Harness Mühendisliğini Anlamak: Yapay Zekâ Ajanını Ayakta Tutan Gizli Makine

Yapay zekâ ajanlarını anlatan kısa bir teknik el kitabı, konuyu modelden değil modelin etrafındaki makineden anlatıyor. @techNmak imzalı çalışma 43 bölümde tek tezi işliyor: yetenekli bir dil modeli tek başına ajan değildir; modeli çok adımlı işe bağlayan çalıştırma ve denetim düzeneğine agent harness deniyor. Anthropic ayrımı net koymuş: yolu büyük ölçüde uygulama yazılımı çiziyorsa o iş akışı, yolu model seçiyorsa o ajan. Yani etiket değil, model çıktısının dış durumla denetimli bir döngüye girip girmediği belirliyor.

En küçük döngü dört nesneyle yazılıyor: kalıcı durum, seçilmiş bağlam, model çıktısı ve gözlem. Döngü şöyle dönüyor: etkin bağlamı kur, modeli çağır, final yanıtsa dön, eylem istendiyse izin ve yönlendirmeden geçir, ortamda yürüt, gözlemle durumu güncelle, başa dön. Araştırma öncülü ReAct: akıl yürütme izleriyle iş eylemlerini iç içe geçirip dış gözlemlerin sonraki kararları etkilemesine bakmış. arXiv üzerindeki ReAct kaydı, bugünkü düzeneklerin fikir babası sayılıyor; modern harness izleri saklamak zorunda değil, fikri saklıyor: yap, gözle, güncelle, sürdür.

Arayüz kararın yarısıdır: ACI ve araç tasarımı

Model hiçbir zaman bilgisayarla değil, arayüzle konuşur. Biri dosyayı satır aralığıyla okutan, yamayı testle birlikte uygulatan düzenli araçlar sunar; öteki yalnız ham komut satırı verir. İkisi de aynı depoyu kurcalar ama modele farklı zorluk çıkarır. SWE-agent çalışması bunu Agent-Computer Interface diye adlandırmış: insanlara göre yapılmış arayüzün modele de uygun olduğunu varsayma, arayüzü test değişkeni yap. arXiv üzerindeki SWE-agent kaydı, o günün düzeneğinde tarihsel bir sonuç vermiş; kalıcı katkı soruda: yetenek var mı, yoksa kullanılabilir biçimde mi sunulmuş?

Araç yalnız çalışan yazılım değil, model girdisinin parçası: adı, açıklaması, argümanları ve sonuç biçimi bağlama giriyor. Anthropic araç tasarımını bu yüzden arayüz işi sayıyor: amaç açık, parametre tek anlamlı, adlar çakışmasız, sonuç yüksek sinyalli olmalı. Gideri ikiye ayırıyor: seçme zorluğu ile gözlem yükü. Altı tane üst üste binen arama aracı koymak zenginlik değil, karar düğümü şişirmektir. Kural net: araç sayısı ajan gücünün tek yönlü ölçüsü değildir. Eklenen her araç yeni davranış açarken tercihi zorlaştırır; dengeyi beğeni değil temsili işler belirler.

Hata da modele dönen bir gözlemdir. Kör bir Error yazısı modeli tahmine zorlar; dallı bir hata ise dalı, dalları ve yan etkisiz tekrar bayrağını verir. OpenAI ajan yazılımında bulunamayan araç çağrısını modele görünen hataya çeviren ayar, Anthropic tarafında eyleme geçirir doğrulanabilir hata önerisiyle buluşuyor. İlke aynı: kurtarılabilir arıza, başarılmış gibi davranmadan daha iyi sonraki adımı seçtirecek bilgiyi vermeli. Model Bağlam Protokolü burada devreye giriyor: ModelContextProtocol, uygulama ile dış yetenekler arası birlikte çalışabilirlik katmanı; Tasks uzantısı zaman uyumsuz iş kolları, tasks/get ve tasks/update gibi çağrılar tanımlıyor. Ama döngü zamanlaması, bağlam tercihi, onay, kuşatma ve notlandırma yine harness tarafında; protokol tasarımın tamamı değil.

Her model çağrısı sonlu bir bağlam görür, neyin gireceğine harness karar verir: yönergeler, iş, geçmiş, araç şemaları, araç sonuçları, belgeler, planlar, hafıza, alt ajan raporları. Hepsini doldurmak iki duvura toslar: kapasite sonlu, ilgi de önemli; gereksiz malzeme yararlı kanıtla dikkat için yarışır. Çare aşamalı açıklama: yön verecek kadarını ver, derini bulunabilir kıl, ayrıntıyı iş isteyince yükle. Beceri paketleri de bu yüzden var: her yönergeyi her isteme koymak yerine ilgili paketi anında açmak. Ama 2026 tarihli bir ön baskı, 307 doğrulanmış beceri arızası saymış; beceri yararlı varsayılmamalı, ölçülmeli. Üstüne özetleme kayıplı: C(H) hiçbir zaman H değildir; Anthropic bağlam yazıları da bu yüzden kalıcı oturumu etkin bağlamdan ayrı tutuyor.

