Código como Arnês de Agente

Resumo

Recentes grandes modelos de linguagem (LLMs) demonstraram capacidades robustas na compreensão e geração de código, desde programação competitiva até engenharia de software em nível de repositório. Em sistemas agentivos emergentes, o código já não é apenas um resultado alvo; ele serve cada vez mais como um substrato operacional para o raciocínio do agente, a atuação, a modelagem do ambiente e a verificação baseada em execução. Enquadramos essa mudança pela lente dos arneses de agente e introduzimos o código como arnês de agente: uma visão unificada que centraliza o código como base para a infraestrutura do agente. Para estudar sistematicamente essa perspectiva, organizamos a pesquisa em torno de três camadas interconectadas. Primeiro, estudamos a interface do arnês, onde o código conecta agentes ao raciocínio, à ação e à modelagem do ambiente. Segundo, examinamos os mecanismos do arnês: planejamento, memória e uso de ferramentas para execução de longo horizonte, juntamente com controle e otimização orientados por feedback que tornam o arnês confiável e adaptativo. Terceiro, discutimos a escalabilidade do arnês de sistemas de agente único para configurações multiagente, onde artefatos de código compartilhados suportam coordenação, revisão e verificação multiagente. Através dessas camadas, resumimos métodos representativos e aplicações práticas do código como arnês de agente, abrangendo assistentes de codificação, automação de GUI/SO, agentes incorporados, descoberta científica, personalização e recomendação, DevOps e fluxos de trabalho empresariais. Além disso, delineamos desafios em aberto para a engenharia de arneses, incluindo avaliação além do sucesso final da tarefa, verificação sob feedback incompleto, melhoria do arnês sem regressão, estado compartilhado consistente entre múltiplos agentes, supervisão humana para ações críticas de segurança e extensões para ambientes multimodais. Ao centralizar o código como o arnês da IA agentiva, esta pesquisa fornece um roteiro unificado em direção a sistemas de agentes de IA executáveis, verificáveis e com estado.

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.