В феврале 2025 года Андрей Карпати подарил миру «вайбкодинг», способ программирования по наитию, где вы разговариваете с нейросетью, принимаете код не глядя и надеетесь на лучшее. Пока одни разбирают последствия такого подхода, другие пошли дальше и поняли: дело не в модели, дело в том, что вы вокруг неё строите.
Harness (обвязка) — это всё, что не является самой LLM: код, конфиги, логика исполнения, инструменты, память, циклы обратной связи, ограничения и механизмы верификации. Модель — это мозг. Но мозг без рук, ног и органов чувств — просто банка с формалином. Harness превращает её в агента, способного что-то делать во внешнем мире.
Harness-engineering — это следующий уровень. В вайбкодинге вы принимаете код бездумно, надеясь, что модель «как-то сделает». В харнесс вы собираете систему, которая заставляет модель работать правильно: планировать, вызывать инструменты, проверять результаты, исправлять ошибки.
ReAct: как агент вообще работает
Прежде чем говорить об обвязках, нужно понять базовый паттерн. Любой агент, даже самый продвинутый, в основе своей работает по схеме ReAct (Reason + Act):
- Reason — модель получает запрос и решает, что делать дальше.
- Act — вызывает инструмент или выполняет действие.
- Observe — получает результат и возвращает его в контекст.
- Repeat — повторяет цикл, пока задача не решена.
Этот цикл и отличает агента от диалоговой модели. Чат-бот просто отвечает. Агент действует, анализирует, адаптируется и только потом отвечает. Но чтобы этот цикл работал качественно, нужна согласованная работа модели, памяти, инструментов и механизмов проверки. Всё это и есть харнесс.
Модель не равна агенту
Большая языковая модель в чистом виде — это генератор текста. У неё нет состояния, памяти, доступа к файлам, интернету или инструментам. Каждый запрос для неё как первый раз в жизни. Она не помнит, что вы писали пять минут назад. Она просто предсказывает следующий токен.
Чтобы модель стала агентом, её оборачивают в harness: добавляют состояние, инструменты, память, петлю обратной связи, ограничения и механизмы проверки. Именно harness определяет, сможет ли агент спланировать сложную задачу, разбить её на шаги, вызвать нужные инструменты, проверить результат и исправить ошибку.
То, что вы видите в Claude Code, Codex, Cursor или OpenCode, это не просто «модель», это разные реализации harness. Одну и ту же модель можно запустить в разных обвязках, и результаты будут кардинально отличаться. Потому что меняется не мозг, меняется всё остальное.
Почему один ChatGPT, а результаты разные
Это классический вопрос от разработчиков: «Почему Cursor лучше пишет UI, Claude Code — архитектуру, а Windsurf — прототипы? Ведь внутри часто одна и та же модель?». Ответ кроется в harness. Вот что меняется от агента к агенту:
- Системные промпты. Каждый агент использует собственные инструкции, определяющие его характер, уровень автономности и стиль работы.
- Управление контекстным окном. Окно ограничено. Один агент умеет сжимать историю, другой выгружать часть на диск и подгружать по мере необходимости, третий просто обрубает контекст. От этого зависит, запомнит ли он, что вы просили десять шагов назад.
- Набор инструментов. Доступ к bash, навигация по проекту, поиск файлов, запуск тестов, чтение документации — каждый агент имеет свой арсенал.
- Автономность. Кто-то спроектирован работать полностью автономно, кто-то в тесной связке с пользователем через IDE.
- Механизмы верификации. Борис Черный, создатель Claude Code, прямо сказал: «Самое важное для получения отличных результатов — дать модели способ проверять свою работу. Если есть петля обратной связи, качество вырастает в 2–3 раза».
Измените любой из этих параметров, и вы измените агента, даже не меняя модель.
Эволюция LLM-инжиниринга
Область разработки с LLM прошла три этапа, и харнесс-инжиниринг — закономерный итог:
- Промпт-инжиниринг. Мы начинали с того, что учились правильно формулировать запросы. Добавляли примеры, просили «подумать шаг за шагом». Качество росло, но не слишком.
- Инжиниринг контекста. Потом мы поняли, что важно не только что мы пишем, но и что мы подаём на вход. Начали суммаризировать диалоги, подгружать релевантные документы через RAG, готовить контекст для каждой задачи.
- Harness-инжиниринг. Теперь мы собираем полноценные системы вокруг модели. Мы контролируем всё: как и когда загружается контекст, какие инструменты доступны, как агент планирует задачи, как проверяет результаты, как управляет памятью.
И главный вопрос сегодня — не «какую модель взять?», а «в какой обвязке её использовать?». При грамотно спроектированном харнес вы можете сменить модель, когда выйдет новая SOTA, и всё продолжит работать, просто с более умным «мозгом». Остальной код не трогаете.
Представьте, что LLM — это гениальный архитектор. У него блестящее образование, он спроектировал десятки уникальных зданий, знает все современные материалы и технологии. Но посадите его в пустой кабинет без карандаша, бумаги, доступа к подрядчикам, и он сможет только рассказывать вам о том, какой он великий. Построить здание он не сможет.
Harness — это стройка. Именно она определяет, что и как будет возведено:
- Инструменты и материалы — BIM-системы, строительные леса, бетономешалки. Без них даже гениальный архитектор не превратит чертежи в реальность.
- Проектная документация и строительные нормы — память и ограничения. Архитектор опирается на них, чтобы не спроектировать здание, которое рухнет при первой нагрузке.
- Прораб и бригадиры — субагенты. Архитектор делегирует задачи, они управляют разными участками стройки параллельно, а он контролирует, чтобы всё соответствовало проекту.
