Code als Agent Harnas

Samenvatting

Recente grote taalmodellen (GTM's) hebben sterke capaciteiten getoond in het begrijpen en genereren van code, van competitief programmeren tot software-engineering op repository-niveau. In opkomende agentische systemen is code niet langer alleen een doeluitvoer. Het dient steeds vaker als een operationeel substraat voor het redeneren van agenten, handelen, modelleren van de omgeving en uitvoeringsgebaseerde verificatie. We plaatsen deze verschuiving in het perspectief van agentenharnassen en introduceren code als agentenharnas: een uniforme visie die code centraal stelt als basis voor agentinfrastructuur. Om dit perspectief systematisch te bestuderen, organiseren we het overzicht rond drie verbonden lagen. Ten eerste bestuderen we de harnasinterface, waar code agenten verbindt met redeneren, handelen en omgevingsmodellering. Ten tweede onderzoeken we harnasmechanismen: planning, geheugen en toolgebruik voor uitvoering op lange termijn, samen met feedbackgestuurde controle en optimalisatie die het harnas betrouwbaar en adaptief maken. Ten derde bespreken we het opschalen van het harnas van single-agentsystemen naar multi-agentomgevingen, waar gedeelde code-artefacten multi-agentcoördinatie, -beoordeling en -verificatie ondersteunen. Over deze lagen heen vatten we representatieve methoden en praktische toepassingen van code als agentenharnas samen, variërend van codeerassistenten, GUI/OS-automatisering, belichaamde agenten, wetenschappelijke ontdekkingen, personalisatie en aanbevelingen, DevOps en bedrijfswerkstromen. Verder schetsen we openstaande uitdagingen voor harnasengineering, waaronder evaluatie verder dan alleen taaksucces, verificatie onder onvolledige feedback, regressievrije harnasverbetering, consistente gedeelde toestand over meerdere agenten, menselijk toezicht voor veiligheidskritische acties, en uitbreidingen naar multimodale omgevingen. Door code centraal te stellen als het harnas van agentische AI, biedt dit overzicht een uniforme routekaart naar uitvoerbare, verifieerbare en toestandsbewuste AI-agentsystemen.

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.