Harness

Agent harness

Le harness est la couche logicielle qui entoure un modèle de langage pour en faire un agent : prompts système, outils, boucle d’exécution et gestion du contexte, des choix qui pèsent lourd sur le coût et le comportement de l’agent.

Lecture : 5 minutes
Mis à jour le 25 octobre 2026
4 sources

En clair

Un moteur ne fait pas une voiture. Il faut aussi la boîte de vitesses, le volant, les freins et le tableau de bord. Dans un agent IA, le modèle de langage est le moteur. Le harness est tout le reste : les consignes qu’on lui répète à chaque étape, la liste des outils qu’il peut utiliser, le programme qui exécute ses demandes et lui renvoie les résultats, les règles qui disent quand s’arrêter ou demander l’accord d’un humain.

Le mot anglais désigne un harnais, celui qui relie un cheval à la charrette. L’image est juste : le harness canalise la force du modèle vers une tâche utile. Les assistants de programmation qu’on installe sur son poste sont pour l’essentiel des harness, branchés sur un modèle qu’on peut parfois changer.

Ce point est souvent négligé : à chaque étape, le harness renvoie au modèle tout son texte de consignes et la description de ses outils. Un harness bavard fait donc payer ce préambule des dizaines de fois par tâche. À modèle égal, il peut coûter plusieurs fois plus cher qu’un harness sobre, sans forcément mieux réussir.

Un exemple

L’équipe outillage d’un éditeur de logiciels doit choisir l’assistant de code qu’elle généralisera à deux cents développeurs. Plutôt que de comparer les modèles, elle fixe le modèle et teste trois harness sur cent tickets réels déjà résolus. Elle relance chaque configuration trois fois pour mesurer le bruit, puis suit deux chiffres ensemble : la part de tickets correctement corrigés et le coût par ticket corrigé.

Les taux de réussite restent à quelques points les uns des autres, dans la marge des relances. Les coûts, eux, varient du simple au double. L’équipe retient le harness le plus sobre pour les tâches courantes, raccourcit ses consignes maison et désactive les outils jamais utilisés, qui gonflaient le préambule envoyé à chaque étape.

Niveau technique

Comment ça marche

L’idée qu’il faut concevoir l’interface entre le modèle et la machine est formalisée en 2024 par une équipe de Princeton avec SWE-agent : en donnant au modèle quelques commandes adaptées pour lire, chercher et modifier des fichiers, avec un retour concis à chaque tour, le système résout 12,5 % des problèmes du banc d’essai SWE-bench, contre 3,8 % pour le meilleur résultat antérieur ¹. Fin 2025, Anthropic décrit un harness pour les tâches longues qui dépassent une seule fenêtre de contexte : un agent d’initialisation prépare l’environnement et la liste des fonctionnalités, puis un agent de code avance par petites étapes en laissant des notes de progression et des commits pour la session suivante ².

AssemblerLe harness réunit prompt système, description des outils, historique et demande en cours.
AppelerIl envoie l’ensemble au modèle, qui répond ou demande l’exécution d’un outil.
ExécuterIl vérifie les permissions, lance l’outil et ajoute le résultat à l’historique.
CompacterQuand l’historique grossit, il le résume ou l’élague pour tenir dans la fenêtre de contexte.
ArrêterIl rend la main quand la tâche est finie, qu’une limite est atteinte ou qu’un humain doit valider.

Les étapes 1 à 4 se répètent à chaque tour, et le préambule fixe est renvoyé au modèle à chaque fois : c’est lui qui pèse sur la facture.

Concrètement, un harness assemble à chaque tour un préambule fixe (prompt système et schémas d’outils), l’historique et la demande, l’envoie au modèle, exécute l’outil choisi et recommence. Le coût dépend de deux facteurs qui se multiplient : le poids de ce préambule et le nombre d’étapes. L’étude HarnessTax de Berkeley et Arena, publiée en septembre 2026, a fait tourner sept modèles dans trois harness (Claude Code, Codex CLI et Pi) : l’effet moyen sur le taux de réussite reste dans environ deux points sur SWE-bench Lite et cinq sur Terminal-Bench 2.0, mais le coût varie jusqu’à un facteur cinq pour un même modèle ³.

Une étude de l’université du Shandong confirme cette tendance sur SWE-bench Verified avec cinq modèles : le préambule pèse 16 581 tokens dans Claude Code, 7 025 dans OpenCode et 829 dans mini-SWE-agent, qui se contente d’un seul outil bash et d’une centaine de lignes de Python ⁴. Sur 447 tâches, le plus lourd et le plus léger sont équivalents à cinq points près, et changer de harness fait basculer autant de tâches (13 % en médiane) que relancer la même configuration ⁴. Le harness sobre n’est pas toujours le moins cher : avec un modèle, mini-SWE-agent a eu besoin de 141 étapes contre 104 et a fini par consommer le plus de tokens ⁴. Le harness se distingue de l’ingénierie de contexte, qui n’en est qu’une fonction, et du système multi-agents, qui est une architecture qu’un harness peut mettre en œuvre.

