Agent Harness: Co se skrývá za fungujícím AI agentem

AI agent dokáže prohledávat dokumenty, upravovat kód nebo pracovat s firemními aplikacemi. Samotný jazykový model ale tyto úkoly neprovede. Potřebuje přístup k nástrojům, pravidla pro jejich použití a způsob, jak si udržet přehled o rozpracované práci. Souhrnně se této provozní vrstvě říká Agent Harness. Co přesně zahrnuje a proč na ní záleží stejně jako na výběru modelu?

Co je Agent Harness

Agent Harness je softwarová vrstva, která jazykovému modelu poskytuje podmínky pro samostatnou práci. Model dokáže vyhodnotit zadání a navrhnout další krok. Harness mu umožňuje tento krok provést, předat mu výsledek a řídit, co se stane potom. Díky tomu může AI agent řešit úkoly, které vyžadují více navazujících akcí, píše web Digital Ocean.

Tato vrstva obvykle zahrnuje několik částí:

• Přístup k nástrojům – agent může podle potřeby vyhledávat informace, číst soubory, spouštět příkazy nebo komunikovat s dalšími aplikacemi prostřednictvím jejich API. Harness zajišťuje předání požadavku nástroji a vrácení výsledku modelu.
• Uchování kontextu a stavu – systém zaznamenává, co už agent udělal a jaké výsledky získal. Při delším úkolu tak může navázat na předchozí kroky nebo pokračovat po přerušení. Nejde nutně o trvalou paměť všeho, co kdy agent zpracoval. Důležité je uchovat informace potřebné pro konkrétní práci.
• Řízení běhu – Harness určuje, jak se provádějí jednotlivé akce, co se stane při chybě a za jakých podmínek má agent skončit nebo předat úkol člověku. Může také omezit počet kroků či dobu běhu.
• Kontrolu výsledků – po provedení akce agent dostane zpětnou vazbu a může podle ní upravit další postup. Při programování například spustí testy, zjistí, že změna způsobila chybu, a vrátí se k úpravě kódu.

Představme si agenta, který má opravit nefunkční tlačítko na webu. Jazykový model navrhne, kde hledat příčinu a jak kód změnit. Harness mu zpřístupní příslušné soubory, provede úpravy, spustí testy a vrátí jejich výsledek. Pokud test selže, model na základě nové informace navrhne další krok. Oprávnění současně mohou určit, že agent smí změny připravit, ale jejich nasazení na živý web musí schválit vývojář.

Pojmy agent a harness se proto vyplatí rozlišovat. Agent označuje fungující celek, který plní zadaný úkol. Harness je provozní vrstva kolem modelu, která mu poskytuje nástroje a řídí jeho práci. Právě ta rozhoduje o tom, zda agent dokáže bezpečně a přehledně dokončit i úkol složený z mnoha kroků.

Jak se Agent Harness liší od frameworku a SDK

Při vývoji AI agentů se často mluví o SDK, frameworku a Agent Harnessu. Všechny tři pomáhají vytvořit funkčního agenta, každý pojem ale popisuje trochu jinou část systému:

• SDK (Software Development Kit) je sada knihoven a rozhraní, která vývojáři usnadňuje práci s určitou službou nebo platformou. Může například obsahovat funkce pro komunikaci s jazykovým modelem, předávání zpráv a definování nástrojů, které model smí vyvolat. Vývojář díky SDK nemusí každý požadavek na API sestavovat od začátku.
• Framework poskytuje stavební prvky pro samotnou logiku agenta. Pomáhá určit, jak na sebe navazují jednotlivé kroky, jak se předávají výsledky a jak se pracuje se stavem úkolu. Vývojář v něm může například navrhnout postup, při kterém agent nejprve vyhledá podklady, poté vytvoří návrh, a nakonec ho předá ke kontrole. Příkladem frameworku pro takové postupy je LangGraph.
• Agent Harness označuje širší provozní vrstvu, v níž agent skutečně pracuje. Kromě propojení modelu a nástrojů řeší například oprávnění, prostředí pro spouštění příkazů, uchování stavu, záznam jednotlivých akcí a okamžiky, kdy je potřeba souhlas člověka. Framework nebo SDK mohou být jeho součástí, samy o sobě však nemusí pokrývat vše, co agent potřebuje při běžném provozu.

Rozdíl je dobře vidět na agentovi, který má opravit chybu v aplikaci. Pomocí SDK může komunikovat s modelem. Framework může řídit postup od nalezení chyby přes úpravu kódu až po spuštění testů. Harness zajišťuje, ve kterých souborech smí agent pracovat, kde se příkazy spustí, jak se zaznamená jejich výsledek a zda může změnu sám nasadit do produkce.

Hranice mezi těmito pojmy ovšem není pevná. Některé frameworky nabízejí také ukládání stavu, dohled nad během nebo schvalování akcí. Naopak hotový nástroj může všechny vrstvy spojovat v jednom produktu. Při výběru řešení je proto užitečnější než samotný název zjistit, které části práce s agentem skutečně řeší a co bude potřeba doplnit.

