# trivedy-langchain-anatomy-agent-harness-2026-03-10

## Veille

Anatomy of an Agent Harness: Agent = Model + Harness, componentes fundamentales y la evolución de los harnesses de LangChain

## Titre Article

The Anatomy of an Agent Harness

## Date

2026-03-10

## URL

https://blog.langchain.com/the-anatomy-of-an-agent-harness/

## Keywords

agent harness, harness engineering, Agent = Model + Harness, sistema de archivos, sandbox, bash, ejecución de código, memoria, búsqueda, context rot, compactación, ejecución de larga duración, Ralph Loop, planificación, autoverificación, coevolución modelo-harness, deepagents, LangChain, Terminal Bench

## Authors

Vivek Trivedy

## Ton

**Perfil**: Perspectiva de desarrollador de framework, registro técnico didáctico, nivel intermedio-avanzado. Vivek escribe como un ingeniero que desglosa sistemáticamente un concepto para hacerlo accionable.

**Descripción**: El tono es pedagógico y estructurado, siguiendo un enfoque de derivación lógica: cada componente del harness se justifica partiendo de un comportamiento deseado del agente y retrocediendo hacia la solución técnica. El artículo utiliza un patrón recurrente, "Comportamiento que queremos → Diseño del harness para ayudar al modelo a lograrlo", que hace la lectura progresiva y comprensible. El estilo es técnico pero accesible, con ejemplos concretos extraídos del ecosistema LangChain. El autor adopta una postura matizada sobre el futuro de los harnesses: aunque los modelos absorberán algunas de sus funciones, la ingeniería de harness seguirá siendo útil porque construye sistemas alrededor de la inteligencia del modelo. El público objetivo son los desarrolladores que construyen agentes de IA.

## Pense-betes

- **Definición fundamental**: Agent = Model + Harness. "Si no eres el modelo, eres el harness." El harness = todo el código, la configuración y la lógica de ejecución que no es el modelo en sí
- **Componentes del harness**: prompts de sistema, herramientas/Skills/MCP y sus descripciones, infraestructura embebida (sistema de archivos, sandbox, navegador), lógica de orquestación (subagentes, handoffs, enrutamiento de modelos), hooks/middleware para ejecución determinista (compactación, continuación, comprobaciones de lint)
- **Sistema de archivos**: la primitiva más fundamental del harness. Desbloquea: espacio de trabajo, almacenamiento incremental, superficie de colaboración multiagente/humano. Git añade versionado
- **Bash + ejecución de código**: una herramienta de propósito general en lugar de herramientas preconfiguradas para cada acción. El modelo diseña sus propias herramientas sobre la marcha mediante código
- **Sandboxes**: entornos de ejecución seguros y aislados. Desbloquean escalabilidad (se crean bajo demanda y se destruyen después). Los buenos entornos incluyen herramientas por defecto (runtimes, CLI de git, navegadores)
- **Memoria y búsqueda**: el sistema de archivos como primitiva de memoria (AGENTS.md cargado en el contexto al inicio). Web Search y MCP (por ejemplo, Context7) para acceder a conocimiento posterior al corte de entrenamiento
- **Context rot**: degradación del rendimiento a medida que se llena la ventana de contexto. Soluciones: compactación (resumen inteligente), descarga de resultados de herramientas, Skills como divulgación progresiva
- **Ralph Loop**: un patrón del harness que intercepta el intento de salida del modelo mediante un hook y reinyecta el prompt original en una ventana de contexto limpia, forzando al agente a continuar. El sistema de archivos lo hace posible porque cada iteración parte de un contexto nuevo pero lee el estado de la iteración anterior
- **Autoverificación**: hooks que ejecutan una batería de tests y reenvían al modelo el mensaje de error en caso de fallo
- **Coevolución modelo-harness**: los productos de agentes (Claude Code, Codex) se posentrenan con el modelo y el harness en el bucle. Esto genera sobreajuste (por ejemplo, cambiar la lógica de apply_patch degrada el rendimiento). Pero el mejor harness para tu tarea no es necesariamente aquel con el que se entrenó el modelo
- **Terminal Bench 2.0**: Opus 4.6 en Claude Code obtiene una puntuación muy inferior a la de Opus 4.6 en otros harnesses. LangChain pasó del Top 30 al Top 5 cambiando únicamente el harness
- **Futuro**: algunas funciones del harness serán absorbidas por los modelos, pero la ingeniería de harness seguirá siendo útil porque construye sistemas alrededor de la inteligencia del modelo, y no se limita a parchear sus carencias
- **deepagents**: la librería de LangChain para mejorar la construcción de harnesses. Problemas abiertos: orquestar cientos de agentes en paralelo, agentes que analizan sus propias trazas, harnesses que ensamblan dinámicamente las herramientas adecuadas justo a tiempo

## RésuméDe400mots

Vivek Trivedy, de LangChain, propone una definición estructurada del agent harness: Agent = Model + Harness. El harness engloba todo el código, la configuración y la lógica de ejecución que no es el modelo en sí, incluyendo prompts de sistema, herramientas y MCP, infraestructura embebida, lógica de orquestación y hooks deterministas.