Ce que ça change pour une entreprise

Choisir un agent, c’est choisir un modèle et un harness, même quand on ne regarde que le modèle ³. Le harness est souvent le levier le moins cher à actionner : à résultats comparables, changer de harness ou alléger ses consignes et ses outils peut diviser la facture d’inférence, alors que changer de modèle oblige à tout requalifier. C’est aussi lui qui porte les garde-fous concrets : ce que l’agent peut lire, modifier ou supprimer, et quand il doit demander l’accord d’un humain.

Les comparaisons demandent de la rigueur. Les écarts de réussite entre harness sont souvent plus petits que le bruit d’une relance à l’autre ⁴ : il faut répéter les essais sur ses propres tâches et suivre ensemble réussite et coût par tâche réussie, plutôt que se fier aux classements publics. Les études disponibles portent surtout sur des bancs d’essai de programmation ; un harness riche peut rester utile ailleurs, pour la sécurité, le confort ou des tâches longues. Enfin, un harness maison est du logiciel à maintenir, qui doit suivre l’évolution rapide des modèles.

Idées reçues

« Seul le modèle compte, l’enveloppe autour est un détail. »
Le harness fixe une bonne part du coût : à modèle égal, la facture peut varier jusqu’à un facteur cinq [3]. Il porte aussi les permissions et la sécurité de l’agent.
« Un harness plus riche, avec plus d’outils et de consignes, réussit mieux. »
Sur les bancs d’essai mesurés, le plus lourd et le plus léger font jeu égal à quelques points près [4]. La richesse se paie à chaque étape en tokens.
« Le harness du fournisseur est forcément le meilleur pour son propre modèle. »
Ce n’est pas garanti : HarnessTax observe que des modèles peuvent faire aussi bien, voire mieux, dans un autre harness, souvent pour moins cher [3].

Sources

Voir aussi

Agents et outils
Agent IA
Une IA qui ne se contente pas de répondre : elle agit. On lui confie un objectif, elle enchaîne les étapes, utilise des outils et vérifie son travail.
Le détail technique
Modèle de langage placé dans une boucle : il choisit une action (un appel d’outil), observe le résultat et recommence jusqu’à atteindre l’objectif ou une limite.
Sources : Yao et al., « ReAct: Synergizing Reasoning and Acting in Language Models », 2022 · Anthropic, « Building effective agents », décembre 2024 · Model Context Protocol, documentation officielle
Lire l’article
Agents et outils
Appel d’outils tool use
La capacité d’un modèle à se servir de logiciels : lancer une recherche, lire un fichier, interroger une base, envoyer un message. Le modèle demande l’action, c’est l’application qui l’exécute.
Le détail technique
Le modèle produit une demande structurée (nom de l’outil et arguments conformes à un schéma) que l’application exécute ; le résultat lui est renvoyé pour la suite.
Sources : Anthropic, « Tool use with Claude », documentation officielle · OpenAI, « Function calling », documentation officielle · Schick et al., « Toolformer: Language Models Can Teach Themselves to Use Tools », 2023
Lire l’article
Agents et outils
Ingénierie de contexte context engineering
L’art de choisir ce qu’on met sous les yeux d’une IA à chaque étape : consignes, documents, outils, historique. Ni trop, ni trop peu, car le modèle travaille uniquement avec ce qu’on lui fournit.
Le détail technique
Ensemble des méthodes qui sélectionnent, ordonnent, compressent et renouvellent les tokens présents dans la fenêtre de contexte au fil des appels : prompt système, outils, documents récupérés, mémoire, historique.
Sources : Anthropic, « Effective context engineering for AI agents », septembre 2025 · Liu et al., « Lost in the Middle: How Language Models Use Long Contexts », 2023 · Hong et al., « Context Rot: How Increasing Input Tokens Impacts LLM Performance », Chroma, 2025
Lire l’article
Agents et outils
Système multi-agents orchestration d’agents
Plusieurs agents IA qui se répartissent une tâche trop vaste pour un seul. Le plus souvent, un agent principal découpe le travail, le confie à des agents spécialisés, puis assemble leurs résultats.
Le détail technique
Architecture où plusieurs boucles d’agent, chacune avec son contexte, ses consignes et ses outils, coopèrent. Le schéma dominant est l’orchestrateur qui délègue à des sous-agents exécutés en parallèle.
Sources : Anthropic, « How we built our multi-agent research system », juin 2025 · Wu et al., « AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation », 2023 · Cemri et al., « Why Do Multi-Agent LLM Systems Fail? », 2025
Lire l’article
Token
L’unité de texte que lit et écrit un modèle : un mot court, un morceau de mot ou un signe de ponctuation. L’usage d’un modèle se compte et se facture en tokens.
Le détail technique
Le texte est découpé par un tokeniseur en unités tirées d’un vocabulaire fixe, souvent des fragments de mots. Un token représente en moyenne trois à quatre caractères en anglais.
Sources : Sennrich, Haddow et Birch, « Neural Machine Translation of Rare Words with Subword Units », 2015 · Anthropic, glossaire de la documentation Claude · Google, documentation de l’API Gemini, « Understand and count tokens » · Anthropic, documentation Claude, « Token counting »
Lire l’article

En clair

Un exemple

Comment ça marche

Ce que ça change pour une entreprise

Idées reçues

Sources

Voir aussi

Agent IA

Appel d’outils tool use

Ingénierie de contexte context engineering

Système multi-agents orchestration d’agents

Token