Исследование рассматривает архитектуру LLM-агентов через связку модели и execution harness

LLM‑агенты постепенно выходят за рамки систем, которые просто отвечают на вопросы. Все чаще их рассматривают как инструменты для выполнения задач. Такие системы могут воспринимать окружение, вызывать внешние инструменты, сохранять состояние и действовать в длинных цепочках шагов.

По мере развития подходов менялся и сам фокус работы с ними: от prompt engineering к workflows и context engineering, затем к harness engineering и agent‑native training с co‑evolution. На этом фоне возник ключевой вопрос. Где на самом деле находится главное ограничение производительности: в foundation model, в execution harness или в том, как они взаимодействуют друг с другом.

В обзоре исследователи предлагают смотреть на LLM‑агентов как на связку модели и harness. В такой трактовке агент определяется через функции, которые он выполняет. Реализация при этом описывается как foundation model, соединенная с execution harness, который управляет взаимодействием с инструментами и внешней средой. Как сообщает arXiv cs.AI (Artificial Intelligence), авторы также обсуждают пределы model‑centric scaling и выделяют четыре парадигмы agent engineering.

Отдельная часть работы посвящена устройству execution harness. Авторы разбивают его на шесть взаимосвязанных задач времени выполнения: observation, context, control, action, state, verification. Через эту схему они сопоставляют свойства задач и давление со стороны прикладных областей с различными конфигурациями harness. В том же контексте рассматриваются существующие практики benchmarking и evaluation для агентных систем.