Agent harness: il sistema operativo che i tuoi agenti AI non sanno di avere
La situazione di un agente AI senza agent harness: un modello linguistico brillante, chiuso in una stanza vuota.

Immagina il tuo smartphone. Apri un'app, scatti una foto, la salvi, la mandi a un amico. Tutto fila liscio, e non ci pensi nemmeno.
Ora togli il sistema operativo. Niente iOS, niente Android: solo il processore nudo e l'app. Il processore è potentissimo, ma l'app non riesce ad accendere la fotocamera, non sa dove salvare il file e non trova la rete. Resta lì, a fare scena.
È la situazione di un agente AI senza agent harness: un modello linguistico brillante, chiuso in una stanza vuota.
La formula: agente = modello + harness
Un Large Language Model come GPT, Claude o Gemini sa ragionare, scrivere e analizzare. Da solo, però, non può aprire un file, eseguire codice, interrogare un database, mandare un'email o ricordarsi cosa ha fatto ieri.
L'agent harness è tutta l'infrastruttura che sta intorno al modello e lo trasforma in un agente AI in grado di lavorare. Il team di LangChain l'ha riassunto così: "Se non sei il modello, sei l'harness."
Nel concreto, l'harness mette a disposizione:
- Strumenti (tool): accesso a file system, API, browser, terminale e database. Tutto quello che il solo ragionamento non basta a fare.
- Memoria: lo stato della conversazione, lo storico delle azioni, le preferenze di chi lo usa. Senza memoria, ogni richiesta riparte da zero.
- Ambiente di esecuzione: un sandbox dove le azioni del modello hanno effetti reali (scrivere codice, modificare un documento, lanciare un deploy) senza mettere a rischio il resto del sistema.
- Permessi e guardrail: le regole su cosa l'agente può e non può fare. Approvazioni, limiti di budget, controlli di sicurezza.
- Osservabilità: un log di ogni azione, chiamata ed errore. Quando qualcosa si rompe, sai esattamente dove guardare.
Un sistema operativo per agenti AI: il paragone regge, con qualche cautela
L’agent harness può essere paragonato a un sistema operativo per agenti AI: non ne replica tutte le funzioni, ma svolge un ruolo simile nell’orchestrare strumenti, risorse e operazioni. Ecco le corrispondenze principali:
- Kernel: l’agent runtime. È il ciclo di esecuzione che tiene insieme pensiero, azione e verifica del risultato. Il modello ragiona, chiede uno strumento, riceve la risposta e ragiona di nuovo.
- Driver: i connector. Lo strato che rende uniforme l’accesso ai servizi esterni. Il Model Context Protocol (MCP) standardizza il modo in cui le applicazioni AI si collegano a strumenti e servizi esterni, e riduce la necessità di sviluppare integrazioni su misura. Non significa però che qualsiasi modello lo supporti in automatico: serve che l’applicazione che lo usa implementi MCP.
- File system: la gestione dello stato. L’agente salva il lavoro, lo riprende domani, passa il contesto a un altro agente.
- Permessi utente: il policy engine. Chi può fare cosa, quali strumenti sono accessibili, quali azioni richiedono l’approvazione di una persona, quanto budget può spendere l’agente.
Un’app senza sistema operativo non stampa, non salva e non si connette. Un agente senza harness non legge file, non esegue codice e non ricorda il contesto. Il paragone non è perfetto, ma rende bene l’idea.
Spesso i fallimenti non sono colpa del modello
Ecco il dato che cambia prospettiva. Secondo le analisi di settore, il 65% dei fallimenti dei progetti AI in azienda dipende da problemi di harness, non da limiti del modello: context drift, schemi che non combaciano, stato che si degrada col tempo.
Detto in altre parole, il modello capisce benissimo. È il sistema intorno a non dargli le informazioni giuste, al momento giusto, nel formato giusto.
C’è un secondo numero che fa riflettere: gli output dei tool rappresentano il 67,6% di ciò che un agente vede nel suo contesto, mentre il system prompt, su cui molte aziende investono settimane di ottimizzazione, ne vale solo il 3,4%. Attenzione però a non leggerlo come una classifica di importanza: la quantità di token occupati da una componente del contesto non determina automaticamente la sua influenza sulle prestazioni del modello.
Il dato dice un’altra cosa. Negli agenti AI, gli output dei tool possono occupare gran parte del contesto. Per questo il modo in cui l’harness seleziona e organizza queste informazioni è fondamentale per migliorare le prestazioni e l’affidabilità dell’agente.
Con e senza harness: un esempio pratico
Chiedi a un agente AI di analizzare un report trimestrale, estrarre i dati chiave e preparare un riepilogo per il management.
Senza harness:
- non riesce ad aprire il PDF;
- non può salvare i dati estratti in un file strutturato;
- se il contesto si allunga troppo, perde le informazioni iniziali;
- se si interrompe a metà, riparte da zero;
- non ha modo di controllare che i numeri scritti siano giusti.
