Een AI harness, ook agent harness genoemd, is alle software rond een taalmodel die er een agent van maakt die echt werk kan doen. Het model voorspelt tekst. De harness geeft het een lus om in te werken, tools om mee te handelen, een geheugen, een veilige plek om code te draaien en de regels die het moet volgen. Kort samengevat in de formule die in 2026 standaard werd: agent = model + harness.
Die tweede helft weegt zwaarder dan de meeste mensen denken. Hetzelfde model kan heel anders scoren afhankelijk van de harness eromheen, en verschillende onderzoeksteams verbeteren agents nu zonder het model zelf aan te raken. In deze gids lees je wat een AI harness is, waaruit hij bestaat, welke soorten er zijn, hoe je er een kiest en waar het naartoe gaat. We houden hem bij wanneer er nieuwe harnesses opduiken.
Wat is een AI harness?
Een groot taalmodel heeft op zichzelf geen geheugen. Je stuurt tekst, je krijgt tekst terug, en daarna is alles vergeten. Het kan geen bestand openen, geen test draaien, niet zoeken op het web en weet niet meer wat het gisteren deed. Alles wat een agent nuttig maakt, gebeurt buiten het model: in code die het model aanroept, het antwoord leest, uitvoert wat het model vroeg en het resultaat weer teruggeeft.
Die code rond het model is de harness. LangChain omschrijft het als alle code, configuratie en uitvoeringslogica die niet het model zelf is. Microsoft noemt het de runtime die model- en toolaanroepen aanstuurt, toestand en context beheert, goedkeuringsregels toepast en een agent door een taak met veel stappen loodst. Oudere papers spreken van scaffolding, steigerwerk: het Britse AI Security Institute omschreef een agent in oktober 2023 al als een model plus scaffolding.
Het woord komt uit de fysieke wereld. Met een harnas stuur je de kracht van een paard, en een kabelboom (in het Engels ook harness) brengt in een auto elk signaal naar de juiste plek. Een AI harness doet hetzelfde voor een model: het zet ruwe capaciteit om in nuttig, gecontroleerd werk. Op deze site spreken we consequent over de harness.
Waarom de harness even belangrijk is als het model
Jarenlang betekende vooruitgang in AI een groter of beter model. In 2026 werd een tweede hefboom zichtbaar. Drie resultaten tonen dat duidelijk.
- LangChain liet zijn coding agent op Terminal-Bench 2.0 stijgen van ongeveer de 30e naar ongeveer de 5e plaats door alleen de harness te veranderen, met hetzelfde model.
- Harness² van Google herschrijft de prompts, guardrails, het geheugen, de skills en de tooluitleg rond een bevroren model. Eén verbeterstap leverde tot 11,5 punten winst op WorkBuddy-Bench, en het open model GLM-5 met een verbeterde harness scoorde hoger dan het sterkere Gemini 3.5 Flash met zijn standaard harness.
- Meta-Harness, van onderzoekers van Stanford, MIT en KRAFTON, laat een AI-agent de harness herschrijven op basis van de ruwe logboeken van eerdere pogingen. De gevonden harness klopte de beste handgemaakte harnesses waarmee de zoektocht begon.
De les voor wie agents bouwt of koopt is eenvoudig. Modellen worden steeds inwisselbaarder via standaard API’s. In de harness zitten jouw instructies, jouw data, jouw tools en jouw regels. Dat maakt het het deel dat je echt bezit, of zoals we eerder schreven: modellen huur je, je context is van jou.
Wat een agent harness doet: de belangrijkste onderdelen
Elke leverancier trekt de grenzen anders, maar bijna elke harness bestaat uit dezelfde zes onderdelen.
1. De agent loop
De lus is het hart van de harness. Ze stuurt de taak en de context naar het model, leest het antwoord, voert de tool uit waar het model om vroeg, voegt het resultaat toe aan de context en vraagt het model opnieuw, tot de taak klaar is of een limiet bereikt wordt. Beslissen wanneer de agent moet stoppen is moeilijker dan het klinkt.
2. Tools en koppelingen
Met tools kan een agent handelen: een terminal, een bestandseditor, een browser, zoeken op het web, een databankquery of een koppeling met een bedrijfssysteem. De harness beschrijft elke tool aan het model, controleert de argumenten, voert de aanroep uit en geeft het resultaat terug. Het Model Context Protocol (MCP) is de gangbare manier geworden om tools aan een harness te koppelen.
3. Context en geheugen
Een model weet alleen wat in zijn contextvenster zit. De harness beslist wat erin komt: instructies, eerdere stappen, relevante bestanden, opgehaalde kennis en langetermijngeheugen. Hij comprimeert of verplaatst context wanneer het venster volloopt. Dat is het werk van context engineering. Een geheugen dat sessies overleeft, zoals bij Claude Managed Agents, is een functie van de harness, niet van het model.
4. Sandbox, rechten en guardrails
Een agent die code kan uitvoeren, kan ook dingen stukmaken. De harness laat commando’s draaien in een afgeschermde werkruimte, beperkt welke bestanden en systemen de agent kan bereiken en vraagt een mens om goedkeuring voor risicovolle acties. Hier kijken security- en compliance-teams best eerst.
5. Controle en evaluatie
Een goede harness controleert het werk van de agent voor het als klaar geldt: tests draaien, een linter, een tweede model als reviewer of een validatiescript. Birgitta Böckeler van Thoughtworks noemt dat sensoren, naast gidsen die de agent sturen voor hij handelt.
6. Logboeken en observability
Elke prompt, toolaanroep, elk resultaat en elke beslissing moet terug te vinden zijn. Logboeken maken agents debugbaar en controleerbaar, en zoals Meta-Harness liet zien, zijn ze ook de grondstof om de harness zelf te verbeteren.
Voorbeelden: de belangrijkste soorten AI harness
Er zijn grofweg vier soorten harnesses. De grenzen vervagen, maar het onderscheid helpt wanneer je producten vergelijkt.
| Soort | Waarvoor | Voorbeelden |
|---|---|---|
| Coding harnesses | Agents die code lezen, schrijven en testen in een repository of terminal | Claude Code, Codex, OpenCode, de agent van Cursor, Pi en Omp |
| Open source runtimes | Bouwstenen om je eigen agent samen te stellen | DeepSeek Harness, Strands van Amazon, TrueForge, Hermes Agent, LangChain Deep Agents |
| Beheerde harnesses | Een gehoste runtime van een model- of cloudleverancier | Claude Managed Agents, de beheerde agent harness van AWS, Cohere North |
| Bedrijfsharnesses | Een harness voor een hele organisatie en haar kenniswerk, niet voor één ontwikkelaar | Zaela (zie verder), agentplatformen voor bedrijven |
Het verschil tussen Pi en Omp toont hoeveel ontwerpkeuze er is. Pi stelt dat een modern model genoeg heeft aan vier tools en een systeemprompt van minder dan 1.000 tokens. Omp, dat begon als fork van Pi, levert 32 ingebouwde tools en koppelt een language server en een debugger aan de lus. Beide kunnen dezelfde modellen draaien; het zijn twee verschillende gokken op de harness.
Inner harness en outer harness
Böckeler onderscheidt ook twee lagen. De inner harness komt van de leverancier: de lus, de tools en de standaardinstellingen die met Claude Code, Codex of een agent-SDK meekomen. De outer harness is wat jij daarbovenop zet: instructiebestanden zoals AGENTS.md of CLAUDE.md, MCP-servers, skills, hooks, geheugen en je eigen controles.
Voor de meeste organisaties zit de waarde in de outer harness. Daar staat jouw manier van werken, jouw data en jouw regels. Het is ook het deel dat blijft wanneer je van model of leverancier wisselt.
Harness, framework, SDK, runtime en agent: wat is het verschil?
