Het harnas verwijst naar alles wat een AI-model omringt om er een agent van te maken die kan handelen. Bij een gelijk model zorgt dit kader voor variatie in scores, kosten en veiligheidsmaatregelen, volgens recent gepubliceerde cijfers over tests met programmeeragents.
- Eenzelfde AI-model behaalt tot 8,1 punten verschil, afhankelijk van het harnas.
- LangChain verhoogde zijn score van 52,8% naar 66,5% door alleen het harnas aan te passen.
- Een slimmere keuze van tools verlaagt het tokenverbruik en dus de kosten.
- De zandbak beperkt de bestanden en servers die de agent kan bereiken.
Een taalmodel alleen produceert tekst. Het harnas voegt daar een uitvoeringslus aan toe die toolaanroepen herkent, ze uitvoert, de resultaten terugstuurt en herhaalt tot de taak voltooid is. Het omvat ook instructies, contextbeheer, subagents, werkverificatie en de zandbak, een ruimte die de toegankelijke bestanden en bereikbare servers beperkt.
Op Terminal-Bench 2.1, een test voor commandoregelagents, voltooide Gemini 3 Pro 65,8% van de 89 taken in Gemini CLI, de agent die Google publiceert voor zijn modellen. In Terminus 2, een minimaal programma geschreven door de testmakers en voorzien van slechts één tool, een terminal, behaalde het 73,9%. Het klassement van Terminal-Bench 2.1, later gearchiveerd door Snorkel AI, scheidt deze twee regels met 8,1 punten.
LangChain mat het effect door alleen het harnas aan te passen. Zijn deepagents-cli agent steeg van 52,8% naar 66,5% op Terminal-Bench 2.0, volgens hun bericht van 17 februari 2026. « We hebben alleen het harnas aangepast en het model, gpt-5.2-codex, ongewijzigd gelaten », schrijft het bedrijf. De wijzigingen betroffen de systeeminstructie, de tools, een verplichte controle voor output, een teller die de agent dwingt zijn methode te herzien als hij te vaak hetzelfde bestand aanpast, en de dosering van de redeneerinspanning.
Een studie van Tulane, Rutgers en Virginia Tech, gepubliceerd in een position paper op 7 mei 2026, kruist drie modellen met drie harnassen op 100 taken van SWE-bench Verified. Volgens de auteurs verschuift een harnaswissel de score met 8,5 tot 13 punten, tegenover 2,5 tot 5 punten voor een modelwissel. De makers van Terminal-Bench blijven echter voorzichtig: hun artikel van 17 januari 2026 stelt dat « de keuze van het model over het algemeen belangrijker is dan de opbouw van de agent ».
Een rekening die afhangt van de configuratie
Een API factureert bij elke aanroep de volledige overgedragen context, en een agentsessie stuurt zijn geschiedenis elke ronde mee terug. Caching vermindert deze kosten, met een korting van 95% op de herlezen token, zowel voor Claude Opus 5.5 als voor GPT-6.1 Sol. Een harnas dat het begin van zijn verzoek tijdens een sessie wijzigt, verliest deze korting, wat verklaart waarom Codex zijn wijzigingen aan het einde van het verzoek toevoegt.
De keuze van tools weegt ook door. In een bericht van 4 november 2025 schat Anthropic de kosten op 150.000 tokens voor een agent die meteen de definitie van al zijn tools laadt, tegenover 2.000 wanneer hij ze vanuit code aanroept. Vercel verwijderde 80% van de tools uit d0, zijn agent die vragen naar SQL vertaalt. Bij vijf verzoeken met Claude Opus 4.5 daalde het gemiddelde verbruik van ongeveer 102.000 naar 61.000 tokens, en het slagingspercentage steeg van vier naar vijf van de vijf verzoeken. Vijf verzoeken vormen geen statistiek, erkent het bedrijf in dezelfde geest.
Wie bepaalt wat de agent kan doen
Het harnas bepaalt ook de grenzen van wat de agent mag uitvoeren. Een preprint, ToFu, toonde op 9 oktober 2026 aan dat een klein lokaal model een aanroep deed naar een fictieve tool genaamd launch_missiles, die LangGraph zonder controle uitvoerde, voordat het zijn weigering opschreef. De weigering komt dus na de uitvoering, wat de verificatie van autorisaties plaatst in het harnas en de tools zelf.
Anthropic geeft in zijn bericht van 25 maart 2026 aan dat gebruikers 93% van de autorisatieverzoeken accepteren. Zijn zandbak verminderde deze verzoeken met 84% bij intern gebruik, en een classifier controleert vervolgens de acties die niet vooraf zijn geautoriseerd. Van 52 werkelijke excessieve acties liet het er 17% door. OpenAI isoleert de uitvoering ook in zijn Agents SDK, sinds 15 april 2026.
Artificial Analysis plant een rubriek « Harness Comparison » op zijn pagina voor code-agents. Op 30 oktober 2026 droeg het de vermelding « binnenkort beschikbaar ».
