Der Harness bezeichnet alles, was ein KI-Modell umgibt, um daraus einen handlungsfähigen Agenten zu machen. Bei gleichem Modell variiert dieses Gerüst die Ergebnisse, die Kosten und die Sicherheitsvorkehrungen, wie kürzlich veröffentlichte Zahlen zu Tests von Programmieragenten zeigen.
Ein Sprachmodell allein erzeugt Text. Der Harness fügt eine Ausführungsschleife hinzu, die Tool-Aufrufe erkennt, sie ausführt, die Ergebnisse zurückgibt und den Vorgang bis zum Abschluss der Aufgabe wiederholt. Er umfasst auch die Anweisungen, die Kontextverwaltung, Sub-Agenten, die Überprüfung der Arbeit und die Sandbox, einen Bereich, der den Zugriff auf Dateien und erreichbare Server einschränkt.
Im Terminal-Bench 2.1, einem Test für Kommandozeilen-Agenten, bestand Gemini 3 Pro 65,8 % der 89 Aufgaben in Gemini CLI, dem von Google veröffentlichten Agenten für seine Modelle. In Terminus 2, einem von den Testautoren geschriebenen Minimalprogramm mit nur einem Tool, einem Terminal, erreichte es 73,9 %. Die Rangliste von Terminal-Bench 2.1, die später von Snorkel AI archiviert wurde, trennt diese beiden Zeilen um 8,1 Punkte.
LangChain hat den Effekt gemessen, indem nur der Harness verändert wurde. Sein Agent deepagents-cli stieg auf Terminal-Bench 2.0 von 52,8 % auf 66,5 %, wie in seinem Beitrag vom 17. Februar 2026 steht. « Wir haben nur den Harness angepasst und das Modell gpt-5.2-codex beibehalten », schreibt das Unternehmen. Die Änderungen betrafen die Systemanweisung, die Tools, eine vorgeschriebene Überprüfung vor der Ausgabe, einen Zähler, der den Agenten zwingt, seine Methode zu überdenken, wenn er dieselbe Datei zu oft ändert, und die Dosierung des Denkaufwands.
Eine Studie von Tulane, Rutgers und Virginia Tech, veröffentlicht in einem Positionspapier am 7. Mai 2026, kreuzt drei Modelle mit drei Harness-Varianten bei 100 Aufgaben von SWE-bench Verified. Laut ihren Autoren verschiebt ein Harness-Wechsel die Punktzahl um 8,5 bis 13 Punkte, gegenüber 2,5 bis 5 Punkten für einen Modellwechsel. Die Autoren von Terminal-Bench bleiben jedoch vorsichtig: Ihr Artikel vom 17. Januar 2026 schätzt, dass « die Wahl des Modells im Allgemeinen wichtiger ist als das Gerüst des Agenten ».
Eine Rechnung, die von der Konfiguration abhängt
Eine API berechnet bei jedem Aufruf den gesamten übermittelten Kontext, und eine Agenten-Session sendet ihren Verlauf bei jeder Runde zurück. Der Cache reduziert diese Kosten mit einem Rabatt von 95 % auf das wieder gelesene Token, sowohl für Claude Opus 5.5 als auch für GPT-6.1 Sol. Ein Harness, der den Anfang seiner Anfrage während einer Session ändert, verliert diesen Rabatt, was erklärt, warum Codex seine Änderungen am Ende der Anfrage hinzufügt.
Die Wahl der Tools wiegt ebenfalls. In einem Beitrag vom 4. November 2025 beziffert Anthropic die Kosten eines Agenten, der sofort die Definition aller seiner Tools lädt, auf 150.000 Token, gegenüber 2.000, wenn er sie aus Code aufruft. Vercel hat 80 % der Tools aus d0 entfernt, seinem Agenten, der Fragen in SQL übersetzt. Bei fünf Anfragen mit Claude Opus 4.5 sank der durchschnittliche Verbrauch von etwa 102.000 auf 61.000 Token, und der Erfolg stieg von vier auf fünf von fünf Anfragen. Fünf Anfragen sind keine Statistik, räumt das Unternehmen im selben Geiste ein.
Wer entscheidet, was der Agent tun kann
Der Harness legt auch die Grenzen fest, was der Agent ausführen darf. Ein Preprint, ToFu, zeigte am 9. Oktober 2026, dass ein kleines lokales Modell einen Aufruf an ein fingiertes Tool namens launch_missiles absetzte, das LangGraph ohne Kontrolle ausführte, bevor es seine Ablehnung formulierte. Die Ablehnung erfolgt also nach der Ausführung, was die Überprüfung der Berechtigungen in den Harness und die Tools selbst verlagert.
Anthropic gibt in seinem Beitrag vom 25. März 2026 an, dass Nutzer 93 % der Berechtigungsanfragen akzeptieren. Seine Sandbox reduzierte diese Anfragen intern um 84 %, und ein Klassifikator überprüft anschließend die nicht vorab autorisierten Aktionen. Von 52 tatsächlichen übermäßigen Aktionen ließ er 17 % durch. OpenAI isoliert die Ausführung ebenfalls in seinem Agents SDK seit dem 15. April 2026.
Artificial Analysis plant einen Bereich « Harness Comparison » auf seiner Seite für Code-Agenten. Am 30. Oktober 2026 trug er den Vermerk « demnächst verfügbar ».
