Harnais d'agent
L'échafaudage autour d'un agent IA — construction du prompt, acheminement des outils, logique de reprise, émission de traces, gestion d'état — qui transforme un modèle en participant de workflow.
L'IA de production est un système : contexte, outils, permissions, traces, évaluations et boucles de rétroaction autour du modèle.
Ce que c'est
Un harnais d'agent est le code qui enveloppe un modèle de langage et lui donne la structure nécessaire pour être un agent : il assemble le prompt, présente les outils disponibles, analyse les appels d'outils du modèle, les achemine vers les implémentations réelles, gère les erreurs et les reprises, gère l'état de la conversation et émet des traces. Sans harnais, vous avez un modèle qui peut générer du texte. Avec un harnais, vous avez un agent qui peut faire du travail.
Pourquoi c'est important
Le harnais est là où vit l'essentiel de l'ingénierie réelle d'un agent IA. Deux équipes qui utilisent le même modèle avec des harnais différents produisent des agents radicalement différents. Le harnais décide de ce que l'agent peut voir, de ce qu'il peut faire, de la façon dont il se remet d'un échec et de ce qui est observable dans son comportement.
Concepts liés
Runtime agent, Runtime de workflow, Registre d'outils MCP, Appel d'outils.
Ressources connexes
La couche d'exécution des agents événementiels : déclencheurs, routage, appels d'outils, état durable, approbations, reprises, traces et contrôles de déploiement — la substance de production derrière une UI de chat.
Le moteur d'exécution qui transforme un graphe de workflow versionné en processus tournant, observable et reprenable — la différence entre une démo d'agent et un déploiement d'agent.
Un catalogue gouverné d'outils — adossé au Model Context Protocol — avec schémas typés, portées de permissions, exigences d'approbation et pistes d'audit par invocation.
Le mécanisme par lequel un modèle de langage invoque des fonctions externes — API, bases de données, exécution de code, retrieval — et en lit les résultats pour poursuivre son travail.
Comment ça fonctionne
Les substrats courants incluent Pydantic AI, LangGraph, l'OpenAI Agents SDK, Mastra et des harnais maison. Le harnais est l'endroit où les appels d'outils MCP sont acheminés, où la mémoire est chargée et stockée, où vivent les politiques de reprise et où les spans de trace sont émis. Nous traitons le harnais comme le contrat — versionné, testé et gardé par le même jeu d'évaluations que les prompts et les modèles qu'il sert.