De termen overlappen, en leveranciers gebruiken ze los door elkaar. Zo verhouden ze zich in de praktijk.
| Term | Wat het betekent |
|---|---|
| Model | Het taalmodel zelf, achter een API. Zonder geheugen, tekst in en tekst uit. |
| Harness | Alles rond het model dat er een agent van maakt: lus, tools, context, sandbox, controles, logboeken. |
| Agent | Model plus harness, ingesteld voor een taak. |
| Framework of SDK | Een bibliotheek om een harness te bouwen, zoals LangChain, Strands of de Claude Agent SDK. Sommige leveren een kant-en-klare harness mee. |
| Runtime | De omgeving die agents in productie laat draaien: sessies, schaal, sandboxes. Vaak gebruikt als synoniem voor een gehoste harness. |
Harness engineering, context engineering en loop engineering
Toen de harness de hefboom bleek, kreeg het ontwerpwerk een naam. Harness engineering brak door in het begin van 2026. Wie de term bedacht, is niet duidelijk: sommigen wijzen naar een blogpost van Mitchell Hashimoto, anderen naar LangChain. Een rapport van OpenAI over een codebase die grotendeels door coding agents gebouwd werd, en werk van Thoughtworks en Anthropic, maakten de term breed bekend. Het idee: je behandelt de harness als een echt stuk engineering, je ontwerpt en test hem en je scherpt hem aan telkens de agent een fout maakt.
Daarbinnen zitten twee smallere disciplines. Context engineering bepaalt wat het model te zien krijgt. Loop engineering bepaalt hoe de agent herhaalt en wanneer hij stopt. Lees ook ons stuk over agentic engineering.
Harnesses die zichzelf verbeteren
Als de harness zoveel uitmaakt, is de volgende stap AI die de harness verbetert. Verschillende projecten doen precies dat.
- Meta-Harness zoekt offline naar een betere harness, met een agent die per ronde tot zo’n tien miljoen tokens aan ruwe logboeken leest.
- Harness² van Google stelt wijzigingen voor, test ze tegen elkaar en houdt per taak alleen wat wint.
- MiniMax M2.7 is een model dat getraind werd om zijn eigen agentomgeving mee te verbeteren.
Wat je als organisatie meeneemt: bewaar de logboeken en evaluaties van je agents. Daarmee kan elk van deze methodes, of je eigen team, de agent van morgen beter maken dan die van vandaag.
Harnesses voor bedrijven, niet alleen voor programmeurs
Bijna alles wat tot nu toe over harnesses geschreven is, gaat over coding agents. Daar ontstond de term, en daar zijn resultaten het makkelijkst te meten. Maar hetzelfde idee geldt voor de rest van een bedrijf. Een salesteam, een marketingafdeling of een servicedesk heeft ook een model nodig dat de regels, de toon, de klanten en de systemen kent, dat in de eigen tools kan handelen en binnen afgesproken grenzen blijft.
Een bedrijfsharness verschilt op een paar punten van een coding harness:
- Geheugen is gedeelde kennis: huisregels, tone of voice, producten, prijzen en eerder werk, voor iedereen in plaats van voor de repository van één ontwikkelaar.
- Werkwijzen vervangen codetaken: een manier van werken wordt één keer vastgelegd als skill en door het hele team gebruikt.
- Agents zijn rollen: een contentschrijver, een analist, een rapportagehulp, elk met eigen instructies en tools.
- Tools zijn bedrijfssystemen: CRM, analytics, advertenties, publicatie en databronnen, in plaats van een terminal en een editor.
- Scheiding en governance zijn strikt: het geheugen en de agents van elke organisatie blijven van haar alleen, wat telt onder de AVG en de Europese AI Act.
Zaela is een voorbeeld van zo’n bedrijfsharness. Het is opgebouwd rond precies deze vier bouwstenen: memory (wat het weet), skills (hoe het moet), agents (wie het doet) en tools (de handen die het werk doen). Het uitgangspunt is dat elke organisatie haar eigen Zaela krijgt, met eigen geheugen en eigen agents, en dat wat je twee keer vraagt een agent kan worden. Transparantie: Zaela is gemaakt door Edge, het team achter artificial-intelligence.be. Meer lees je op zaela.com.
