چیه harnes

حتماً. اگر بخواهیم Harness، Agent، LLM و MCP را کنار هم بگذاریم، تصویر خیلی روشن‌تر می‌شود.

1. اول LLM چیست؟

LLM خودِ مدل است:

User
 ↓
Prompt
 ↓
LLM
 ↓
Text

مثلاً:

«این کد Python را بررسی کن.»

LLM متن را می‌خواند و پاسخ متنی تولید می‌کند.

اما خودش به‌صورت ذاتی نمی‌تواند:

  • فایل را واقعاً تغییر دهد
  • دستور git اجرا کند
  • تست اجرا کند
  • به دیتابیس وصل شود
  • نتیجه‌ی اجرای برنامه را ببیند

اینجاست که Agent وارد می‌شود.


2. Agent چیست؟

Agent را می‌توانیم این‌طور ببینیم:

             ┌─────────────┐
             │    Agent    │
             └──────┬──────┘
                    │
              ┌─────▼─────┐
              │    LLM    │
              └─────┬─────┘
                    │
          تصمیم می‌گیرد چه کاری کند
                    │
       ┌────────────┼────────────┐
       ▼            ▼            ▼
    فایل‌ها       Terminal       Web

مثلاً می‌گویی:

«باگ Odoo را پیدا و حل کن.»

Agent می‌تواند این چرخه را انجام دهد:

بررسی فایل‌ها
     ↓
تشخیص مشکل
     ↓
ویرایش کد
     ↓
اجرای تست
     ↓
دیدن خطا
     ↓
اصلاح کد
     ↓
اجرای دوباره تست
     ↓
موفقیت

پس Agent در واقع یک سیستم تصمیم‌گیری و اجرای چندمرحله‌ای است که معمولاً از LLM به عنوان مغز استفاده می‌کند.


3. پس Harness کجاست؟

Harness محیط و سیستم کنترلی اطراف Agent است.

می‌توانیم تقریباً این معماری را تصور کنیم:

┌─────────────────────────────────────────┐
│                 Harness                 │
│                                         │
│  Permissions                            │
│  Context management                     │
│  Tool management                        │
│  Memory                                 │
│  Execution                              │
│  Retry                                  │
│  Logging                                │
│  Verification                           │
│                                         │
│       ┌─────────────────────┐           │
│       │       Agent         │           │
│       │                     │           │
│       │       ┌─────┐       │           │
│       │       │ LLM │       │           │
│       │       └─────┘       │           │
│       └─────────────────────┘           │
│                                         │
└─────────────────────────────────────────┘

یعنی:

LLM → فکر/تولید می‌کند

Agent → تصمیم می‌گیرد و چرخه را مدیریت می‌کند

Harness → محیط، ابزارها، محدودیت‌ها و اجرای این چرخه را فراهم می‌کند


4. MCP چیست؟

اینجا یک مفهوم مهم دیگر داریم: MCP

MCP را می‌توانی به‌عنوان یک استاندارد برای وصل کردن Agent به ابزارها تصور کنی.

مثلاً:

             Agent
               │
              MCP
        ┌──────┼───────┐
        ▼      ▼       ▼
     GitHub  Database  Files

مثلاً Agent می‌گوید:

«لیست Issueهای GitHub را بگیر.»

از طریق MCP می‌تواند به یک MCP Server مربوط به GitHub درخواست بدهد.


5. تفاوت این چهار تا

این جدول خیلی مهم است:

مفهومنقش
LLMمغز/مدل زبانی
Agentتصمیم‌گیری و اجرای workflow
MCPاستاندارد ارتباط با ابزارها
Harnessمحیط و سیستم کنترل‌کننده‌ی Agent

مثلاً برای یک AI Coding Agent:

                    Harness
                       │
              ┌────────┴────────┐
              │                 │
            Agent             Tools
              │                 │
             LLM              MCP
                                │
                    ┌───────────┼───────────┐
                    ▼           ▼           ▼
                  GitHub      Database    Files

6. یک مثال واقعی‌تر

فرض کن به Codex می‌گویی:

«در پروژه Odoo این خطا را پیدا کن و اصلاح کن.»

مرحله ۱ — LLM

LLM از context موجود نتیجه می‌گیرد:

احتمالاً مشکل در فایل X است.

مرحله ۲ — Agent

Agent تصمیم می‌گیرد:

باید فایل X را بخوانم.

مرحله ۳ — Harness

Harness اجازه می‌دهد Agent از ابزار filesystem استفاده کند.

Agent
 ↓
read_file()
 ↓
Harness
 ↓
Filesystem

مرحله ۴

LLM فایل را می‌بیند و می‌گوید:

این قسمت باید تغییر کند.

Agent:

edit_file()

Harness تغییر را اجرا می‌کند.

مرحله ۵

Agent می‌گوید:

حالا تست را اجرا کن.

Harness:

pytest

مرحله ۶

مثلاً تست شکست می‌خورد:

FAILED test_customer.py

این نتیجه دوباره وارد context مدل می‌شود.

Test result
    ↓
Harness
    ↓
Agent
    ↓
LLM

LLM دوباره فکر می‌کند:

«آهان، مشکل دیگری وجود دارد.»

و چرخه ادامه پیدا می‌کند.


7. نکته خیلی مهم: Harness فقط «Toolbox» نیست

این قسمت اهمیت زیادی دارد.

Harness می‌تواند تعیین کند:

چه چیزی را مدل ببیند؟
چه ابزاری داشته باشد؟
چه فایل‌هایی را بتواند تغییر دهد؟
چه دستورهایی را بتواند اجرا کند؟
چقدر context وارد شود؟
چه زمانی دوباره تلاش کند؟
چطور نتیجه را بررسی کند؟
چه زمانی کار را متوقف کند؟

بنابراین Harness بیشتر شبیه محیط اجرایی Agent است.

یک تشبیه خوب:

LLM       = مغز
Agent     = کارمند
Tools     = ابزارهای کارمند
MCP       = استاندارد اتصال ابزارها
Harness   = محیط کار + قوانین + سیستم کنترل

8. چرا الان اصطلاح Agent Harness مهم شده؟

چون در Agentهای جدید، مشکل فقط «باهوش‌تر کردن مدل» نیست.

مثلاً دو سیستم را فرض کن:

سیستم A

LLM قوی
+
Tools

سیستم B

LLM همان مدل
+
Agent loop
+
Context management
+
Memory
+
Verification
+
Retry
+
Sandbox
+
Tools
+
Permissions

سیستم B ممکن است در یک کار واقعی خیلی بهتر عمل کند، حتی اگر LLM هر دو یکی باشد.

به همین دلیل در دنیای Agentها increasingly بخش بزرگی از نوآوری از خود مدل به سمت Harness منتقل می‌شود.


اگر بخواهی موضوع را یک مرحله عمیق‌تر کنیم، قدم بعدی خیلی جالب است: ببینیم وقتی Codex یا Claude Code یک پروژه را می‌گیرد، دقیقاً داخل Harness چه اتفاقی می‌افتد؛ یعنی Agent Loop، Context Window، Tool Call، Observation و دوباره Reasoning چگونه به هم وصل می‌شوند.

دیدگاه‌ها

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *