Agent Harness ist einer dieser Begriffe, die gerade überall auftauchen und trotzdem schwer zu greifen sind. Meistens hörst du: Der Harness ist die Umgebung, in der der Agent läuft. Aber was gehört zu dieser Umgebung? Und was unterscheidet Harness Engineering von Prompt Engineering und Context Engineering?
Das Thema ist alles andere als egal. In einem Test von Composio wurden acht Harnesses verglichen, mit demselben Modell, denselben Tools und denselben 25 Aufgaben. Der beste Harness löste 22 von 25 Aufgaben, der schwächste nur 17. Claude Code lag mit 19 im Mittelfeld, war aber am langsamsten und mit Abstand am teuersten. Welchen Harness du nutzt, kann also bei Qualität und Kosten einen echten Unterschied machen.
Was ein Sprachmodell allein kann und was nicht
Im Zentrum steht das Sprachmodell, also Modelle wie Opus 5.5 oder GPT-6 Astra. Im Kern können sie nur eins: Text vorhersagen. Du gibst „Der Himmel ist“ ein, und das Modell antwortet „blau“, weil das in den Trainingsdaten unzählige Male so vorkam.
Allein kann so ein Modell aber nicht handeln:
- Es kennt deine Daten, dein Projekt und dich nicht.
- Es kann dir sagen, was zu tun ist, aber keine Datei anlegen und keinen Befehl ausführen.
- Jede Session beginnt praktisch bei null, weil es kein Gedächtnis hat.
- Es kann sich nicht selbst prüfen, zum Beispiel ob Code wirklich läuft.
Modell plus Harness gleich Agent
Stell dir das Modell wie einen Koch vor. Er kocht hervorragend, aber ohne Küche, Töpfe, Messer und Zutaten kann er dir nur erzählen, wie das Gericht geht. Der Harness ist die Küche mit allem Werkzeug.
Der Harness ist also die Software rund um das Modell. Er gibt ihm Werkzeuge, Informationen über dich und dein Projekt und sorgt dafür, dass aus Worten Aktionen werden. Erst beides zusammen nennen wir einen Agent. Anthropic beschreibt Claude Code genau so: als Schicht um das Modell, die die Tools bereitstellt und den Kontext verwaltet, den das Modell sieht.
Leicht zu verwechseln: Wenn du zum Beispiel die Claude-Desktop-App öffnest, siehst du nur die Oberfläche. Das Modell läuft im Hintergrund.
Baustein 1: Kontext und Gedächtnis
Der Kontext ist alles, was das Modell gerade weiß, während es arbeitet. Wenn du eine neue Session startest und schreibst „Bau mir eine Login-Seite“, weiß das Modell weder, um welches Projekt es geht, noch welchen Tech-Stack du nutzt oder welche Regeln gelten. Also rät es.
Deshalb ergänzt der Harness vor deiner ersten Nachricht eine Menge Informationen, die du nicht siehst:
- System-Prompt: die Grundanweisungen des Anbieters, wie sich der Agent verhalten soll.
- Umgebung: zum Beispiel, in welchem Ordner du gerade arbeitest.
- Deine eigenen Regeln: in Claude Code die
CLAUDE.md, bei Codex, Cursor, Gemini CLI und vielen anderen Tools dieAGENTS.md. Darin steht etwa „Wir nutzen Next.js und Supabase“ oder „Führ nach jeder Änderung die Tests aus“. Du schreibst das einmal, und jede neue Session startet mit diesem Wissen.
Viele Harnesses haben inzwischen auch ein eigenes Gedächtnis, das sie selbst verwalten. In Claude Code heißt es Auto Memory und ist standardmäßig an. Wenn du Claude korrigierst oder sagst „Merk dir bitte …“, legt es eine Notiz an, die in jeder neuen Session mitgeladen wird. Mit /memory siehst du, was es sich gemerkt hat.
