Un arnès d'agents és la infraestructura de programari que envolta un model de llenguatge gran (LLM) que li permet operar com a agent d'IA: gestiona l'ús d'eines, la memòria, la persistència d'estat, els entorns d'execució i els bucles de retroalimentació, a diferència del propi raonament del model. Una abreviatura popularitzada el 2026 expressa la relació com Agent = Model + Arnès.

Com que un LLM no té estat i, sense ajuda, només produeix text, l'arnès és el que permet a un model dur a terme accions en diversos passos, utilitzar eines externes i mantenir una tasca de llarga durada entre sessions. En lloc de rellegir repetidament una transcripció en constant creixement dins de la finestra de context, un arnès pot descarregar el manteniment de registres a un entorn de programari estructurat que gestiona l'estat de l'agent. Un arnès mínim no és necessari per a un únic intercanvi de preguntes i respostes, però esdevé important a mesura que les tasques es fan de diversos passos, orientades a eines o de llarga durada.

Arquitectura Els mecanismes que coordina un arnès són anteriors al terme. El patró d'un model que alterna entre el raonament i l'acció en un bucle es va introduir en el marc de treball ReAct revisat per parells, i la capacitat d'un model per cridar eines externes es va demostrar a Toolformer.

Els components que s'agrupen habitualment sota un arnès inclouen el despatx d'eines, la persistència de memòria i estat, un espai de treball o zona de proves aïllat, la gestió del context i les barreres de protecció com ara permisos amb àmbit, nivells d'aprovació i supervisió. En un article d'enginyeria del 2026, Anthropic va descriure un exemple funcional construït a partir d'un agent inicialitzador que prepara l'entorn i un agent de codificació que selecciona repetidament la següent tasca inacabada, confirma i actualitza un registre de progrés abans d'aturar-se.

Birgitta Böckeler, de Thoughtworks, distingeix un arnès intern proporcionat pel constructor del model (per exemple, un SDK d'agent o una eina de codificació com ara Cursor o Codex) d'un arnès extern que l'usuari munta a sobre, com ara fitxers d'instruccions, servidors de Model Context Protocol i habilitats personalitzades. A més, separa les guies, que dirigeixen l'agent abans que actuï, dels sensors, que observen el resultat i permeten que l'agent s'autocorregeixi; cadascun pot ser computacional (comprovacions deterministes com ara linters o proves) o inferencial (comprovacions semàntiques com ara un "LLM com a jutge").

Història i terminologia Existeixen nocions relacionades d'estructuració al voltant d'un model en les proves de programari (el sistema de proves), en el benchmarking de LLM (sistema d'avaluació) i, en l'aprenentatge per reforç, en l'entorn i l'embolcall que envolten un agent d'aprenentatge. Els substantius sistema d'agents i sistema de LLM circulaven entre els professionals abans que s'anomenés la disciplina associada.

El vocabulari d'"enginyeria d'arnès" va sorgir a principis del 2026, i l'atribució de la frase específica és controvertida. Diversos relats ho atribueixen a una entrada de blog del febrer del 2026 de Mitchell Hashimoto, cofundador de HashiCorp, que va descriure una pràctica d'enginyeria d'una solució permanent a l'entorn d'un agent cada vegada que comet un error; altres relats atribueixen a Vivek Trivedy de LangChain, la publicació "Anatomia d'un arnès d'agent" del qual va derivar els components de l'arnès de la fórmula Agent = Model + Arnès. Un informe d'enginyeria d'OpenAI àmpliament citat que descriu una gran base de codi construïda en gran part per agents de codificació, juntament amb escrits posteriors de Thoughtworks, LangChain i Anthropic, va ajudar a difondre el terme.

A mitjans del 2026, l'arnès s'havia convertit en objecte d'estudi acadèmic. Informes independents van descriure investigacions com ara Self-Harness, en què un agent explora iterativament els seus propis errors per proposar i validar canvis al seu arnès, i Harness-1, un agent de cerca de codi obert que millorava la precisió de la recuperació principalment redissenyant l'entorn de programari al voltant del model en lloc d'ampliar el model.

Relació amb l'enginyeria de prompts i context L'enginyeria d'arnès sovint es posiciona com una capa més àmplia que l'enginyeria de prompts, que optimitza una sola interacció, o l'enginyeria de context, que regeix quina informació veu el model en un moment donat; en aquest marc, l'arnès dissenya tot l'entorn operatiu i conté els altres dos com a parts. Una característica distintiva és que el component que s'està embolicant no és determinista, de manera que un arnès està dissenyat per recuperar-se amb elegància quan el model fabrica una acció o informa d'una tasca com a acabada quan no ho està.

Referències

Categoria:Intel·ligència artificial