликовано: 2026-10-17
Теги: AI-агенты, MCP, Claude, система
---
Все сейчас говорят про **harness**. Звучит сложно, но это одна из самых простых идей в AI. Чтобы её увидеть, достаточно пройти путь, который индустрия прошла за последние три года: от правильной фразы для модели — к системе, которая ведёт модель через всю работу.
## Шаг 1. Prompt engineering: что сказать модели
Сначала был prompt engineering. Главный вопрос — **что сказать модели, чтобы получить нужный результат**.
Разница видна на простом примере. «Проверь договор» даёт общий пересказ. «Найди риски, укажи пункты, объясни последствия» даёт рабочий разбор: модель понимает, что искать, в каком виде вернуть ответ и где остановиться.
Prompt engineering никуда не делся — хорошая постановка задачи нужна и сегодня. Но у него есть потолок: один запрос — один ответ. Всё, что происходит до и после, делает человек: находит договор, копирует его в чат, проверяет ответ, решает, что делать дальше.
## Шаг 2. AI-агенты: модель сама выбирает следующий шаг
Потом модели начали сами решать, что делать дальше. Так появились **AI-агенты**.
Агент работает циклом: смотрит на ситуацию, выбирает действие, получает результат и повторяет — пока задача не решена.
Чтобы действовать, агенту нужен доступ к реальным системам: CRM, базе данных, почте, календарю. И здесь начинается проблема, из-за которой агенты долго оставались игрушкой: **каждую интеграцию собирали вручную**. Новая система — новый код, свои форматы, своя авторизация.
## Шаг 3. MCP: единый стандарт доступа
В конце 2024 года Anthropic представила **MCP (Model Context Protocol)** — единый стандарт для подключения AI к внешним системам. Его часто сравнивают с USB-C: один разъём вместо десятка переходников. Систему один раз оформляют как MCP-сервер — и к ней подключается любой агент, который понимает протокол.
Подробно о том, как это устроено, — в разборе [«MCP простыми словами»](/blog/mcp-prostymi-slovami/).
Рядом с MCP появились **скиллы** — готовые способы работы: инструкция, шаблоны и скрипты для конкретной задачи, которые агент подгружает, когда она возникает. Если коротко:
| Что | На какой вопрос отвечает | Пример |
|---|---|---|
| **MCP** | К чему у агента есть доступ | CRM, почта, база, таблицы |
| **Скилл** | Как именно делать конкретную работу | «Как готовить коммерческое предложение по нашему шаблону» |
Чем они отличаются и когда что нужно — в статье [про скиллы AI-агента](/blog/chto-takoe-skilly-ai-agenta/).
## Шаг 4. Context engineering: что показать модели прямо сейчас
Доступ решили — и упёрлись в новое ограничение. **Чем больше данных и инструментов, тем важнее, что именно показать модели прямо сейчас.**
У модели ограниченное окно внимания. Если загрузить в него всю CRM, всю переписку и описание сорока инструментов, она начнёт путаться, пропускать важное и дорого стоить. Если загрузить слишком мало — будет угадывать.
Это и есть **context engineering**: решение, какие данные, инструкции и инструменты дать модели **на этом конкретном шаге**. Не всё сразу, а ровно то, что нужно для текущего действия.
Сложим три уровня вместе:
- **MCP** даёт доступ;
- **скилл** даёт готовый способ работы;
- **context engineering** решает, что из всего этого дать модели на этом шаге.
## Harness: система, которая связывает всё в один цикл
Но шагов у агента много — десятки, иногда сотни. На каждом нужно заново собрать контекст, выбрать инструменты, запомнить, что уже сделано, и проверить результат. И всё это нужно связать в один процесс.
Вот тут и появляется **harness** — система вокруг модели, которая организует весь цикл. Само слово переводится как «упряжь» или «оснастка»: то, что направляет силу в нужную сторону.
У harness четыре опоры:
| Опора | Что делает | Пример |
|---|---|---|
| **Контекст** | Собирает для каждого шага нужные данные и инструкции | Подтягивает только пункты договора о сроках и штрафах |
| **Инструменты** | Даёт модели действовать: читать, писать, запускать | Поиск по базе, выгрузка из CRM, создание файла |
| **Память** | Хранит, что уже сделано и что выяснено | Заметки по задаче, решения, найденные ошибки |
| **Правила** | Ограничивает и проверяет | Что можно делать без спроса, какие проверки пройти перед сдачей |
Модель — двигатель. Harness — всё остальное: руль, приборы, тормоза и маршрут. Поэтому одна и та же модель в разных harness работает очень по-разному: в чате она отвечает на вопросы, а в хорошо собранной системе доводит задачу до конца.
**Готовые примеры harness** — Claude Code и Codex. Внутри у них та же модель, что в чате, но вокруг — система: она читает файлы проекта, запускает команды, держит план, помнит, что уже сделано, и проверяет свою работу тестами. Как это выглядит, когда агентов несколько, — в статье [про Agent Teams в Claude Code](/blog/agent-teams-claude-code/).
## Свой harness под свою задачу
Harness не обязательно брать готовый. Под конкретную задачу можно собрать свой — со своими инструментами и правилами проверки.
Пример — **финансовый анализ**. Модель умеет считать и рассуждать, но без системы вокруг она будет работать с тем, что вы вставили в чат, и выдавать цифры, которые никто не проверил. Свой harness выглядит иначе:
- **Контекст** — не вся бухгалтерия, а план бюджета, правила учёта и данные за нужный период.
- **Инструменты** — доступ к учётной системе и выпискам на чтение, расчёты в таблице.
- **Правила проверки** — каждая цифра сверяется с источником, итоговые суммы сходятся с выпиской, вывод без ссылки на данные не принимается.
- **Память** — выводы и принятые решения остаются на следующий раз, и агент не начинает каждый квартал с нуля.
Самое ценное здесь — правила проверки. Именно они превращают «модель что-то посчитала» в результат, которому можно доверять. Подробнее о том, как устроить память, — в статье [про инженерию памяти для AI-агента](/blog/inzheneriya-pamyati-dlya-ai-agenta/), а о том, почему агент упирается в устройство процесса, а не в модель, — в разборе [«Граф вместо цепочки»](/blog/graf-vmesto-cepochki-arhitektura-ai-agentov/).
## Что это значит для бизнеса
Главный вывод простой: **разница в результатах всё меньше зависит от выбора модели и всё больше — от системы вокруг неё**. Модели доступны всем, а harness под ваш процесс есть только у вас.
Прежде чем выбирать «самую умную нейросеть», ответьте на четыре вопроса о своей задаче:
1. **Контекст.** Какие данные нужны модели на каждом шаге — и каких ей видеть не нужно?
2. **Инструменты.** К каким системам ей нужен доступ, и только на чтение или на запись?
3. **Память.** Что должно сохраняться между запусками?
4. **Правила.** Как вы поймёте, что результат правильный, — и кто проверяет?
Если на все четыре есть ответы, у вас уже есть проект harness. Осталось его собрать.
Как устроены такие системы изнутри и как собрать свою — разберём в следующих постах.
## Читайте также