Что такое харнес в AI-агентах: объяснение с примерами

Что такое харнес в AI-агентах и зачем это знать каждому разработчику

Вы когда-нибудь задумывались, что превращает обычную языковую модель в настоящего AI-агента, способного самостоятельно решать задачи? Многие думают, что достаточно просто дать LLM доступ к инструментам — и вот он, агент. Но на деле ключевой компонент остаётся в тени: харнес. В этой статье мы разберём, что такое харнес, как он работает и почему без него любой агент — просто болванка.

Что такое AI-агент: определение Саймона Уиллисона

Саймон Уиллисон, известный разработчик и создатель Django REST framework, дал простое и ёмкое определение: AI-агент — это языковая модель (LLM), снабжённая инструментами, работающая в цикле для достижения цели. Разберём каждый элемент.

Инструменты и Function Calling

Инструменты — это функции, которые LLM может вызвать для получения данных или выполнения действий. Например, функция поиска в интернете, калькулятор или API для работы с базой данных. Механизм function calling позволяет модели не просто генерировать текст, а возвращать структурированный запрос на вызов функции. Вот пример на Python:

import openai

def search_web(query: str) -> str:
    """Поиск в интернете"""
    # Здесь был бы реальный вызов API поисковика
    return f"Результаты по запросу: {query}"

# Пример вызова функции из LLM
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "Найди последние новости о Python"}],
    functions=[{
        "name": "search_web",
        "description": "Поиск информации в интернете",
        "parameters": {
            "type": "object",
            "properties": {
                "query": {"type": "string"}
            },
            "required": ["query"]
        }
    }]
)

# Обрабатываем вызов функции
if response.choices[0].message.get("function_call"):
    func_call = response.choices[0].message["function_call"]
    if func_call["name"] == "search_web":
        args = json.loads(func_call["arguments"])
        result = search_web(args["query"])
        print(result)

Цикл агента

Цикл — это программная проверка вывода модели: завершена ли задача? Если нет — агент продолжает вызывать инструменты, анализировать результаты и уточнять запросы. Реализация цикла может выглядеть так:

def run_agent(task: str, max_iterations: int = 10):
    messages = [{"role": "user", "content": task}]
    for i in range(max_iterations):
        response = openai.ChatCompletion.create(
            model="gpt-4",
            messages=messages,
            functions=[...]
        )
        msg = response.choices[0].message
        if msg.get("function_call"):
            # Выполняем функцию и добавляем результат в историю
            func_result = execute_function(msg["function_call"])
            messages.append(msg)
            messages.append({"role": "function", "name": msg["function_call"]["name"], "content": func_result})
        else:
            # Если функция не вызвана — считаем задачу выполненной
            return msg["content"]
    return "Не удалось завершить за максимальное число итераций"

Что такое харнес и почему это не интерфейс

Харнес (harness) — это вся инфраструктура после LLM: логика цикла, управление инструментами, обработка ошибок, планирование шагов. Многие путают харнес с интерфейсом (UI), но это разные вещи. Интерфейс — это то, что видит пользователь: чат, кнопки, панель. Харнес — это невидимая «сантехника», которая решает, продолжать ли агенту работу или завершить.

Например, один и тот же харнес может работать с разными интерфейсами: веб-чат, Telegram-бот, API. И наоборот, один интерфейс может подключаться к разным харнесам. Вот почему можно заменить интерфейс, не трогая логику агента.

Пример простого харнеса

class AgentHarness:
    def __init__(self, llm, tools):
        self.llm = llm
        self.tools = {t.name: t for t in tools}
        self.history = []

    def step(self, user_input: str) -> str:
        self.history.append({"role": "user", "content": user_input})
        response = self.llm.generate(self.history, self.tools_schema())
        if response.function_call:
            tool = self.tools[response.function_call.name]
            result = tool.execute(**response.function_call.args)
            self.history.append(response.message)
            self.history.append({"role": "tool", "content": result})
            return self.step("Продолжи")  # рекурсивный цикл
        else:
            return response.content

    def tools_schema(self):
        return [t.schema for t in self.tools.values()]

Практический вывод: что делать прямо сейчас

Если вы создаёте AI-агента, не зацикливайтесь на интерфейсе. Сначала спроектируйте харнес: какие инструменты нужны, как будет выглядеть цикл принятия решений, как обрабатывать ошибки. Начните с простого цикла из трёх шагов: запрос → вызов инструмента → проверка результата. Постепенно усложняйте, добавляя планирование и проверку завершённости.

Попробуйте написать своего первого агента с харнесом на Python, используя библиотеку openai и несколько простых функций. Убедитесь, что харнес может работать без UI — через командную строку или API. Это даст вам гибкость подключать любой интерфейс позже.