Harness

Der Startseiten-Text vom 13. August 2026 zu «DeepSeek Harness» trägt die Gleichung, die den Begriff verankert: Agent gleich Modell plus Harness, wobei das Modell das ist, was DeepSeek die Seele des Agenten nennt, und der Harness das, was ihm erlaubt, seine Umgebung zu lesen, Werkzeuge aufzurufen und unter realen Bedingungen weiterzuarbeiten. Addy Osmani, Shubham Saboo und Sokratis Kartakis beziffern diese Aufteilung in ihrem Google-Whitepaper vom Mai 2026: Modell ~10 %, Harness ~90 %, wobei die 90 % Instruktionen, Werkzeuge und «MCP», Sandboxes, Orchestrierung, Hooks und Observability umfassen. Ihr Beleg ist ein Benchmark-Ergebnis: Bei Terminal Bench 2.0 brachte allein der Austausch des Harness einen Agenten von außerhalb der Top 30 in die Top 5. Ihre Schlussfolgerung, "most agent failures are configuration failures", verlagert die Qualität eines Agenten weg von der Modellwahl.

Bill Chen und Brian Fioca vom Applied-AI-Team von OpenAI hatten dieselbe Zerlegung bereits im November 2025 vorgenommen und einen Agenten in Benutzeroberfläche, Modell und Harness aufgeteilt, wobei sie argumentierten, der Harness sei der unterschätzte Teil: Er fängt die Trainingsgewohnheiten jedes Modells auf (die Tendenz, erst alles zu lesen, bevor gehandelt wird), Latenz, Context Compaction, Tool-Integration und Sandboxing. OpenAIs Antwort bestand darin, «Codex» als integrierten Agenten-plus-Harness statt als Modell zu positionieren und Entwicklern zu sagen, sie sollten diese Schicht nicht jedes Mal neu bauen.

DeepSeeks Antwort hat die gegenteilige Form: ein Harness, definiert durch Plugin-Komposition und ein einziges Append-only-Log, freigegeben unter MIT in derselben Woche, in der sich die Inferenz-Preise änderten. Beide Positionen behandeln den Harness als das dauerhafte Asset, während Modelle sich im Zyklus ablösen.