Warum dieser Begriff plötzlich überall auftaucht
Bis Mitte 2025 sprach kaum jemand von "Harness". Man sagte Coding Agent, Copilot, Assistant.
Dann veröffentlichte Anthropic Effective harnesses for long-running agents, OpenAI zog mit Harness engineering: leveraging Codex nach, und Martin Fowler machte daraus eine eigene Disziplin.
Im Dezember 2025 kaufte Meta laut Branchenberichten das Startup Manus für rund zwei Milliarden Dollar. Was Meta wollte, war nicht das Modell. Es war der Harness.
Der Begriff kommt aus dem Reitsport. Ein Pferdegeschirr macht aus Pferdekraft nutzbare Arbeit. Ein Agent Harness macht aus roher Modellintelligenz nutzbare Software-Arbeit.
Ohne diesen Layer ist ein Sprachmodell nur eine Antwortmaschine. Mit ihm wird es ein digitales Teammitglied, das Aufgaben über Stunden hinweg abarbeitet.
Was ein Agent Harness genau ist
Unsere bevorzugte Analogie aus dem täglichen Einsatz bei IJONIS: Das Modell ist der Motor. Der Harness ist alles andere am Auto. Chassis, Aufhängung, Getriebe, Aerodynamik, Sitz, Lenkung. Sie können einen Formel-1-Motor in ein schlechtes Auto einbauen — es wird trotzdem nicht gewinnen. Aber mit einem Formel-1-Auto können Sie den Motor wechseln und das Auto bleibt schnell. Der Wagen macht den Unterschied, nicht der Block unter der Haube.
Für technischer denkende Lesende gibt es eine zweite Analogie: Das Modell ist die Central Processing Unit (CPU). Das Kontextfenster ist der Random Access Memory (RAM). Der Harness ist das Betriebssystem. Der Agent ist die Anwendung.
Wer nur das Modell tauscht, tauscht die CPU oder den Motor. Das Auto, das Programm, der Workflow darüber bleibt gleich gut oder schlecht.
Ein Harness ist keine Bibliothek wie LangChain. Bibliotheken sind Bausteine, mit denen man einen Harness baut.
Der Harness selbst ist das fertige System: Codex Command Line Interface (CLI), Claude Code, Cursor, Pi. Ein Produkt, das man installiert und nutzt. Im Vergleich zu reinen Aufrufen einer Programmierschnittstelle (API) zeigt sich, was ein Harness liefert.
Sieben Bausteine machen einen Harness aus:
- Die Schleife. Modell sagt etwas, ruft ein Tool auf, beobachtet das Ergebnis, entscheidet den nächsten Schritt. ReAct nennt man dieses Muster. Diese Schleife gut zu bauen, ist eine eigene Disziplin geworden: Loop Engineering.
- Tool-Aufrufe. Dateien lesen, Shell-Befehle ausführen, im Web suchen, Model Context Protocol (MCP) Server ansprechen.
- Kontext-Management. System-Prompts, Verlaufskompaktion, Retrieval. Hier entscheidet sich, ob der Agent nach 50 Schritten noch weiß, was am Anfang stand.
- Memory und State. Scratchpads, To-do-Listen, persistente Notizen wie das CLAUDE.md-Pattern.
- Berechtigungen. Sandbox, Allowlists, Approval Gates. Was darf der Agent ohne Rückfrage tun.
- Observability. Logging, Tracing, Evals. Ohne das fliegt man blind.
- Control Flow. Retries, Budget-Limits, Stop-Bedingungen. Damit ein Agent nicht endlos im Kreis läuft.
"The harness is doing the heavy lifting. The model is the easy part to swap." — Martin Fowler, Harness Engineering
Warum der Harness wichtiger ist als das Modell
Diese Aussage klingt erst einmal kontraintuitiv. Modelle bekommen die Schlagzeilen, Harnesses kaum. Aber die Daten zeigen ein klares Bild: Ein guter Harness mit einem mittelmässigen Modell schlägt einen schlechten Harness mit dem Spitzenmodell. Die Auswirkung des Harness ist oft grösser als der Sprung von einer Modellgeneration zur nächsten.
