Curso de Harness Engineering para agentes de IA

O que é harness engineering

Quando um agente de IA erra, a reação comum é culpar o modelo. Os times que mais avançaram com agentes chegaram a outra conclusão: na maior parte das vezes, o erro vem do ambiente em que o modelo trabalha. Faltou contexto, a ferramenta estava mal descrita, nenhum teste avisou o problema, ou o agente tinha permissões demais. Harness engineering é a disciplina de projetar esse ambiente.

O termo ganhou força em 2026. Em fevereiro, a OpenAI publicou como um time construiu um produto com código escrito praticamente só por agentes Codex, tratando o repositório como sistema de registro e impondo a arquitetura com linters e testes. Em abril, Birgitta Böckeler publicou no site de Martin Fowler a divisão entre guias e sensores. Em julho, um estudo do código-fonte de onze agentes de código de produção mapeou os subsistemas comuns a todos. Ao mesmo tempo, a Anthropic publicava uma série de artigos de engenharia sobre ferramentas, contexto, skills, agentes de longa duração e avaliação.

O gráfico mostra uma diferença importante entre os dois públicos do curso. Quem usa Claude Code, Codex ou Cursor não escreve o loop nem as ferramentas básicas, mas configura guias, design, sensores e segurança. Quem constrói um agente próprio, com o Claude Agent SDK ou outro SDK, precisa cuidar de todas as camadas.

Fontes desta aula: OpenAI: Harness engineering (Ryan Lopopolo) · Böckeler: Harness engineering for coding agent users · Barbaste et al.: Harness Engineering (arXiv)

Os 9 módulos

Cada módulo é uma página completa, com aulas, gráfico, erros comuns, aplicação prática, siglas, perguntas frequentes e referências. A ordem segue a anatomia de um harness, do loop básico até a medição.

Como estudar

O curso foi escrito para ser aplicado enquanto é lido. Cada módulo termina com uma seção de aplicação prática pensada para o repositório em que você já usa um agente. A sugestão é:

1. Leia o módulo 1 e faça o inventário do seu harness atual.
2. Siga os módulos na ordem, aplicando a seção prática de cada um antes de passar ao próximo.
3. Comece um registro de falhas do agente já na primeira semana. Ele vai mostrar quais módulos rendem mais para você.
4. Termine com o projeto final do módulo 9, que junta todas as etapas.

Os módulos 4, 5 e 6 são os de retorno mais rápido para quem usa agentes de código: instruções enxutas, design antes do código e sensores com boas mensagens costumam mudar a qualidade do resultado em poucos dias. Os módulos 2, 7 e 9 são essenciais para quem constrói agentes próprios.

Fontes do curso

O conteúdo foi construído a partir de mais de 30 artigos, todos lidos e com links conferidos em novembro de 2026. As fontes principais são os artigos de engenharia da Anthropic (agentes eficazes, contexto, ferramentas, skills, agentes de longa duração, sistemas multiagentes, evals e sandboxing), o relato da OpenAI sobre harness engineering, os artigos de Birgitta Böckeler e Naresh Jain no site de Martin Fowler, os textos da LangChain, HumanLayer, Addy Osmani e Manus, o texto de Simon Willison sobre a tríade letal, dois artigos do arXiv e as referências clássicas de design de software usadas no módulo 5. Cada aula cita as fontes que usou, e cada módulo traz uma seção de referências.

Onde o curso apresenta uma avaliação própria em vez de um dado publicado, como em alguns gráficos qualitativos, isso está indicado na legenda.

Siglas usadas neste curso

SDK:

Software Development Kit, kit de desenvolvimento de software.

MCP:

Model Context Protocol, protocolo aberto para conectar agentes a ferramentas e dados.

HLD:

High Level Design, design de alto nível.

LLD:

Low Level Design, design de baixo nível.

ADR:

Architecture Decision Record, registro de decisão de arquitetura.

LLM:

Large Language Model, modelo de linguagem de grande escala.