- Контроль качества и технадзор — верификация. Проверка каждого этапа: арматура связана правильно? Бетон набрал прочность? Стены стоят ровно? Если нет — переделать до того, как здание сдадут в эксплуатацию.
- Фундамент и коммуникации — инфраструктура. Электричество, вода, канализация. Без них самое красивое здание останется непригодным для жизни.
- Подрядчики и поставщики — внешние интеграции. API-вызовы к внешним сервисам, базам данных, платёжным системам.
Архитектор может нарисовать идеальный дворец. Но без стройплощадки, прораба, материалов и технадзора дворец останется картинкой в его голове. LLM без harness — это архитектор без стройки.
Как это выглядит на практике: DeepSeek Harness
В августе 2026 года DeepSeek сделал то, что взорвало рынок. Он открыл исходный код собственной платформы DeepSeek Harness. За два дня репозиторий собрал более 140 тысяч звёзд на GitHub.
Архитектурное заявление: Everything is a plugin (Всё плагин). Модели, инструменты, сессии, «песочницы», хранилище, циклы работы агента, планирование — всё можно заменить или дополнить, не редактируя исходный код. Ядро под названием Cordis позволяет этим плагинам взаимодействовать друг с другом.
Что это даёт на практике:
- Вы можете использовать не только модели DeepSeek, но и любые другие через API: Claude, GPT, Gemini, свои.
- Claude Code и Codex подключаются как субагенты. Главный агент делегирует им задачи.
- Есть локальный веб-интерфейс для управления сессиями и просмотра логов.
- Каждое действие логируется: системные промпты, «рассуждения», вызовы инструментов, результаты. Всё можно отследить и воспроизвести.
Уже есть более 6000 плагинов от сообщества.
И самое важное: одна и та же LLM, помещённая в DeepSeek Harness, может работать принципиально лучше, чем в другой обвязке или вообще без неё. Потому что из модели сделали агента.
Почему это важно именно сейчас
Качественно спроектированный harness способен поднять результаты модели без её дообучения. Раньше, если модель не справлялась с задачей, вы дообучали её: собирали датасет, меняли веса. Теперь выяснилось, что часть прироста можно получить, написав эффективную программную обвязку. Вместо того чтобы учить модель ещё на 10%, вы даёте ей правильные инструменты и учите ими пользоваться. Одна и та же модель показывает существенно лучший результат без изменения весов.
Исследования показывают: хорошо спроектированный harness может дать прирост от +5 до +10 процентных пунктов на сложных бенчмарках при смене модели.
Безопасность тоже становится вопросом harness. Чем больше возможностей вы даёте агенту, тем больше точек уязвимости. Если агенту случайно оставили доступ в интернет, проблема не в модели, а в том, что вы забыли поставить firewall на стройплощадке. Технический запрет надёжнее, чем просьба в системном промпте «пожалуйста, не ходи в интернет».
Appliner: делаем harness круче всех в России
В мире, где DeepSeek Harness собирает 140 тысяч звёзд, а разработчики спорят о том, какая обвязка лучше, важно помнить: harness — это сложно. Собрать его с нуля — задача на месяцы, если не годы. А если вы в России, добавьте к этому закрытые API, проблемы с доступом к западным моделям и ограничения на хранение данных.
Appliner решает эту проблему. Мы строим harness для разработки и эксплуатации корпоративных приложений с ИИ-агентами так, чтобы это было:
- Без программирования. Визуальный конструктор ИИ-цепочек с готовыми узлами: память, действия, условия, инструменты. Подключение к моделям — DeepSeek, GigaChat, OpenAI — через конфигурацию, а не через код. Подключение привычных ИИ-сред разработки к платформе (Codex, Claude Code, Cursor) для вайбкодинга.
- С прозрачной архитектурой. Модель данных, ролевой доступ, безопасность — всё закладывается сразу, а не появляется хаотично. Агенты работают в корпоративном контуре, данные не утекают.
- С готовыми компонентами. Чаты, формы, таблицы и отчёты собираются через drag & drop без написания фронтенда. Компоненты одинаково хорошо описаны и адаптированы как для ручной сборки человеком, так и для автоматической сборки ИИ-агентом.
- С поддержкой агентных протоколов. MCP, CLI, ACP, A2A — мы не привязаны к одному вендору. Импорт и экспорт цепочек из n8n — тысячи готовых шаблонов.
- Без сюрпризов. У компонентов Appliner есть автор и документация. API-спецификация генерируется автоматически. Вы знаете, что у вас внутри.
Пока разработчики по всему миру собирают harness из 12+ компонентов, пытаясь заставить модель не забывать контекст, безопасно вызывать инструменты и проверять свои действия, Appliner даёт готовое решение. Визуальное. Управляемое. Работающее.
Собирать harness с нуля очень сложно, дорого и долго. Гораздо проще взять готовое решение, которое уже содержит всё необходимое: модели данных, интерфейсы, безопасность, интеграции, агентные протоколы и документацию.
Appliner — это harness для вашего бизнеса. Без кода, без сюрпризов.
Вайбкодинг — способ разработки, при котором задача описывается на естественном языке. Искусственный интеллект выполняет её автоматически: строит интерфейс, логику, устраняет ошибки.
Проблема вайбкодинга в том, что ИИ делает то, что сказали и как сказали, без лишних вопросов. Если на входе отсутствует структура и представление о том, для кого и зачем это делается, получится приложение, которое окажется непонятным и невостребованным. Мусор на входе остаётся мусором, независимо от того, как «просто» и «вайбово» было его производить.
Оставить комментарий