Auf dem Terminal-Bench 2.0 Leaderboard, gepflegt von einer Stanford-Laude-Kollaboration, treten Harness-Modell-Paare gegeneinander an. Das aktuelle Spitzenfeld zeigt, wie stark der Harness das Ergebnis prägt:
| App | Modell | Score |
|---|---|---|
| Codex | GPT-5.5 | 82,0 % |
| ForgeCode | GPT-5.4 | 81,8 % |
| TongAgents | Gemini 3.1 Pro | 80,2 % |
| ForgeCode | Claude Opus 4.6 | 79,8 % |
| ForgeCode | Gemini 3.1 Pro | 78,4 % |
| Simple Codex | GPT-5.3-Codex | 75,1 % |
ForgeCode taucht auf dem gleichen Leaderboard mit drei verschiedenen Modellen auf. Die Spreizung zwischen den drei Werten beträgt 3,4 Prozentpunkte.
Wechselt man bei Codex das Modell von GPT-5.5 auf GPT-5.3-Codex und gleichzeitig den Harness auf Simple Codex, fällt der Score um fast sieben Punkte. Der Harness erklärt mehr Varianz als der Modellwechsel.
Die zweite Datenquelle ist der Software Engineering Benchmark (SWE), SWE-bench Verified. Auch dort wandern dieselben Modelle über zehn Prozentpunkte hoch und runter, je nachdem in welchen Harness sie eingebettet sind. Wer nur Modelle vergleicht, vergleicht die falsche Schicht.
Die wichtigsten kommerziellen Harnesses 2026
| App | Anbieter | Form | Modell-agnostisch | Pricing |
|---|---|---|---|---|
| Claude Code | Anthropic | CLI + IDE | Eingeschränkt | Pro/Max-Plan oder API |
| Codex CLI | OpenAI | CLI + Cloud | Eingeschränkt | ChatGPT-Plan oder API |
| Cursor | Anysphere | IDE + Cloud Agents | Ja | ab 20 USD/Monat + Usage |
| Sourcegraph Amp | Sourcegraph | IDE | Ja | Subscription |
| Devin | Cognition | Vollautonom Cloud | Eingeschränkt | ab 500 USD/Monat |
| Zed Agent | Zed Industries | Editor-nativ | Ja | Editor frei, Agent kostenpflichtig |
| Gemini CLI | CLI | Nein | Free Tier verfügbar |
Claude Code ist der Harness mit der besten Kohärenz über lange Aufgaben. Das CLAUDE.md-Pattern, Subagents, Hooks, Skills und Plugins machen ihn zur erweiterbarsten Plattform. Wir bauen damit bei IJONIS unsere Produkte und unsere agentischen Workflows.
Codex CLI glänzt bei kurzen, scharf umrissenen Aufgaben in Cloud-Containern. Fire-and-forget. Dafür ist er auf Terminal-Bench 2.0 aktuell die Nummer eins.
Cursor ist der beste Integrated-Development-Environment-first (IDE) Harness. Mit Version 3 sind Cloud-VMs, parallele Agent Tabs und Design Mode dazugekommen. Wer im Editor lebt, fährt mit Cursor am besten. Den Vergleich zu Claude Code haben wir hier vertieft.
Sourcegraph Amp kombiniert Code-Review-Agenten mit komponierbaren Sub-Agents wie Oracle, Librarian und Painter. Stark, wenn Sie eine grosse Codebase und einen Code-Search-Stack haben.
Devin geht den anderen Weg: vollständige Autonomie ohne Editor. Teuer, aber für Teams interessant, die Tickets direkt an einen Agenten delegieren wollen.
Zed Agent ist der native Agent in Zed, dem schnellen Editor in Rust. Lohnt, wenn Sie ohnehin in Zed leben.
Gemini CLI ist Googles Antwort. Free Tier verfügbar, gebunden an Gemini-Modelle.
Open Source: Pi, Goose, Aider und der Rest
Die Open-Source-Welt ist 2026 lebendig wie nie. Vier Gründe sprechen für OSS-Harnesses: Datenschutz, Modell-Wahlfreiheit, Erweiterbarkeit, keine Vendor-Lock-in.
Pi von Earendil Inc., gebaut von Mario Zechner, ist die radikal erweiterbare Variante. MIT-Lizenz, 15+ AI-Provider, Modell-Wechsel mitten in der Session. Pi liefert bewusst weniger Defaults als Claude Code (keine Subagents, kein Plan Mode), gibt dafür mehr Primitiven in die Hand. Wer einen Harness will, den das eigene Team formen kann, schaut hier zuerst.
Goose von Block ist MCP-nativ und nicht auf Coding beschränkt. Es eignet sich für allgemeine Agenten-Aufgaben, von DevOps bis Datenpipelines.
Aider ist der Klassiker. Paul Gauthier hat damit das Pair-Programming-Pattern im Terminal etabliert. Auto-Commits, Repo Map, Modell-agnostisch. Wer minimal anfangen will, fängt hier an.
Cline und sein Fork Roo Code decken die breiteste IDE-Palette ab: VSCode, JetBrains, Neovim, Emacs. Bring your own model, kein Subscription-Zwang.
Crush von Charm setzt auf das beste Terminal-UI. Wer Bubble Tea kennt, weiss, was das bedeutet. opencode ist der Open-Source-Klon von Claude Code, modell-agnostisch und community-getrieben. Continue läuft als IDE-Extension mit eigenen Custom Assistants.
Wann Open Source die richtige Wahl ist
Wenn Datenschutz nicht verhandelbar ist (Self-Hosted Modelle), wenn Sie das Tool an interne Konventionen anpassen müssen, oder wenn Lizenzkosten pro Sitzplatz das Budget sprengen. Pi und Aider laufen mit beliebigen Modellen, auch lokalen via Ollama.
Wie Harnesses gegeneinander getestet werden
Drei Benchmarks dominieren 2026 die Harness-Bewertung:
- Terminal-Bench — der wichtigste Harness-Benchmark. Stanford und das Laude Institute pflegen 89 Aufgaben in Version 2.0, verteilt auf Software Engineering, Security, ML und Data Science. Jede Submission ist ein Harness-Modell-Paar, nicht nur ein Modell. Genau deshalb ist der Benchmark so aussagekräftig.
- der Software Engineering Benchmark (SWE), SWE-bench Verified — testet das Lösen echter GitHub-Issues. Auch hier publizieren Anbieter Harness-Modell-Kombinationen. Die Spreizung zwischen verschiedenen Harnesses auf demselben Modell beträgt regelmässig zehn Prozent oder mehr.
- Eigen-Evals der Anbieter — Anthropic, OpenAI und Cursor publizieren interne Benchmarks zu Code-Edit-Genauigkeit, Tool-Use-Erfolgsrate und Long-Horizon-Konsistenz. Interessant, aber nicht unabhängig.
Terminal-Bench bleibt der Goldstandard, weil er extern und transparent ist.
Was ein Harness gut kann
Vorteile
- Lange Aufgaben ohne Kohärenzverlust dank Memory und Kontext-Kompaktion
- Tool-Use ohne Eigenbau der Schleife und Recovery-Logik
- Sicherheits-Guardrails und Approval Gates eingebaut
- Observability für Debugging und produktive Evals
- Schnellere Einarbeitung als ein selbstgebauter Loop
- Schneller Modell-Wechsel ohne Code-Änderungen (bei agnostischen Harnesses)
Wo Harnesses scheitern
Nachteile
- Vendor Lock-in über proprietäre Tool-Formate, Hooks und Prompts
- Intransparente System-Prompts beeinflussen das Output, sind aber nicht einsehbar
- Token-Kosten explodieren durch Schleifen, Sub-Agents und Kontext-Kompaktion
- Auto-Tool-Use kann destruktive Befehle ausführen ohne Approval
- Memory-Drift: Agent erinnert sich falsch oder veraltet an frühere Sessions
- Harness-Engineering ist eine instabile Disziplin, Manus hat 5 Mal komplett umgebaut
Berechtigungen ernst nehmen
Ein Harness mit Shell-Zugriff ohne Approval Gates ist eine Privilege-Escalation auf Knopfdruck. Wir haben dazu einen eigenen Artikel: Ihr KI-Agent hat mehr Berechtigungen als Ihr CTO.
Welcher Harness für welches Team?
Es gibt keinen Sieger. Es gibt nur passende Kombinationen aus Team, Anwendungsfall und Tool.
- Engineering-Teams mit eigener IT und einer Vorliebe für CLI-Workflows fahren mit Claude Code am besten. CLAUDE.md, Hooks und Skills geben Ihnen die volle Kontrolle.
- IDE-orientierte Teams wählen Cursor oder Cline. Wer die JetBrains-Welt nicht verlassen will, nimmt Cline.
- Volle Autonomie und Cloud-Ausführung liefern Devin und Codex Cloud. Aufgabe rein, Pull Request raus.
- Open-Source-Anforderung oder Datenschutz-Kritisch? Pi, Aider oder Goose. Pi für Erweiterbarkeit, Aider für Einfachheit, Goose für Nicht-Coding-Aufgaben.
- Allgemeine Agenten jenseits Coding (DevOps, Recherche, Datenpipelines) gehören in Goose oder einen selbstgebauten Harness mit MCP.
Harness Engineering wird zur eigenen Disziplin
Martin Fowler, Addy Osmani und Adnan Masood haben 2026 jeweils eigene Artikel zu "Harness Engineering" publiziert. Der Begriff ist nicht mehr nur ein Buzzword. Er bezeichnet die Praxis, einen Harness an die eigene Organisation anzupassen: CLAUDE.md-Konventionen, interne MCP-Server, Hooks für Compliance, Skills für wiederkehrende Aufgaben.
Bei IJONIS bauen wir genau diese Schicht. Code zu schreiben ist 2026 zur Commodity geworden. Was knapp ist, ist die Architektur darüber. Wer einen Harness sauber konfiguriert, gewinnt mehr als wer das beste Modell abonniert.
Häufige Fragen zu Agent Harnesses
Was ist der Unterschied zwischen einem Agent Harness und einem Framework wie LangChain?
LangChain ist eine Bibliothek mit Bausteinen. Ein Harness wie Claude Code oder Cursor ist das fertige Produkt, das man installiert und nutzt. Ein Harness kann LangChain intern verwenden, ist aber selbst kein Framework.
Welcher Harness ist 2026 der beste?
Es gibt keinen Sieger. Codex CLI führt aktuell auf Terminal-Bench 2.0 mit 82,0 Prozent. Claude Code ist bei langen Aufgaben am stärksten. Cursor gewinnt im IDE-Kontext. Pi und Aider gewinnen, wenn Open Source Pflicht ist.
Lohnt sich ein eigener Harness?
Nur, wenn Sie sehr spezifische Compliance- oder Datenschutz-Anforderungen haben. Für die meisten Teams ist ein bestehender Harness mit eigenen CLAUDE.md-Konventionen, Hooks und MCP-Servern die richtige Wahl. Wer nicht selbst Agenten auf diesem Harness aufsetzen will, kann mit vorkonfigurierten KI-Agenten mit transparenten Preisen ab 1.500 EUR Setup starten.
Was kostet ein Harness im Betrieb?
Subscription-basierte Harnesses liegen bei 20 bis 500 US-Dollar (USD) pro Sitzplatz und Monat. Token-Kosten kommen oben drauf und können bei Heavy Usage 50 bis 200 USD pro Person und Monat erreichen. Open-Source-Harnesses haben null Lizenzkosten, nur API-Kosten.
Welche Rolle spielt MCP für Harnesses?
MCP (Model Context Protocol) ist 2026 der De-facto-Standard, mit dem Harnesses Tools und Datenquellen einbinden. Nahezu alle modernen Harnesses sprechen MCP nativ. Das macht den Wechsel zwischen Harnesses einfacher, weil eigene MCP-Server portabel bleiben.
Welchen Harness wir bei IJONIS nutzen
In Kürze: Vergleichen Sie nicht GPT-5.5 mit Claude Opus 4.6. Vergleichen Sie Codex CLI mit Claude Code mit Cursor mit Pi. Der Layer, der über Erfolg oder Scheitern entscheidet, heisst Harness. Modelle wechselt man in Stunden. Einen Harness, den das Team beherrscht, baut man in Monaten.
Wir bei IJONIS in Hamburg nutzen Claude Code als Hauptwerkzeug, Cursor für IDE-lastige Aufgaben und Pi für Experimente. Wenn Sie unsicher sind, welcher Harness zu Ihrem Stack passt, sprechen Sie mit uns. Wir kennen die Bruchstellen aus dem täglichen Einsatz.