Das Kontextfenster ist ein Wasserglas
Auch während der Arbeit muss der Harness den Kontext verwalten, denn jedes Modell hat ein begrenztes Kontextfenster. Stell es dir wie ein Wasserglas vor: Jede Nachricht, jede gelesene Datei und jedes Tool-Ergebnis füllt es weiter. Je voller es wird, desto schwerer findet das Modell die wichtigen Informationen. Das nennt sich Context Rot: Mit wachsendem Kontext lässt die Leistung nach.
Ist das Glas fast voll, fasst der Harness den bisherigen Verlauf zusammen. Diese Compaction verdichtet den Chat, der Agent arbeitet mit der Zusammenfassung weiter, der Rest wird verworfen. Claude Code macht das automatisch, mit /compact kannst du es auch selbst auslösen. Dabei können Details verloren gehen. Wichtiger Kontext gehört deshalb nicht nur in den Chat, sondern in echte Dateien, die der Agent immer wieder lesen kann. Mehr dazu findest du im Artikel zu Context Engineering in Claude Code.
Baustein 2: Tools und MCP
Ein Modell kann nur Text erzeugen. Der Harness gibt ihm deshalb eine Liste von Werkzeugen mit, zum Beispiel Dateien lesen, Dateien bearbeiten, Terminal-Befehle ausführen oder im Web suchen.
Will das Modell eine Datei lesen, schreibt es eine Antwort in einem festen Format, sinngemäß: „Ich möchte das Tool zum Datei-Lesen aufrufen, für die README.md.“ Dadurch passiert noch nichts, das ist nur Text. Der Harness erkennt das Format, führt das Tool tatsächlich aus, gibt das Ergebnis an das Modell zurück, und das Modell entscheidet über den nächsten Schritt. In einer normalen Claude-Code-Session passiert das dutzendfach, meist nur als kleine Zeile im Verlauf.
Richtig stark wird das mit dem Model Context Protocol (MCP). Das ist ein Standard, um zusätzliche Tools und Datenquellen anzuschließen, die nicht von Haus aus im Harness stecken, etwa Notion, Web-Analytics, dein CRM oder Datenbanken. In Claude Code heißen sie auch Connectors. Das externe System stellt einen MCP-Server bereit, der Harness holt sich dessen Tool-Liste und hängt sie an die eigene an. Für das Modell ist am Ende alles eine große Liste.
Baustein 3: Verifikation
Ein Modell, das Code schreibt, kann diesen Code nur prüfen, indem es ihn liest. Ob er wirklich läuft, weiß es nicht. Es wird dir trotzdem sehr wahrscheinlich sagen, dass alles gut aussieht.
Ein passender Vergleich ist Kopfrechnen. Sprachmodelle waren lange erstaunlich unzuverlässig darin, weil sie das Ergebnis nur vorhersagen. Die Lösung war ein Taschenrechner als Tool: Das Modell tippt die Aufgabe ein und liest das Ergebnis ab.
Beim Programmieren sind die Taschenrechner zum Beispiel:
- Unit-Tests, die automatisch prüfen, ob eine Funktion das Richtige zurückgibt,
- ein Linter, der den Code auf typische Fehler prüft,
- ein Agent im Browser, der die App öffnet und die Funktion durchklickt.
Meldet der Test „drei Tests fehlgeschlagen“, weiß das Modell, dass es noch nicht fertig ist. Ein guter Harness sorgt dafür, dass diese Prüfungen jedes Mal laufen, auch wenn das Modell nicht daran denkt, zum Beispiel über Hooks, die nach jeder Änderung die Tests starten. Wie viel Qualität dein Projekt braucht, liest du im Artikel zu Code-Qualität mit Claude Code.
Baustein 4: Berechtigungen und Sandbox
Der vierte Baustein schützt vor allem dich. Ein Agent, der Befehle auf deinem Rechner ausführen kann, kann auch viel kaputt machen. Ich habe selbst schon erlebt, dass ein Agent eine komplette Datenbank gelöscht hat.
