Wat is een agentic harness? Waarom dezelfde AI totaal anders werkt

Een agentic harness is alles wat om een AI-model heen zit om er een echte agent van te maken: de tools die het mag gebruiken, het geheugen dat het bijhoudt, de loop die het steeds opnieuw laat werken, en de regels over wat het wel en niet mag. Ontwikkelaars vatten het samen als één formule: Agent = Model + Harness. In dit artikel leggen we uit wat dat betekent en waarom het verklaart dat dezelfde AI in de ene tool briljant is en in de andere vastloopt.

Waarom een harness zo krachtig is

Het mooiste aan een harness is wat hij van een model máákt. Een kaal LLM kan alleen tekst voorspellen; het zit opgesloten. De harness transformeert dat model tot iets wat echt werk verzet, door het stap voor stap capaciteiten te geven:

• Ogen. Via tools kan de agent lezen wat er is: bestanden openen, een scherm bekijken, zoeken in een project. Het model werkt niet langer blind, maar ziet de context waarin het opereert.
• Handen. Het mag acties uitvoeren: code draaien, een e-mail versturen, een record aanpassen. Van alleen práten naar daadwerkelijk dóén.
• Toegang tot je systemen. Via MCP koppel je databases, je boekhouding, je CRM. De agent haalt dan echte cijfers en gegevens op in plaats van iets te verzinnen.
• Geheugen en richting. De harness onthoudt hoe jij werkt, houdt de context schoon en stuurt de agent in een vaste loop naar het doel.

Datzelfde model dat los een simpele chatbot is, verandert zo in een assistent die zelfstandig een taak van begin tot eind afmaakt. Niet omdat het model slimmer werd, maar omdat de harness het de ogen, handen en toegang gaf om te handelen. De rest van dit artikel legt uit hoe dat precies zit.

Van prompt naar context naar harness

Om te begrijpen wat een harness is, helpt het om drie lagen te onderscheiden, waarbij elke laag voortbouwt op de vorige en hem niet vervangt.

• Prompt engineering — de kunst van het goed formuleren van je opdracht. Dit werkt, maar met alleen een prompt krijg je één antwoord in één keer. Voor een grote taak levert dat een schetsmatig resultaat op.
• Context engineering — zorgen dat het model precies de juiste informatie ziet: relevante bestanden inladen, tools aanbieden, gegevens uit een database halen. Hiermee kunnen agents al veel langere taken aan.
• Harness engineering — de hele omgeving eromheen inrichten: welke tools, welk geheugen, welke regels en welke terugkoppeling. Dit is de laag die van een model een betrouwbare agent maakt.

Naarmate agents langere en complexere taken kregen, bleek alleen de juiste context aanbieden niet genoeg. Contextvensters kunnen vollopen, toolcalls kunnen mislukken, tussenresultaten (de state) moeten van stap naar stap bewaard blijven, en een agent moet kunnen controleren of een taak daadwerkelijk is afgerond, opnieuw proberen als iets misgaat, en bepalen wanneer hij klaar is. Een harness organiseert daarom niet alleen de context, maar ook de uitvoering, de state, de verificatie en de loop waarin de agent werkt.

Wat er in de harness zit

Een agentic harness bestaat uit drie kerncomponenten. Samen bepalen ze wat de agent kan.

1. Tools. Hiermee reikt het model de wereld in. Denk aan: bestanden lezen en schrijven, code uitvoeren (vaak in een afgeschermde sandbox), op internet zoeken, en zelfs een computerscherm bedienen zoals een mens dat doet. Voor systemen buiten de machine, zoals een boekhoudpakket of CRM, is er de standaard MCP: een tool die volgens die standaard is gebouwd, past in elke harness die MCP ondersteunt.