Hoe kies je een AI harness?
Of je nu een coding harness, een beheerde runtime of een bedrijfsharness kiest, dezelfde vragen scheiden een goede keuze van een dure vergissing.
- Welke modellen kan hij draaien? Een harness die aan één model vastzit, sluit je op. De meeste open runtimes ondersteunen intussen meerdere aanbieders.
- Waar staan je data? Kijk waar context, geheugen en logboeken bewaard worden, hoe lang en in welk land.
- Waar kan de agent aan? Bekijk sandboxing, rechten en menselijke goedkeuring voor risicovolle acties.
- Wie bezit de outer harness? Je instructies, skills en geheugen moeten meeneembaar zijn, in gewone bestanden of exporteerbare formaten.
- Hoe wordt het werk gecontroleerd? Vraag welke controles draaien voor een taak als klaar geldt.
- Kan je zien wat er gebeurde? Volledige sporen van prompts, toolaanroepen en resultaten zijn nodig om fouten te vinden en voor audits.
- Wat kost een taak? Caching, het comprimeren van context en slim kiezen tussen modellen kunnen de tokenkost flink veranderen.
Niet te verwarren met
Harness is ook de naam van een softwarebedrijf, Harness.io, met een DevOps-platform en eigen AI-agents. Dat product staat los van het algemene begrip AI harness. En een evaluation harness, zoals lm-evaluation-harness van EleutherAI, is een tool om modellen te benchmarken, geen runtime voor agents. Wie over een LLM harness spreekt, kan dus het ene of het andere bedoelen.
Veelgestelde vragen over AI harnesses
Wat is een AI harness in eenvoudige woorden?
Het is de software waarmee een taalmodel kan handelen in plaats van alleen te praten. Als het model het brein is, is de harness het lichaam en de handen: hij geeft het model tools, geheugen, een werkplek en regels.
Wat is het verschil tussen een agent en een harness?
Een agent is de combinatie van een model en een harness. De harness is alles behalve het model. Wissel het model en je houdt dezelfde harness; wissel de harness en hetzelfde model gedraagt zich als een andere agent.
Is Claude Code een agent harness?
Ja. Claude Code is een coding harness van Anthropic rond de Claude-modellen, net zoals Codex voor de modellen van OpenAI en open projecten zoals OpenCode. Benchmarks tonen dat hetzelfde model in Claude Code anders kan scoren dan in een andere harness.
Is een agent harness hetzelfde als een agent framework?
Niet helemaal. Een framework is een bibliotheek waarmee je een agent bouwt. Een harness is het werkende systeem rond het model. Veel frameworks leveren nu een kant-en-klare harness mee, daarom worden de termen vaak door elkaar gebruikt.
Wint een betere harness het van een beter model?
Soms. Harness² liet een open model met een verbeterde harness hoger scoren dan een sterker model met zijn standaard harness. In de praktijk heb je beide nodig, maar de harness kan je vandaag al aanpassen, zonder te wachten op een nieuw model.
Heeft een AI harness iets met Harness.io te maken?
Nee. Harness.io is een bedrijf met een DevOps-platform. Een AI harness is een algemeen begrip dat voor elke agent geldt.
Alle artikels over AI harnesses op artificial-intelligence.be
- Harness² (Harness squared) van Google verbetert AI-agents zonder het model aan te raken
- Meta-Harness van Stanford laat AI de code rond een AI-model herschrijven
- DeepSeek Harness maakt elke component van je AI agent een plugin
- TrueForge, een open source alternatief voor Claude Managed Agents
- Claude Managed Agents en hun geheugen
- Cohere North 2
- MiniMax M2.7 verbetert zichzelf
- Context engineering voor Claude 5
This article is also available in English on i-scoop.eu: what is an AI harness?
Bronnen: LangChain, The anatomy of an agent harness (maart 2026); Microsoft Learn, Agent harness; Wikipedia, Agent harness; onze eigen artikels over Harness², Meta-Harness en DeepSeek Harness hierboven.
