Capítulo 3.3 — Agent runtime e agent harness¶
🎯 Objetivo¶
Distinguir o que executa o agente (runtime) do que torna o agente operável (harness).
🧠 Definições¶
- Agent runtime - recebe input, monta contexto, chama modelo, interpreta tool calls, executa ferramentas, atualiza estado, decide quando parar.
- Agent harness - engenharia ao redor do modelo: orquestração, retries, timeouts, fallbacks, policies, observabilidade, evals, sandbox, HITL, auditoria.
Em termos práticos:
Modelo: prediz, classifica, gera, decide ou propõe ações.
Harness: torna a capacidade segura, testável, observável e operável.
Produto: harness + modelo + integrações + governança.
🏗️ Componentes obrigatórios do harness¶
| Componente | Responsabilidade |
|---|---|
| Orquestrador | Controla fluxo e loop |
| State manager | Mantém estado resumível |
| Tool executor | Executa ações externas com timeout |
| Policy engine | Aplica regras (policy-as-code) |
| AuthZ/AuthN | Controla acesso |
| Eval harness | Mede qualidade |
| Observability | Torna execução depurável |
| Cost controller | Impõe budgets |
| Sandbox | Isola execução perigosa |
| Human approval | Mitiga ações críticas |
🔁 Loop básico¶
sequenceDiagram
participant U as Usuário/API
participant H as Harness
participant P as Policy/Auth
participant C as Context Engine
participant M as Modelo
participant T as Tool Executor
participant O as Observability
U->>H: Solicitação
H->>P: Verifica escopo e permissão
H->>C: Monta contexto
C->>H: Contexto estruturado
H->>M: Chamada ao modelo
M->>H: Resposta ou tool call
H->>P: Autoriza tool call
H->>T: Executa ferramenta com timeout
T->>H: Resultado estruturado
H->>O: Registra spans, custo e tokens
H->>M: Envia resultado da tool
M->>H: Resposta final
H->>U: Retorno com evidências
📚 Referências¶
- Anthropic - Effective harnesses for long-running agents: https://www.anthropic.com/engineering/effective-harnesses-for-long-running-agents
- OpenAI Agents SDK - Tracing: https://openai.github.io/openai-agents-python/tracing/