Aller au contenu principal
Zubnet AI › Apprendre › Wiki › Harnais d'agent
Utiliser l’AI

Harnais d'agent

Aussi appelé : Agent Harness, Scaffolding, Agent Scaffold
Le logiciel qui entoure un modèle et en fait un agent, avec la boucle, les outils, la gestion du contexte, les permissions et la mémoire.

Pourquoi c'est important

Le même modèle peut se comporter très différemment selon son harnais. Sur des benchmarks de programmation comme SWE-bench Verified et Terminal-Bench, changer seulement le harnais peut déplacer les scores de nombreux points, et c'est pourquoi les classements indiquent ensemble le modèle et le système d'agent. Quand un produit d'agent paraît plus intelligent qu'un appel API brut au même modèle, c'est grâce au harnais.

Pour ceux qui construisent, le harnais est l'endroit où part l'essentiel de l'ingénierie. On ne peut généralement pas changer le modèle, mais on peut changer ce qu'il voit, les outils dont il dispose et ce qui se passe quand quelque chose tourne mal.

En profondeur

Un modèle de langage, à lui seul, ne fait que transformer du texte en texte. Il ne peut pas lire un fichier, lancer une commande ni se souvenir de ce qu'il a fait il y a une heure. Le harnais (harness) est le programme autour du modèle qui rend ces choses possibles. Il envoie un prompt au modèle, exécute les appels d'outils que le modèle demande, lui renvoie les résultats et recommence jusqu'à ce que la tâche soit terminée.

Un raccourci utile : agent = modèle + harnais. Claude Code, la CLI Codex d'OpenAI, le mode agent de Cursor et des projets open source comme OpenHands et SWE-agent sont tous des harnais. Les frameworks avec lesquels on construit le sien en sont aussi, comme le Claude Agent SDK, l'OpenAI Agents SDK et LangGraph. Les chercheurs appellent souvent la même chose scaffolding (échafaudage).

Ce que fait un harnais

  • La boucle : appeler le modèle, exécuter les appels d'outils, renvoyer les résultats, recommencer, et décider quand s'arrêter.
  • Les outils : les définir, valider les arguments, les exécuter et mettre en forme les résultats pour qu'ils soient courts et utiles. L'article sur SWE-agent a appelé cela l'agent-computer interface et a montré que la conception des outils compte autant que les prompts.
  • La gestion du contexte : construire le prompt système, charger les instructions du projet, résumer l'ancien historique (compaction) quand la fenêtre de contexte se remplit, et garder intact le cache de prompts.
  • Permissions et bac à sable : décider quelles actions s'exécutent automatiquement, lesquelles demandent une approbation humaine et ce que l'agent a le droit de toucher.
  • Mémoire et état : des notes, des listes de tâches et des fichiers qui survivent au-delà d'une fenêtre de contexte, plus des points de sauvegarde pour annuler.
  • Orchestration : lancer des sous-agents, exécuter des outils en parallèle, réessayer après des erreurs et faire respecter des budgets d'étapes et de tokens.

Un harnais minimal

La boucle centrale est petite :

messages = [{"role": "user", "content": task}]
while True:
    reply = model(messages, tools=tools)
    messages.append(reply)
    if not reply.tool_calls:
        break
    for call in reply.tool_calls:
        messages.append(run_tool(call))

Tout le reste d'un harnais de production existe pour gérer ce que cette boucle ignore : les tâches longues, les échecs, la sécurité et le coût.

De plus en plus mince

Les premiers systèmes d'agents avaient besoin d'un échafaudage lourd : plans rigides, analyseurs de sortie, récupération construite à la main et nombreux prompts spécialisés. À mesure que les modèles ont progressé dans l'utilisation d'outils et la planification, une bonne partie de tout cela est devenue inutile, voire nuisible, parce que cela empêchait le modèle d'exercer son propre jugement. C'est la leçon amère appliquée aux agents. Beaucoup des harnais actuels les plus performants sont délibérément simples : une bonne boucle, quelques outils généraux comme un shell et un éditeur de fichiers, et une gestion soignée du contexte.

Une habitude pratique en découle : quand un nouveau modèle sort, essayez de retirer des parties de votre harnais et voyez si les résultats s'améliorent.

Harnais et évaluation

Comme le harnais modifie les résultats, les chiffres de benchmarks ne sont comparables que lorsque le harnais est le même. Pour les évaluations de sûreté, un harnais faible est un vrai risque, car il peut faire paraître un modèle moins capable qu'il ne l'est. Les évaluateurs consacrent donc des efforts à l'élicitation : donner au modèle de bons outils et un budget suffisant pour montrer ce dont il est réellement capable.

En choisir un ou le construire

Partez d'un harnais ou d'un SDK existant, sauf besoins inhabituels. Investissez d'abord dans des outils aux descriptions claires et aux sorties compactes, puis dans la gestion du contexte, puis dans les permissions. Journalisez chaque étape de la boucle. Quand quelque chose échoue, lisez la transcription : la plupart des échecs d'agents viennent de ce que l'on a montré au modèle, pas des capacités du modèle.

← Tous les termes
ESC