Code als Agenten-Harness

Zusammenfassung

Jüngste große Sprachmodelle (Large Language Models, LLMs) haben beeindruckende Fähigkeiten im Verstehen und Generieren von Code gezeigt – von der Wettbewerbsprogrammierung bis hin zu Softwareentwicklung auf Repository-Ebene. In neu entstehenden agentischen Systemen ist Code nicht mehr länger nur ein Zieloutput. Er dient zunehmend als operative Grundlage für Agenten-Denken, -Handeln, Umgebungsmodellierung und ausführungsbasierte Verifikation. Wir fassen diesen Wandel durch die Linse von Agenten-Harnesses und führen Code als Agenten-Harness ein: Eine einheitliche Sichtweise, die Code als Basis für die Agenten-Infrastruktur in den Mittelpunkt stellt. Um diese Perspektive systematisch zu untersuchen, gliedern wir die Übersicht in drei zusammenhängende Ebenen. Zunächst untersuchen wir die Harness-Schnittstelle, in der Code Agenten mit Denken, Handeln und Umgebungsmodellierung verbindet. Zweitens betrachten wir Harness-Mechanismen: Planung, Gedächtnis und Werkzeugnutzung für langfristige Ausführung, zusammen mit feedbackgesteuerter Kontrolle und Optimierung, die den Harness zuverlässig und adaptiv machen. Drittens diskutieren wir die Skalierung des Harness von Einzelagenten- zu Multi-Agenten-Umgebungen, in denen gemeinsame Code-Artefakte Multi-Agenten-Koordination, -Überprüfung und -Verifikation unterstützen. Über diese Ebenen hinweg fassen wir repräsentative Methoden und praktische Anwendungen von Code als Agenten-Harness zusammen, die Programmierassistenten, GUI/OS-Automation, verkörperte Agenten, wissenschaftliche Entdeckungen, Personalisierung und Empfehlung, DevOps sowie Unternehmensworkflows umfassen. Darüber hinaus skizzieren wir offene Herausforderungen für das Harness-Engineering, darunter Evaluierung über den finalen Aufgabenerfolg hinaus, Verifikation unter unvollständigem Feedback, regressionsfreie Harness-Verbesserung, konsistenter gemeinsamer Zustand über mehrere Agenten, menschliche Aufsicht für sicherheitskritische Aktionen sowie Erweiterungen auf multimodale Umgebungen. Indem wir Code als Harness agentischer KI in den Mittelpunkt stellen, bietet diese Übersicht eine einheitliche Roadmap hin zu ausführbaren, verifizierbaren und zustandsbehafteten KI-Agenten-Systemen.

English

Recent large language models (LLMs) have demonstrated strong capabilities in understanding and generating code, from competitive programming to repository-level software engineering. In emerging agentic systems, code is no longer only a target output. It increasingly serves as an operational substrate for agent reasoning, acting, environment modeling, and execution-based verification. We frame this shift through the lens of agent harnesses and introduce code as agent harness: a unified view that centers code as the basis for agent infrastructure. To systematically study this perspective, we organize the survey around three connected layers. First, we study the harness interface, where code connects agents to reasoning, action, and environment modeling. Second, we examine harness mechanisms: planning, memory, and tool use for long-horizon execution, together with feedback-driven control and optimization that make harness reliable and adaptive. Third, we discuss scaling the harness from single-agent systems to multi-agent settings, where shared code artifacts support multi-agent coordination, review, and verification. Across these layers, we summarize representative methods and practical applications of code as agent harness, spanning coding assistants, GUI/OS automation, embodied agents, scientific discovery, personalization and recommendation, DevOps, and enterprise workflows. We further outline open challenges for harness engineering, including evaluation beyond final task success, verification under incomplete feedback, regression-free harness improvement, consistent shared state across multiple agents, human oversight for safety-critical actions, and extensions to multimodal environments. By centering code as the harness of agentic AI, this survey provides a unified roadmap toward executable, verifiable, and stateful AI agent systems.