Este artigo é uma sequência da série sobre Harness Engineering que começou aqui.
A disciplina proposta por Hashimoto cabe em uma frase: toda vez que o agente comete um erro, invista tempo em uma solução de engenharia que torne aquele erro estruturalmente impossível de se repetir. Não se trata de tentar o prompt de novo e sim de tratar cada falha do agente como um problema de sistema com correção permanente.
O impacto prático dessa mentalidade ficou evidente no relato de engenharia da OpenAI publicado na mesma semana: um time de apenas três engenheiros construiu e lançou um produto com cerca de um milhão de linhas de código geradas por agentes, mantendo um ritmo de aproximadamente três pull requests e meio por engenheiro por dia, sem escrever código manualmente. O segredo não estava em um modelo especial e sim em um harness cuidadosamente construído: base de conhecimento no repositório, restrições arquiteturais monitoradas por linters determinísticos e testes estruturais, e agentes de manutenção rodando periodicamente.
O Ponto de Partida: Arquivos de Instrução
O componente base de qualquer harness é o arquivo de instruções do projeto, como o CLAUDE.md (Claude Code) ou o AGENTS.md (padrão adotado por diversas ferramentas). Ele fica na raiz do repositório e funciona como a fonte da verdade sobre como o agente deve se comportar naquela base de código.
Um exemplo prático e simples:
Repare na última seção: ela existe porque, na prática recomendada, cada linha do arquivo deve rastrear uma falha real do agente. Se você não consegue apontar o erro específico que motivou a regra, a regra provavelmente é ruído. Nada de regras aspiracionais: o arquivo cresce incrementalmente, um aprendizado por vez.
Diagnosticando Falhas Pelo Componente
Quando o agente produz um resultado ruim, o fluxo de trabalho do Harness Engineering consiste em identificar qual componente do harness falhou e corrigi-lo na fonte:
• O agente não conhecia a regra? Adicione-a ao arquivo de instruções (guia).
• O agente conhecia a regra, mas a violou? Crie um hook ou linter que a imponha (sensor).
• Faltou informação ao agente? Adicione uma skill, documentação ou um servidor MCP (pipeline de contexto).
• O agente usou uma ferramenta perigosa? Restrinja permissões (guardrail).
• O contexto ficou poluído? Isole a subtarefa em um subagente (orquestração).
• O agente falhou e ninguém percebeu? Adicione monitoramento (observabilidade).
Por Onde Começar?
Construir um harness pode parecer intimidador, mas ninguém começa com todos os mecanismos de uma vez. Três passos costumam gerar o retorno mais rápido:
1. Crie o arquivo de instruções na raiz do projeto (CLAUDE.md ou AGENTS.md) com estrutura do projeto, comandos de build e teste, e regras de código. Comece pequeno.
2. Adote o ciclo de correção permanente: sempre que o agente errar, pergunte qual componente falhou e registre a correção no lugar certo (regra, hook, ferramenta ou permissão), em vez de apenas reformular o prompt.
3. Instale sensores básicos: testes automatizados e linters cujo output seja legível pelo agente. Lembre-se: uma mensagem de erro bem escrita é uma instrução de autocorreção.
Com o tempo, o harness evolui junto com o projeto e se torna um ativo de engenharia tão valioso quanto o próprio código, talvez até mais, já que é ele que multiplica a produtividade de cada nova tarefa delegada aos agentes.
Conclusão
O Agent Harness materializa uma mudança de paradigma na engenharia de software com IA: o trabalho deixa de ser escrever código (ou prompts) e passa a ser projetar o sistema em torno de quem escreve o código. Há quem aposte que os modelos absorverão toda essa infraestrutura, mas a evidência aponta na direção contrária: o tipo de scaffolding muda a cada geração de modelos, mas sempre existirá um sistema em volta do LLM para mediar sua interação com ferramentas, dados e o mundo real. Até os criadores dos melhores modelos investem pesadamente em seus próprios harnesses.
Para o profissional de dados e IA, a mensagem é clara: dominar o modelo é apenas metade da equação. A outra metade, cada vez mais decisiva, é dominar o harness. E essa é uma habilidade de engenharia clássica, feita de quality gates, padrões de arquitetura, automação e disciplina, aplicada a um novo tipo de colaborador: o Agente de IA.
David Matos
Referências: