Learn Harness Engineering — открытый курс о том, как сделать ИИ-агента надёжным

Learn Harness Engineering — бесплатный курс с открытым кодом от команды WalkingLabs. Тема курса — harness-инженерия: построение окружения, в котором ИИ-агент для кодинга работает надёжно. Внутри 14 лекций, 8 практических проектов и библиотека готовых шаблонов. Всё распространяется по лицензии MIT и переведено на 15 языков, включая русский.

Главная идея: модель умна — надёжным делает harness

Вы даёте Claude или GPT задачу в своём репозитории. Агент начинает бодро: читает файлы, пишет код, выглядит занятым. Потом пропускает шаг, ломает тесты и говорит «готово», хотя ничего не работает. Разбирать результат приходится дольше, чем написать всё самому.

Авторы курса настаивают: это проблема не модели, а harness. Harness — это окружение вокруг модели: инструкции, состояние работы, проверки, границы задач. Модель решает, какой код писать. Harness управляет тем, когда, где и как она это делает. Он не делает модель умнее — он делает её результат предсказуемым.

В курсе приводят эксперимент Anthropic. Одна и та же модель (Opus 4.5), один и тот же запрос: «собери редактор ретро-игр». Без harness модель потратила 9 долларов за 20 минут и выдала неработающую поделку. С полным harness — планировщик, генератор и проверяющий — 200 долларов за 6 часов и играбельную игру. Модель не менялась. Менялось окружение.

OpenAI сообщает то же самое про Codex: в хорошо подготовленном репозитории та же модель переходит от «ненадёжно» к «надёжно». Это не постепенное улучшение, а качественный сдвиг.

Пять подсистем harness

Курс раскладывает harness на пять подсистем. У каждой одна работа:

Программа курса

Курс построен как последовательность из 8 фаз: увидеть проблему → структурировать репозиторий → связать сессии между собой → добавить обратную связь и границы задач → настроить проверку → собрать всё вместе → автоматизировать цикл → нарисовать систему как граф. Каждая фаза при частичной занятости занимает около недели. Фазы 1–3 умещаются в одни длинные выходные.

Лекции построены просто: одна лекция — один вопрос.

• Почему сильные модели всё равно проваливаются на реальных задачах?
• Почему репозиторий должен быть единственным источником правды?
• Почему один гигантский файл инструкций не работает?
• Почему агенты объявляют победу слишком рано и какие проверки это лечат?
• Зачем наблюдаемость должна жить внутри harness?

Последние две лекции добавлены в 2026 году. Лекция 13 — про автоматизацию цикла: вместо ручного промптинга вы строите автоматические циклы — goal-цикл по файлу цели, таймерный цикл и пару «исполнитель + проверяющий», где один агент делает, а второй ревьюит. Лекция 14 — про графы: цикл — это граф из одной вершины. Когда задаче нужны специализация, параллельность, общее состояние и восстановление после сбоев, пора рисовать настоящий граф с узлами, рёбрами и маршрутизацией.

Идея связки авторы формулируют так: harness-инженерия строит машину, инженерия циклов проектирует дорогу, по которой она едет. Дорогу проектируют снаружи машины.

Каждый проект заставляет агента делать реальную работу и сравнивает слабый harness с сильным. Все восемь проектов строят одно и то же приложение — настольную базу знаний на Electron. Решение каждого проекта становится стартовой точкой следующего, приложение растёт вместе с вашими навыками.

Быстрый старт: четыре файла

Читать все лекции не обязательно. Если агент уже работает в вашем проекте, добавьте в корень четыре файла:

├── AGENTS.md            <-- рабочая инструкция агента
├── init.sh              <-- установка + проверка + запуск
├── feature_list.json    <-- какие фичи есть и какие готовы
└── claude-progress.md   <-- журнал прогресса сессий

Шаблоны лежат в библиотеке ресурсов, есть и русская версия. Файл claude-progress.md — обычный журнал в репозитории. Он не привязан к Claude Code: Codex, OpenHands и другие агенты пользуются им так же, если инструкция в корне репозитория велит читать его при старте и обновлять перед завершением.

Что ещё внутри

• Навык harness-creator — помогает собрать полноценный harness для своего проекта за минуты: AGENTS.md, список фич, init.sh, процессы проверки. Живёт в skills/harness-creator.
• audit-harness.sh — shell-скрипт без единой зависимости: проверяет существующий репозиторий по всем пяти подсистемам и завершается успешно, когда все критические пункты пройдены. Node.js не нужен:

curl -fsSL https://raw.githubusercontent.com/walkinglabs/learn-harness-engineering/main/tools/audit-harness.sh | bash -s -- /path/to/your/repo

• Разборы готовых harness'ов — новый раздел, где пятиподсистемная рамка курса применяется к реальным продуктам: как устроен harness у Pi, Claude Code (четырёхслойная память, многоуровневое сжатие контекста, hooks, изоляция суб-агентов), Codex (репозиторий как источник правды, изоляция работы через worktree) и DeepSeek («всё — плагин»).
• База первоисточников: отчёт OpenAI о harness-инженерии в Codex, статьи Anthropic об эффективных harness для долгих агентов и о проектировании harness для долгих приложений, статья Мартина Фаулера, а также поддерживаемый той же командой список Awesome Harness Engineering.

У команды WalkingLabs есть и другие курсы: Hands-on Modern RL про обучение с подкреплением и Modern LLM Notebook про сборку современных LLM на PyTorch.

Кому подойдёт

Курс рассчитан на инженеров, которые уже работают с ИИ-агентами и хотят стабильности и качества; на исследователей, которым нужна системная картина проектирования harness; на тимлидов, которые оценивают, как дизайн окружения влияет на результат агентов.

Курс не подходит тем, кто ищет введение в ИИ без кода: для проектов понадобится Claude Code, Codex или другой агент с правом править файлы и запускать команды.