Code en tant que harnais d'agent

Résumé

Les récents grands modèles de langage (LLMs) ont démontré de solides capacités à comprendre et générer du code, allant de la programmation compétitive à l'ingénierie logicielle au niveau du dépôt. Dans les systèmes agentiques émergents, le code n'est plus seulement une sortie cible. Il sert de plus en plus de substrat opérationnel pour le raisonnement, l'action, la modélisation de l'environnement et la vérification par exécution. Nous encadrons ce changement à travers le prisme des harnais d'agent et introduisons le code comme harnais d'agent : une vue unifiée qui place le code au centre de l'infrastructure agentique. Pour étudier systématiquement cette perspective, nous organisons cette revue autour de trois couches connectées. Premièrement, nous étudions l'interface du harnais, où le code connecte les agents au raisonnement, à l'action et à la modélisation de l'environnement. Deuxièmement, nous examinons les mécanismes du harnais : la planification, la mémoire et l'utilisation d'outils pour une exécution à long terme, ainsi que le contrôle et l'optimisation basés sur le retour d'information qui rendent le harnais fiable et adaptatif. Troisièmement, nous discutons de la mise à l'échelle du harnais, des systèmes mono-agent aux configurations multi-agents, où des artefacts de code partagés soutiennent la coordination, la révision et la vérification multi-agents. À travers ces couches, nous résumons les méthodes représentatives et les applications pratiques du code comme harnais d'agent, couvrant les assistants de codage, l'automatisation GUI/OS, les agents incarnés, la découverte scientifique, la personnalisation et la recommandation, le DevOps et les flux de travail d'entreprise. Nous décrivons en outre les défis ouverts pour l'ingénierie du harnais, notamment l'évaluation au-delà du succès final de la tâche, la vérification sous retour d'information incomplet, l'amélioration du harnais sans régression, un état partagé cohérent entre plusieurs agents, la supervision humaine pour les actions critiques pour la sécurité, et les extensions aux environnements multimodaux. En plaçant le code au cœur du harnais de l'IA agentique, cette revue fournit une feuille de route unifiée vers des systèmes d'agents IA exécutables, vérifiables et avec état.

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.