Con harness:
- legge il PDF con uno strumento dedicato;
- salva i dati in un foglio di calcolo;
- se il contesto si satura, l'harness comprime lo storico tenendo le informazioni chiave;
- se si interrompe, salva lo stato e riprende dal punto esatto (resumability);
- verifica i calcoli eseguendo il codice in un sandbox isolato.
La differenza non riguarda la qualità del ragionamento. Riguarda l'infrastruttura che lo rende utilizzabile.
Come si costruisce un harness che funziona
I pattern che si stanno affermando convergono su un modello a tre fasi, il Plan-Execute-Verify:
- Plan: un modello avanzato analizza il compito, lo scompone in passi e definisce la strategia.
- Execute: modelli più veloci ed economici eseguono i singoli passi, usando gli strumenti attraverso l'harness.
- Verify: un controllo di qualità valuta l'output prima di passare allo step successivo.
In questo modo gli errori non si accumulano nelle catene lunghe e ogni fase ha il modello adatto: potenza di calcolo dove serve ragionare, velocità dove servono azioni ripetitive.
Ottimizzare l'harness in modo strategico può portare il costo da 3,00 a 0,30 dollari per milione di token, con una latenza fino a 4 volte inferiore, senza toccare il modello.
Dall'infrastruttura al business
La scelta dell'harness non è una questione tecnica a sé stante. Decide cosa può fare il tuo agente AI, quanto costa e se funzionerà in produzione o soltanto in demo.
Per un'azienda questo significa costruire, per ogni processo, un harness su misura: strumenti specifici per il settore, memoria del contesto aziendale, guardrail tarati sulle policy interne e un'architettura che sa distinguere quando servono decisioni rapide e quando un ragionamento profondo. È il cuore di un buon progetto di AI per l'azienda.
Il modello è sempre più una commodity. Il vantaggio competitivo si costruisce nell'harness.
Il modello è la parte facile: come la vediamo noi
Noi di Devpunks ci siamo accorti presto che i progetti con gli agenti AI si vincono o si perdono sull'infrastruttura, molto più che sulla scelta del modello. Nella nostra community ci sono AI engineer e sviluppatori senior che costruiscono proprio questo: strumenti, memoria, guardrail e controlli che trasformano una demo brillante in qualcosa che regge il lunedì mattina.
Per questo mettiamo in contatto le aziende con freelance selezionati, capaci di portare un agente dal prototipo alla produzione senza lasciare il progetto a metà.
Vuoi capire quale infrastruttura serve ai tuoi agenti AI per funzionare davvero? Parliamone.
Domande frequenti
Cos'è un agent harness?
È l'infrastruttura software che circonda un modello AI e lo trasforma in un agente operativo. Mette a disposizione strumenti, memoria, ambiente di esecuzione, permessi e osservabilità. Senza harness il modello può ragionare, ma non può agire.
Qual è la differenza tra harness e framework?
Un framework (come LangChain o CrewAI) fornisce i mattoni per costruire agenti. L'harness è il livello superiore: mette insieme modello, framework, strumenti e scelte già fatte su pianificazione, sicurezza e gestione del contesto. Un framework fornisce componenti riutilizzabili per sviluppare agenti. L'harness è l'insieme delle componenti e delle logiche che ne governano il funzionamento, eventualmente costruito utilizzando uno o più framework.
Perché il paragone con il sistema operativo è così preciso?
Perché le corrispondenze sono funzionali: il runtime dell’agente svolge un ruolo simile a quello del kernel, i connettori agli strumenti a quello dei driver, la gestione dello stato a quello del file system e il sistema di permessi a quello del controllo degli accessi. Non sono componenti equivalenti dal punto di vista tecnico, ma il paragone aiuta a capire il ruolo dell’harness: un agente senza harness ha limiti simili a quelli di un’app senza sistema operativo, perché non può interagire con nulla fuori da sé.
Quanto pesa l’harness sulla performance rispetto al modello?
Spesso pesa più di quanto si pensi. Secondo le analisi di settore, il 65% dei fallimenti dei progetti AI in azienda dipende da problemi di harness e non da limiti del modello. Inoltre, gli output dei tool possono occupare gran parte del contesto dell’agente (il 67,6% nei dati citati), ma la quantità di token di una componente non determina da sola la sua influenza sulle prestazioni. Per questo il modo in cui l’harness seleziona e organizza le informazioni è fondamentale per la performance e per l’affidabilità dell’agente.
Come si applica il concetto in azienda?
Ogni processo che vuoi automatizzare con l'AI ha bisogno del suo harness: strumenti specifici per quel dominio, memoria del contesto operativo, regole di sicurezza e di approvazione. Collective Intelligence di Devpunks costruisce proprio questo per ogni workflow.