İzin başka kuşatma başka: üretimde güvenlik ve kanıt

Harness değişince ajan kalitesi model değişmeden değişir; Nisan 2026 Claude dökümü bunun ders kitabı. Anthropic aktarmış: çıkarım katmanı sapasağlamken üç ürün katı değişimi kullanıcı kalitesini oynatmış; akıl yürütme ayarı kısılıp geri alınmış, oturum temizliği hatası modeli unutkan göstermiş, sözel talimat tek ölçümde %3 düşürüp geri alınmış. Ders niteliğinde: istem kurgusu, akıl yürütme ayarı, bağlam tutma ve araç arayüzü, yayındaki ajan davranışının parçası. Modeli yükseltip harness varsayımını eski bırakmak, sessiz kayıp üretir.

İnsan onayı ile kuşatma farklı soruları çözer. Onay, sonucu insan denetiminde tutar; ama Anthropic telemetrisi kullanıcıların %93 istemi onayladığını yazmış, sık soru yorgunluk yapıyor. Daha sert örnek Şubat 2026 kontrollü sızma denemesi: kullanıcı içinden gelen kötü niyetli istem, 25 denemenin 24ünde kimlik bilgilerini dışarı çıkarmış. Tutunan savunma dosya ve çıkış sınırları olmuş. İlke cümleyle: kum havuzuna hiç girmeyen kaynak, oradan okunamaz. Kimlikler kum havuzu dışında durup denetimli vekillerle kullanılmalı. AgentDojo ölçümü de aynı sınırı öbür yandan çiziyor: GitHub üzerindeki AgentDojo kayıtları, 97 gerçekçi iş ve 629 güvenlik vakasıyla araç verisindeki gizli yönergeleri sınıyor.

Ajan bitirdim diyorsa o iddia, kanıt değil. Güçlü kanıt dış durumdadır: ilk üreme artık çökmüyor, gerileme testleri geçiyor, uygulama uçtan uca çalıştı. tau-bench final veri tabanı durumunu hedef durumla karşılaştırıyor, pass^k ile üst üste başarıyı ölçüyor; GitHub üzerindeki tau-bench kayıtları bu düzeni açık kuruyor. Durdurma koşulları da harness işi: bitirme ile tükenme aynı şey değil; tur bütçesi doldu diye iş bitmiş sayılmaz. Bütçe vektörü özerkliği sınırlar: tur, jeton, süre, gider, araç, eşzamanlılık. Tekrar kuralı keskin: f(f(s)) hiçbir zaman f(s) değildir; bilet kesme, kart çekme gibi işler kör tekrarla çoğalır. RFC 9110 aynı fikri web istekleri için yazar: otomatik tekrar evrensel strateji değil, araç başına ilkedir.

Ölçülen ajan başarısı modelle harnessin, ortamın, işin ve notlandırıcının ortak fonksiyonu. Ortam değişince skor değişir: Anthropic, Terminal-Bench 2.0 üzerinde kaynak değişiminin altı puan oynattığını ölçmüş, yöntemi belgelenmemiş 3 puan altı farklara şüpheyle bakmayı önermiş. Google araştırması 180 dizilimde düzenek etkisinin işe bağlı olduğunu bulmuş: merkezi eşgüdüm bir finans ajanında %80,9 getirirken sıralı bir planda %39-70 götürmüş. RetroForge karşılaştırmasında tek başına koşu 20 dakika 9 birim giderle, dolu harness 6 saat 200 birimle yarışmış; kalite artmış ama gider 20 katı geçmiş. OpenAI Codex-first çalışması da ajan okunabilirliğini savunmuş: linter ve yapısal testlerle kuralı yazıya değil mekanizmaya bağlamak. Her harness parçası güncel bir sınır varsayımıdır; model değişince hipotezi baştan sına. Üretim listesi 15 soruda toplanıyor: model ne görüyor, döngüyü kim yönetiyor, iş nerede koşuyor, ne sağ kalıyor, hangi kural mekanik, hata nasıl dönüyor, hangisi güvenle tekrarlanır, kanıt nerede, bitmişi ne kanıtlıyor, bütçe biterse ne oluyor, kesintiden sonra ne olur, güvensiz gözlem yönerge taşır mı, alt ajanlar nasıl eşgüdümlenir, harness nasıl ölçülüyor. Demoda cevapsız çalışan, üretimde akıl yürütemez.