Wer moderne KI-Entwicklungstools oder autonome Coding-Assistenten ausprobiert, stellt sich unweigerlich irgendwann eine grundlegende Frage: Wie macht die KI das eigentlich alles?
Wie liest sie Dateien, versteht komplexe Projektstrukturen, erstellt Pläne, bearbeitet Code in Dutzenden Dateien parallel, führt Befehle aus, behebt Fehler vollkommen eigenständig und arbeitet im Hintergrund weiter, ohne dass man eingreifen muss?
Besitzt ein Sprachmodell etwa direkten Zugriff auf den Computer, den Terminal und das Dateisystem? Die Antwort lautet: Nein.
Das Sprachmodell selbst ist stets nur ein einzelner Baustein des Gesamtsystems. Was aus einem reinen Textgenerator einen handlungsfähigen, autonomen Agenten macht, ist eine Software-Architektur, die im Fachjargon als Agentic Harness (zu Deutsch etwa: das agentische, steuernde Korsett oder Framework) bezeichnet wird.
Was ist ein „Agentic Harness“?
Ein Agentic Harness ist kein einzelnes Produkt, das man mal eben per Befehl installiert, und auch kein starrer Standard-Framework. Vielmehr handelt es sich um das Software-System, das rund um das eigentliche KI-Modell herumgebaut wird.
Dazu gehören Werkzeuge (Tools), Prompt-Strukturen, Kontext- und Speicherverwaltung, Ausführungsumgebungen, Sicherheitsrichtlinien sowie die übergeordnete Steuerungslogik (Orchestrierung). Entweder man baut ein solches System selbst, greift auf bestehende Frameworks zurück oder nutzt fertige Produkte wie spezialisierte Entwickler-Tools, bei denen dieses Fundament bereits unsichtbar im Hintergrund arbeitet.
Warum das Sprachmodell allein nicht ausreicht
Modelle wie GPT, Claude oder Gemini sind unglaublich gut darin, Sprache zu verstehen, über logische Probleme nachzudenken und präzisen Text oder Programmcode zu generieren. Doch von Natur aus haben sie eine fundamentale Einschränkung: Sie können nur Output erzeugen.
- Sie wissen nicht automatisch, welche Dateien auf einem Computer existieren.
- Sie können kein Terminal öffnen, keine Tests ausführen und nicht überprüfen, ob der geschriebene Code in der Praxis überhaupt funktioniert.
Um diese Lücke zu schließen, mussten Entwickler das System erweitern.
1. Werkzeuge (Tools)
Der erste Schritt war naheliegend: Man gibt der KI Werkzeuge an die Hand, um Dateien zu lesen, zu schreiben oder Systembefehle auszuführen. Wenn man einem Agenten den Auftrag erteilt, einen spezifischen Fehler in einer Anwendung zu beheben, kann er den Code inspizieren, Änderungen vornehmen und die Tests starten. Plötzlich generiert er nicht mehr nur eine Antwort, sondern interagiert aktiv mit seiner Umwelt.
2. Kontext und Speicher (Context & Memory)
Reine Werkzeuge reichen jedoch nicht aus. Ein echtes Softwareprojekt besteht oft aus Tausenden von Dateien. Die KI muss wissen, welche davon relevant sind, sich gemachten Fortschritt merken und den Überblick behalten.
Einfach das gesamte Projekt auf einmal in den Speicher zu laden, funktioniert nicht, da zu viele Informationen die Qualität der KI verwässern können. Die echte Kunst besteht darin, dem Modell zur richtigen Zeit genau die richtigen Informationen bereitzustellen und Fehler aus vergangenen Schritten abzuspeichern.
3. Die Ausführungsumgebung (Execution Environment)
Damit die KI prüfen kann, ob ihr Code funktioniert, benötigt sie eine Sandbox, ein Terminal, einen Container oder Browserzugriff. Das Modell selbst führt niemals eigenständig Befehle aus; stattdessen schlägt es einen Befehl vor (z. B. „Führe diesen Test aus“), das Harness führt ihn aus und liefert das Ergebnis zurück.
Schlägt ein Test fehl, sieht das Modell die Fehlermeldung, denkt über die Ursache nach, passt den Code an und versucht es erneut. So entsteht eine mächtige Schleife aus Denken, Handeln, Beobachten und Anpassen.
4. Governance und Sicherheit
Was passiert, wenn die KI einen destruktiven Befehl ausführen will, wichtige Dateien löscht oder fehlerhaften Code direkt in ein Live-System einspielt?
Hier kommt die Steuerungsschicht ins Spiel. Sie definiert klare Regeln: Das Lesen einer Datei passiert vielleicht automatisch, das Ausführen von Tests ist sicher, aber das Löschen einer Datenbank erfordert zwingend eine menschliche Freigabe. Zudem sorgt sie für Observability (Beobachtbarkeit), indem sie Logs und Traces bereitstellt, damit Entwickler genau nachvollziehen können, welche Werkzeuge der Agent genutzt hat und wo er eventuell stecken geblieben ist.
Das Gehirn und sein Körper
Am Ende lässt sich die Funktionsweise auf eine einfache Formel reduzieren:
- Das Modell ist das Gehirn. Es liefert die Intelligenz, das Denken und das Sprachverständnis.
- Das Harness ist der Körper und die Umgebung. Es gibt dem Gehirn Hände (Tools), einen Arbeitsplatz (Umgebung), ein Gedächtnis (Kontext) und Sicherheitsregeln (Governance), um tatsächlich produktiv zu arbeiten.
Genau das ist auch der Grund, warum zwei verschiedene Unternehmen exakt dasselbe KI-Modell verwenden und dennoch völlig unterschiedliche Ergebnisse erzielen können. Während das eine Tool die Anfrage nur stumpf an das Modell schickt, reichert das andere dieselbe Intelligenz mit einem perfekten Kontext, nützlichen Werkzeugen, einer sicheren Ausführungsumgebung und cleverem Fehler-Feedback an.
Wer die Zukunft der künstlichen Intelligenz bewerten möchte, darf sich deshalb nicht nur fragen, welches Modell im Hintergrund rechnet. Die entscheidende Frage lautet: Welches Harness sorgt dafür, dass diese Intelligenz sicher, kontrolliert und effektiv arbeiten kann?
Meine persönlichen Erfahrungen sind, das jedes Tool mit KI Agenten, das ich benutze, regelmässig updates bekommt und diese neuen Möglichkeiten mich immer wieder positiv überraschen. Ich verwende Cloude, Codex und Gemini und wechsel sie untereinander ab bei den Projekten. Damit merkt man schön die Unterschiede in den Details der Arbeitsweisen der darunterliegenden Layer. Was ich zu allen 3 sagen kann: Es wird sicherer und besser und effektiver.
Mit agentischen Grüßen,
Dein Krischan
