Como funciona
- Wrap do modelo. O LLM fica encapsulado por uma camada que controla input, output e contexto. Tudo que entra e sai do modelo passa pelo harness.
- Contratos e validação. Schema explícito de entrada e saída. Inputs validados antes de chegar no modelo. Outputs validados antes de virar ação ou resposta.
- Orquestração e roles. O harness coordena agent loop, separa funções (planner, executor, observer), gerencia memória entre passos.
- Governança e observabilidade. Permissão por ferramenta, rate limit, audit log, retry, timeout, falha nomeada (taxonomy). Tudo o que separa demo de produto.
Por que importa
- Transforma modelo em produto. Sem harness, LLM responde texto solto. Com harness, vira sistema operacional auditável.
- É onde mora o moat. O modelo é commodity (qualquer um pode usar GPT, Claude). O harness é proprietário e diferencia.
- Reduz risco operacional. Validação de input, output filtering, fallback humano. Sem harness, qualquer prompt do usuário pode virar incidente.
- Permite trocar de modelo. Harness bem desenhado abstrai o modelo. Trocar Claude por GPT é mudança de configuração, não de arquitetura.
O que muda para cada perfil
Para o Translator
Leitura transversal: como o conceito muda o papel de quem alinha tech, dados e negócio.
O que muda pra você. Harness é o moat durável da empresa, não o modelo (que virou commodity). O Translator é quem costura as dimensões (engenharia, dados, produto, segurança, governança) pra desenhar harness coerente.
Analogia. É como ter receita de molho secreto, em vez de só comprar ingredientes. O ingrediente é commodity; a receita é o diferencial.
Pergunta-âncora. Onde está o nosso harness: documentado e versionado, ou espalhado em código de cada feature? Sem ativo organizado, o moat não existe.
Para DPM
Linguagem e exemplos para Data Product Managers e Analytics Leads.
O que muda pra você. Harness é onde se concentra a engenharia que faz produto de IA funcionar em escala. Métricas de produto (taxa de sucesso, latência, custo por execução) são instrumentadas no harness, não no modelo.
Analogia. É a infraestrutura por trás do produto. O modelo é o motor. O harness é o chassi, suspensão, freio e painel.
Pergunta-âncora. Onde estão as métricas de produto: no nível do modelo (genéricas) ou no nível do harness (específicas do nosso caso)? A diferença é entre observabilidade real e teatro.
Para Produto
Linguagem e exemplos para Product Managers.
O que muda pra você. Harness é onde o time de produto especifica o comportamento esperado da IA: regras, restrições, formato, fallback. Sem harness explícito, comportamento varia entre features e UX fica inconsistente.
Analogia. É manual de operações de cada feature de IA. Sem ele, cada engenheiro implementa diferente, e o produto fala N línguas.
Pergunta-âncora. O harness do nosso produto é especificado pelo time de produto ou improvisado pela engenharia? Quem define o comportamento expressa o produto.
Para Engenharia
Linguagem e exemplos para Data Engineers, ML Engineers e Arquitetos.
O que muda pra você. Componentes típicos: contracts (schema input/output), roles (separação planner/executor/observer), stage structure (etapas explícitas), adapters (hooks determinísticos), state semantics (persistência), failure taxonomy (modos de falha nomeados). Implementado via framework (LangGraph, OpenAI Agents SDK) ou roll-your-own.
Analogia. É camada de aplicação acima do LLM, com toda boa prática de software (DI, validação, observabilidade, retry, etc.) aplicada.
Pergunta-âncora. O nosso harness é versionado, testado e auditável, ou é colcha de retalhos? Sem disciplina de software, vira dívida em meses.
Para Gestão
Linguagem e exemplos para TPMs, Engineering Managers e líderes de time.
O que muda pra você. Harness é onde se concentra a complexidade real de produto baseado em IA. Time precisa ter pessoas que entendem essa camada, não só pessoas que sabem chamar API. Sem competência interna, harness fica frágil e dependente.
Analogia. É como ter time de DevOps interno, em vez de só usar serviço gerenciado. Tem que treinar, contratar e reter quem entende.
Pergunta-âncora. Quem na empresa entende harness em profundidade? Sem essa capacidade interna, todo upgrade de modelo vira projeto, não config change.
Para Negócio
Linguagem e exemplos para Estratégia, Operações e FP&A.
O que muda pra você. Harness é o que distingue empresa que opera IA bem da que só usa IA. O modelo virou commodity (todos têm acesso). O harness é proprietário e durável. Investir em harness é investir em vantagem competitiva real.
Analogia. É como ter receita do molho secreto, em vez de comprar ingrediente comum. O ingrediente é igual pra todos. O diferencial está em como você combina.
Pergunta-âncora. O nosso investimento em IA está em modelo (commodity) ou em harness (proprietário)? Onde o orçamento maior vai define a diferenciação no longo prazo.
Citado nestes artigos
6 artigos do blog referenciam Harness.
Equipe de agentes: quando multi-agent vale e quando vira teatro
Multi-agent é orquestração de vários agentes especializados que se comunicam pra resolver tarefa complexa. Vale com paralelismo real e papéis claros. Vira teatro quando substitui um agente único bem desenhado.
O que é agent harness (e por que importa mais que o modelo)
Agent harness é a infraestrutura que envolve o LLM e o transforma em agente. Loop de execução, gerenciamento de contexto, ferramentas, prompts e memória. Sem harness, é chatbot.
O que são skills em agentes de IA
Skill é um artefato (geralmente arquivo .md) que estende um agente com instruções, contexto e ferramentas pra uma tarefa específica. Conceito multi-fornecedor: Claude, Gemini, Codex e Cursor têm equivalentes.
O que são sub-agentes (e quando vale delegar)
Sub-agente é uma instância filha que o agente principal invoca pra delegar tarefa com contexto isolado. Permite paralelismo, proteção do contexto principal e especialização.
O que é um agente de IA
Agente de IA executa fluxo de trabalho com autonomia. Decompõe objetivo em passos, chama ferramentas e itera até concluir, esgotar orçamento ou parar.
Diferença entre IA, machine learning e automação
IA, machine learning e automação são categorias diferentes. Confundir as três faz projeto virar teatro corporativo, com investimento que não volta.