Beobachtetes Signal · 22. Mai 2026 · Technical Guidance · Quelle: DEV Community · Relevanz: 2/5 · Sentiment: Neutral
Leitfaden für KI-Agenten: Der Einsatz von Guides und Sensors
Birgitta Böckeler von Thoughtworks beschreibt eine praxisnahe Unterscheidung für das Engineering von KI-Agenten-Harnesses: Guides und Sensors. Guides sind Einschränkungen vor der Ausgabe wie Regeldateien, Beispielcode und Styleguides, die das Verhalten eines Agenten steuern. Sensors sind Prüfungen nach der Ausgabe wie Linters, Tests und CI-Gates, die Fehler nachträglich erkennen. Beide Ansätze weisen typische Fehlerbilder auf: Guides können zu Regelmüdigkeit führen, während Sensors zwar dauerhafte Durchsetzung bieten, aber langsame und teure Feedbackschleifen erzeugen. Böckeler erklärt einfache Diagnostiken, um Unterinvestitionen zu identifizieren, und empfiehlt als Faustregel, neue Einschränkungen zunächst als Sensor und erst danach als Guide einzuführen. Der Artikel argumentiert, dass eine ausgewogene Investition in beide Komponenten die minimale effektive Architektur für zuverlässige, skalierbare Agenten-Workflows darstellt.
Praxisnahe Engineering-Leitlinien für das Design von Agenten-Harnesses helfen Teams dabei, häufige Fehlerbilder wie Regelmüdigkeit und langsame Feedbackschleifen zu vermeiden und Betriebskosten zu senken, weshalb sie für Teams mit agentischer KI wertvoll sind.
Marktsignale zu Thoughtworks in Echtzeit verfolgen
Polaris7 erfasst behördliche Registrierungen, Primärquellen, Führungswechsel und Deal-Aktivitäten rund um die Uhr. Erstellen Sie Ihren kostenlosen Explorer-Workspace, um automatisierte Executive Briefings zu erhalten.
Wichtigste Kernpunkte & Evidenz
- Autorin: Birgitta Böckeler (über Harness-Engineering bei Thoughtworks).
- Der Artikel unterscheidet zwei Harness-Komponenten für KI-Agenten: 'Guides' (Einschränkungen vor der Ausgabe) und 'Sensors' (Prüfungen nach der Ausgabe).
- Guides umfassen Regeldateien, Beispielcode und Styleguides; Sensors beinhalten Linters, Tests, CI-Prüfungen und Audits.
- Guides sind günstig, können aber zu Regelmüdigkeit führen; Sensors sind teurer, erzwingen Einschränkungen jedoch mechanisch und verlangsamen die Iteration.
- Empfohlene Faustregel: Neue Einschränkungen zuerst als Sensor und im Anschluss als Guide implementieren.
Verknüpfte Unternehmen
1 verknüpfte UnternehmenOntologie & Marktkonzepte
Verwandte Marktsignale & Trends
Aktuelle verifizierte Unternehmensentwicklungen und Deal-Aktivitäten in diesem Marktsegment.
Harness Engineering: Vom Prompt-Engineering zum robusten KI-Systemdesign
Dieser Beitrag analysiert die fundamentale Verschiebung im KI-Systembau hin zur übergeordneten Systemorganisation, dem sogenannten Harness Engineering. Die Entwicklung zeigt, dass der Fokus von reiner Modellstärke und Prompt-Qualität auf kritische Faktoren wie Umgebung, Verifikation, Handoffs, Repository-Struktur, Observability und kontinuierliche Optimierung übergeht. Der Text unterscheidet präzise zwischen geschichteten Praktiken wie Prompt, Context, Agent, Workflow und Harness. Zudem werden typische Fehlurteile widerlegt – etwa Systemfehler auf Prompts zu reduzieren oder Harness als reines Rebranding abzutun. Empirische Belege verdeutlichen, dass allein durch die Optimierung des Harness bei demselben Modell signifikante Produktivitäts- und Leistungssprünge erzielt werden können.
Harness Engineering: Das neue Playbook für Agent-zentrierte Software-Teams
Der Artikel analysiert die Entstehung von „Harness Engineering“ – einer neuen Disziplin, bei der sich Entwicklerteams um agentenbasierte LLM-Workflows neu organisieren. Anhand von Beispielen von OpenAI, Stripe, OpenClaw und Anthropic werden zwei Kernrollen für Engineers definiert: das Entwickeln des „Harness“ (Restriktionen, Linters, Tooling, Devboxes, AGENTS.md) und das Steuern der Agenten-Ausführung (Planung, Review, Parallelisierung). Zu den konkreten Best Practices gehören strikt geschichtete Architekturen, isolierte Pre-warmed-Devboxes, Tool-Zugriffe via MCP/CLIs, automatisierte Remediation-Linters und AGENTS.md als dynamisches Agenten-Handbuch. Zudem werden Herausforderungen wie Wartungs-Entropie, Verifikation im großen Maßstab und Legacy-Code-Refactoring beleuchtet. Dieser Paradigmenwechsel verschiebt die Rolle von Senior Engineers hin zu Architektur und Prozesssteuerung, während autonome Agenten die eigentliche Implementierung übernehmen.
Harness Engineering via Markdown für No-Code-KI-Agenten
Ein Entwickler beschreibt Best Practices für das sogenannte „Harness Engineering“ bei No-Code-KI-Agenten und demonstriert, wie persistente Markdown-Dateien als operative Kontrollschicht dienen. Über strukturierte Anweisungen in Project Knowledge oder Custom Instructions lassen sich strikte Restriktionen, obligatorische Aktionen zum Session-Ende sowie Protokolle zur Wissensakkumulation definieren. Dies erhöht die Verlässlichkeit von Agenten, die über MCP-Server mit Unternehmenstools wie Slack, Confluence und Google Calendar integriert sind. Der Ansatz baut auf der jüngsten Begriffsprägung durch HashiCorp-Mitgründer Mitchell Hashimoto sowie einem Praxisbericht von OpenAI auf. Durch bereitgestellte Repository-Templates und Anweisungsmuster können Operatoren standardisierte Leitplanken für Agenten-Workflows etablieren, ohne eigenen Code schreiben zu müssen. Dies ermöglicht die systematische Skalierung autonomer Workflows in Business-Umgebungen.
Marktsignale & Strategische Shifts in Echtzeit verfolgen
Erstellen Sie benutzerdefinierte Watchlists, um automatisierte, evidenzbasierte Executive Briefings zu erhalten, sobald wesentliche Signale oder Marktverschiebungen auftreten.