El artículo deriva cada componente del harness a partir de los comportamientos deseados que los modelos no pueden ofrecer de forma nativa. El **sistema de archivos** se identifica como la primitiva más fundamental: ofrece un espacio de trabajo, almacenamiento incremental y una superficie de colaboración entre agentes y humanos. **Bash y la ejecución de código** proporcionan una herramienta de propósito general que permite al modelo diseñar sus propias herramientas sobre la marcha. Los **sandboxes** ofrecen entornos de ejecución seguros y escalables con herramientas por defecto preinstaladas.

En cuanto a la **memoria**, el sistema de archivos actúa como primitiva central mediante archivos estándar como AGENTS.md, cargados en el contexto al inicio y actualizados entre sesiones. La búsqueda web y las herramientas MCP (como Context7) dan acceso a conocimiento posterior al corte de entrenamiento.

El artículo identifica el **context rot** como un desafío importante: el rendimiento se degrada a medida que se llena la ventana de contexto. Las soluciones incluyen la compactación (resumen inteligente del contexto), la descarga de resultados voluminosos de herramientas al sistema de archivos y las Skills como mecanismo de divulgación progresiva.

Para la **ejecución de larga duración**, las primitivas anteriores se combinan entre sí. El **Ralph Loop** es un patrón que intercepta el intento del modelo de finalizar y reinyecta el prompt en un contexto limpio, forzando la continuación del trabajo. La planificación y la autoverificación (tests + un bucle de corrección) mantienen al agente en la trayectoria correcta.

El artículo explora la **coevolución modelo-harness**: los productos de agentes como Claude Code y Codex se posentrenan junto con su harness, lo que crea un acoplamiento (modificar la lógica de una herramienta puede degradar el rendimiento). Sin embargo, el mejor harness para una tarea determinada no es necesariamente el que se usó en el entrenamiento: LangChain pasó del Top 30 al Top 5 en Terminal Bench 2.0 cambiando únicamente el harness.

En conclusión, aunque algunas funciones del harness serán absorbidas por los modelos, la ingeniería de harness seguirá siendo relevante porque construye sistemas alrededor de la inteligencia del modelo. LangChain está desarrollando deepagents y explorando la orquestación masiva de agentes, el autoanálisis de trazas y el ensamblaje dinámico de contexto justo a tiempo.

## GrapheDeConnaissance

- Vivek Trivedy —publie→ The Anatomy of an Agent Harness (DOCUMENT, 0.99)
- Vivek Trivedy —travaille_chez→ LangChain (ORGANISATION, 0.95)
- LangChain —a_créé→ deepagents (TECHNOLOGIE, 0.95)
- LangChain —mesure→ passage du Top 30 au Top 5 sur Terminal Bench 2.0 en changeant uniquement le harnais (MESURE, 0.92)
- Harnais d'agent —est_instance_de→ Tout ce qui n'est pas le modèle dans un agent (CONCEPT, 0.98)
- Système de fichiers —est_instance_de→ Primitive la plus fondamentale du harnais (CONCEPT, 0.9)
- Ralph Loop —utilise→ Interception de la tentative de sortie du modèle (CONCEPT, 0.88)
- Context Rot —réduit→ Performance de l'agent (CONCEPT, 0.92)
- Compaction —résout→ Context Rot (CONCEPT, 0.9)
- Claude Code —est_basé_sur→ Post-entraînement avec harnais dans la boucle (CONCEPT, 0.85)
- Codex —est_basé_sur→ Post-entraînement avec harnais dans la boucle (CONCEPT, 0.85)
- Opus 4.6 —mesure→ scores très différents selon le harnais utilisé (Terminal Bench 2.0) (MESURE, 0.88)

---
Canonical: https://www.thekb.eu/es/fiches/trivedy-langchain-anatomy-agent-harness-2026-03-10/