Что такое harness в AI: путь от промпта к системе вокруг модели

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.

flowchart LR
    A["Смотрит на ситуацию"] --> B["Выбирает действие"]
    B --> C["Выполняет"]
    C --> D["Получает результат"]
    D --> E{"Задача решена?"}
    E -- "нет" --> A
    E -- "да" --> F["Готово"]

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».

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.

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.

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:

flowchart TD
    T["Задача: разобрать отклонения<br/>по расходам за квартал"] --> C["Контекст: план бюджета,<br/>правила учёта компании"]
    C --> I["Инструменты: выгрузка из учётной системы,<br/>банковская выписка, расчёты в таблице"]
    I --> M["Модель: ищет отклонения<br/>и объясняет причины"]
    M --> R{"Правила проверки:<br/>суммы сходятся с выпиской?<br/>есть ссылка на источник?"}
    R -- "нет" --> I
    R -- "да" --> P["Память: вывод и решения<br/>сохранены для следующего квартала"]
    P --> O["Отчёт руководителю"]

• 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, а о том, почему агент упирается в устройство процесса, а не в модель, — в разборе «Граф вместо цепочки».

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

🗺 Собрать маркетинг-план на 90 днейБесплатно, в Telegram-боте @uspeshnyybot