Deshalb prüft der Harness jeden Tool-Aufruf, bevor er ausgeführt wird: Darf der Agent das einfach, muss er vorher fragen, oder ist es ganz verboten? In Claude Code stellst du das über Modi ein. Im Auto-Modus, inzwischen dem Standard, prüft ein Klassifizierer im Hintergrund jede Aktion und blockiert riskante Befehle, statt dich jedes Mal zu fragen. Dazu gibt es den Modus „Dangerously Skip Permissions“, der praktisch alles zulässt.
Zusätzlich gibt es eine Sandbox, eine abgeschottete Umgebung, in der sich der Agent gefahrlos bewegen kann. In Claude Code schaltest du sie mit /sandbox ein.
Der Agent Loop
Alle vier Bausteine laufen in einer Schleife, dem Agent Loop:
- Das Modell bekommt Kontext und Aufgabe und überlegt den nächsten Schritt.
- Es entscheidet sich für eine Aktion, also einen Tool-Aufruf.
- Der Harness prüft die Berechtigung und führt das Tool aus.
- Das Ergebnis geht zurück ans Modell, und alles beginnt von vorn.
Das wiederholt sich, bis das Ziel erreicht ist. Jetzt wird auch klar, warum dasselbe Modell in verschiedenen Harnesses so unterschiedlich abschneiden kann: Jeder Harness hat eigene Tools und Tool-Beschreibungen, ein eigenes Kontext-Management, einen eigenen System-Prompt und eine eigene Prüflogik.
Prompt, Context und Harness Engineering
Am einfachsten verstehst du den Unterschied, wenn du dir anschaust, wie sich das Ganze entwickelt hat:
- Prompt Engineering: Als ChatGPT Ende 2022 erschien, ging es vor allem darum, wie du deine Anfrage formulierst, damit eine gute Antwort herauskommt. Das Kontextfenster war damals noch klein.
- Context Engineering: Mit Tools, MCP-Servern und eigenen Daten verschob sich der Fokus auf die Frage, welche Informationen ins Kontextfenster gehören und welche draußen bleiben sollen. Es ging darum, dem Agent die richtigen Informationen zur richtigen Zeit zu geben.
- Harness Engineering: Je länger die Aufgaben werden, desto deutlicher werden die Grenzen. Lässt du einen Agent stundenlang eine ganze App am Stück entwickeln, läuft das Kontextfenster voll, der Agent verliert den Überblick, nach der Zusammenfassung fehlen Details, und im schlimmsten Fall hält er sich für fertig, obwohl die Hälfte fehlt.
Bewährt hat sich deshalb ein fester Ablauf drumherum, wie ihn auch Anthropic für lang laufende Agents beschreibt: Neben einem Briefing oder einem Product Requirements Document legst du am Anfang eine Liste aller geplanten Features an. Der Agent arbeitet pro Runde genau ein Feature ab, testet es, committet den Stand und macht dann mit dem nächsten weiter. Jede Runde startet mit frischem Kontext und holt sich den aktuellen Stand.
Genau das ist Harness Engineering: Du gestaltest die ganze Umgebung und den Ablauf, in dem dein Agent arbeitet. Prompt und Context Engineering bleiben Teil davon. Der Prompt startet die Aufgabe, der Kontext liefert, was der Agent sehen muss, und der Harness gibt den Ablauf vor und prüft, wann der Agent wirklich fertig ist.
Das lässt sich noch weiter treiben, mit verschiedenen Phasen und unabhängigen Agents, die sich gegenseitig prüfen. Wenn du dir so einen Ablauf mit Claude Code, Codex & Co. aufsetzen willst, schau dir meinen kostenlosen AI Engineering Blueprint an. Dort steht genau, wie du vorgehst und was du dafür brauchst.
Fazit
Das Modell bleibt entscheidend für die Qualität der Ergebnisse. Aber der Harness hat einen großen Anteil daran: Er bestimmt, was der Agent weiß, was er tun darf, wie er sich selbst prüft und in welchem Ablauf er arbeitet. Wer das bewusst gestaltet, bekommt mit demselben Modell verlässlichere Ergebnisse.