2. Geheugen. Het model zelf heeft geen blijvend geheugen tussen losse inference-calls. De harness of applicatie bepaalt welke eerdere informatie wordt opgeslagen en later opnieuw in de context terechtkomt:

• Instructiebestanden zoals een AGENTS.md in je projectmap, die bij elke sessie automatisch wordt ingeladen. Zo weet de agent hoe jouw code en conventies eruitzien.
• Compaction — als het contextvenster vol raakt, vat de harness het gesprek samen zodat de kern behouden blijft en overbodige tool-uitvoer wordt opgeruimd.
• Zoeken in plaats van alles inladen — een groot project (denk aan duizenden bestanden) past nooit in één keer in het contextvenster van het model. In plaats van alles erin te proppen, laat de harness de agent eerst zóeken naar wat relevant is, en laadt daarna alleen díe stukken in. Dat zoeken kan simpel op trefwoord (zoals grep) of op betekenis (semantisch zoeken, waarbij tekst met een vergelijkbare betekenis wordt gevonden, ook zonder exact hetzelfde woord). Dit gaat dus niet over de parameters of de training van het model, maar puur over wat er per beurt in het contextvenster belandt. Precies hetzelfde principe zit achter RAG bij bedrijfsdata: eerst de juiste stukken uit je documenten ophalen, en het model daarmee laten antwoorden.

3. De loop. Dit is het hart, en het verdient een eigen kopje.

De loop: het hart van de harness

De agentic loop is de cyclus die de harness en het model samen draaien om een doel te bereiken. In de kern zijn het drie stappen die zich herhalen:

1. Plan — het model bedenkt de volgende stap.
2. Actie — de harness voert die stap daadwerkelijk uit (een bestand aanpassen, een test draaien, iets opzoeken).
3. Observeer — het model bekijkt het resultaat, en de loop begint opnieuw.

Dit herhaalt soms een paar seconden, soms uren. Sommige harnesses gebruiken bovendien een schone of opnieuw opgebouwde context per iteratie: in plaats van dezelfde conversation history onbeperkt te laten groeien, reconstrueren ze de relevante state uit bestanden, samenvattingen of andere persistente opslag. Ralph-achtige loops laten zien dat zo'n relatief eenvoudige aanpak verrassend effectief kan zijn. Het is één mogelijke ontwerpkeuze, niet iets dat elke harness doet.

Waarom hetzelfde model anders voelt

Hier komt alles samen. Het model zelf blijft belangrijk: Claude, ChatGPT en Gemini hebben elk hun eigen karakter en zijn ergens anders sterk in. Maar het is niet het hele verhaal. Datzelfde model kan in de ene tool briljant werken en in de andere vastlopen, en dan zit het verschil in de harness eromheen: de tools, het geheugenbeheer en de loop met verificatie.

Dat betekent dat de vraag "is AI hier goed in?" eigenlijk twee vragen is: welk model gebruik je, én welke harness zit eromheen? Beide bepalen het resultaat.

Je bent waarschijnlijk al een harness tegengekomen zonder het zo te noemen. De bekendste zitten bij de grote AI-labs zelf:

• Claude Code — de terminal-agent van Anthropic, sterk in grote refactors en debuggen.
• Codex CLI — OpenAI's coding-agent, dicht tegen de ChatGPT-omgeving aan. Opvallend: de CLI zelf is open source (de losse desktop-app niet). Sterker nog, met de OSS-mode kun je 'm ook op heel andere modellen draaien, zoals DeepSeek, Qwen of een lokaal model via Ollama, precies het bewijs dat de harness losstaat van het model.
• Grok Build — de coding-agent van xAI (achter Grok), draait in de terminal.

Daarnaast is er een levendige open-source wereld waarin je vrij van model kunt wisselen:

• Aider — werkt rechtstreeks in je Git-repo vanuit de terminal.
• Cline — populaire agent die in je editor (VS Code) leeft.
• OpenClaw — self-hosted harness die je aan chat-apps als WhatsApp en Slack koppelt.
• Hermes Agent — van Nous Research, met een leer-loop die zelf skills maakt en beter wordt naarmate je hem gebruikt.

En in IDE's zoals Cursor en GitHub Copilot zit de harness verwerkt in de editor zelf. Al deze tools draaien deels op dezelfde modellen; ze voelen anders doordat hun harness anders is opgebouwd.

De grens tussen model en harness is bovendien niet hard. Vaardigheden die eerst in de harness leefden (zoals langetermijnplanning of zelfcontrole) worden steeds vaker direct in de modellen getraind. En andersom wordt gedrag dat vroeger uit het model kwam, nu mede gestuurd door de harness en je projectbestanden.

Wil je zien hoe je zelf effectiever met dit soort agents werkt, voorbij losse prompts? Lees dan Hoe kun je AI gebruiken?. En benieuwd wat je hiermee concreet in je bedrijf kunt automatiseren? Bekijk de voorbeelden per afdeling in Wat kun je met AI automatiseren?