Populární Agent Harness a nástroje pro tvorbu agentů

1) Hotoví agenti pro práci s kódem

Programovací agenti propojují jazykový model s nástroji pro čtení a úpravu souborů, spouštění příkazů nebo kontrolu výsledků. Liší se hlavně prostředím, v němž pracují, a způsobem, jak uživatel řídí jejich přístup ke kódu.

• Claude Code funguje především v terminálu. Umí procházet a upravovat projekt i spouštět příkazy. Přístup k jednotlivým akcím se řídí nastavenými oprávněními.
• Codex CLI je terminálový agent pro práci s kódem, který může číst a měnit soubory, spouštět testy a využívat pravidla uložená v projektu.
• Cursor a Windsurf začleňují agenta přímo do vývojového editoru. Vývojář tak může zadávat vícekrokové úkoly v prostředí, kde zároveň píše a kontroluje kód.
• Aider je otevřený nástroj ovládaný z terminálu, který se zaměřuje na úpravy kódu v projektech spravovaných Gitem.
• Cline funguje jako rozšíření editoru VS Code. Uživatel může sledovat navrhované kroky agenta a schvalovat práci s nástroji.

U těchto produktů už je velká část provozní vrstvy připravená. Uživatel nemusí sám programovat základní propojení modelu se soubory, terminálem a dalšími nástroji.

2) Frameworky a SDK pro vlastní řešení

Pokud firma potřebuje agenta přizpůsobit konkrétním procesům, může začít s frameworkem nebo SDK. Ty poskytují stavební prvky, ze kterých vývojáři vytvoří vlastní postupy, napojení a pravidla. 

• LangGraph umožňuje popsat práci agenta jako posloupnost propojených kroků. Vývojář má kontrolu nad tím, jak se mezi nimi předává stav a kdy se provede další akce.
• CrewAI se zaměřuje na spolupráci více agentů, kteří si mohou rozdělit role při řešení společného úkolu.
• AutoGen od Microsoftu nabízí nástroje pro vytváření postupů založených na komunikaci mezi více agenty.
• AutoGPT patří mezi známé rané projekty zaměřené na autonomní plnění zadaných cílů.
• Claude Agent SDK a OpenAI Agents SDK poskytují vývojářům knihovny pro tvorbu agentů s využitím příslušných modelů, nástrojů a dalších funkcí jejich platforem.

Při výběru proto záleží hlavně na zamýšleném použití. Kdo chce agenta nasadit do vlastní práce s kódem, může sáhnout po hotovém nástroji. Kdo potřebuje například propojit zákaznickou podporu s interní databází a nastavit vlastní schvalování akcí, bude pravděpodobně skládat řešení z frameworku, SDK a dalších provozních komponent.

Proč záleží na bezpečnosti

Jakmile AI agent získá přístup k souborům, e-mailům nebo databázím, může jeho chyba ovlivnit skutečná data. Proto je potřeba určit, co smí číst, měnit a odesílat.

Rizikem je například nepřímý prompt injection. Agent otevře web nebo dokument s podvrženým pokynem a může ho mylně považovat za součást zadání. Místo původního úkolu se pak pokusí provést akci, kterou uživatel nepožadoval.

Agent Harness pomáhá tato rizika omezit. Může agentovi zpřístupnit jen potřebné nástroje, vymezit jeho oprávnění, spouštět kód v izolovaném prostředí a u citlivých akcí vyžadovat schválení člověka. Záznam jednotlivých kroků navíc umožňuje zpětně zjistit, co agent udělal a kde nastala chyba.

Samotná instrukce v zadání modelu jako ochrana nestačí. Klíčová pravidla musí vynucovat také systémy, ke kterým se agent připojuje.

Od ukázky k použitelnému agentovi

U jednoduchého chatu může stačit jediné volání jazykového modelu. Agent, který vyhledává informace, používá více nástrojů a plní navazující úkoly, už potřebuje promyšlené zázemí. 

Před nasazením je nutné určit, jak si uchová stav rozpracované práce, jaká získá oprávnění, které akce musí schválit člověk a co se stane, když některý krok selže. Smysl má také nastavit časové a nákladové limity, aby agent neopakoval neúspěšnou akci donekonečna.

Součástí řešení je infrastruktura, na které agent poběží. Jeho aplikaci a provozní vrstvu lze hostovat například na Cloud Serveru VPS od ZonerCloudu. Pokud chce firma provozovat také vlastní jazykový model, může pro jeho inferenci využít AI/GPU server. Server poskytne prostředí a výpočetní výkon; pravidla pro práci agenta je však třeba nastavit v samotné aplikaci.

Agent Harness tak propojuje nástroje, stav úkolu a kontrolní mechanismy do fungujícího celku. Nezaručí, že model vždy rozhodne správně, ale umožní sledovat jeho postup, omezit dopad chyb a v případě potřeby práci zastavit. Právě to rozhoduje o tom, zda agent obstojí i mimo ukázkové zadání.