En une phrase
Le Harness désigne tout ce qui entoure un modèle d'IA (contexte, outils, orchestration) et fait la différence pour les agents IA ; la vidéo explique comment le concevoir et l'optimiser, avec l'exemple d'un agent construit dans ChatGPT.
Points clés
- De l'ère du prompt à l'Harness engineering : on est passé du prompt engineering au context engineering (instructions personnalisées, mémoire, connecteurs, MCP serveurs), puis à l'Harness engineering, propre aux agents IA. Il consiste à orchestrer l'agent et à décider de ce qu'il peut faire ou non.
- L'analogie de la voiture : les modèles (GPT, Claude) sont le moteur, et le Harness est tout ce qui est autour (roues, sièges, tableau de bord), que l'on peut personnaliser. Trois niveaux : la voiture de concession (Cowork, ChatGPT work), la Formule 1 (Claude Code, Codex) et le Harness entièrement sur mesure avec son propre LLM ou modèle open source. La vidéo se concentre sur les deux premiers.
- Levier 1 : le contexte : il regroupe les instructions (Claude.md chez Claude, agent.md chez OpenAI, en plus des instructions système non modifiables), les connaissances (métadonnées, mémoire, skills) et les données externes (dossiers, bases de données). Les skills peuvent contenir instructions, références, assets et scripts, avec un dévoilement progressif : l'agent ne voit que le nom et la description, puis les active s'il les juge pertinentes.
- Levier 2 : les outils : connecteurs et MCP serveurs (mail, Notion, CRM…) permettent à l'agent d'agir, alors que dans le contexte ils servent à apporter de la connaissance. Le Harness sert aussi à limiter les droits de l'agent. On peut y ajouter des skills pour les applications sans connecteur ni MCP (ex. YouTube, qui n'expose que des API), ainsi que des outils embarqués comme le Computer Use et les extensions de navigateur.
- Démonstration (agent Ops chez Uber dans ChatGPT) : création d'un projet « harness » avec un fichier agent.md (rôle d'Operation Manager Europe), des fichiers de données (Excel, PowerPoint, fiches d'inscription) et une skill générant des fiches d'inscription de chauffeurs. Côté outils : Gmail, MCP Perplexity ajouté avec une clé API, et Computer Use pour saisir 20 chauffeurs dans une application web via Chrome.
- Trois leviers et un bonus : la vidéo annonce trois leviers d'optimisation, dont deux sont détaillés dans l'extrait (contexte et outils), plus un bonus en fin de vidéo. La transcription est coupée avant. La fin évoque deux ressources en description, dont le guide gratuit « les 7 jours de l'IA ».
Ressources
- ChatGPT — assistant d'OpenAI utilisé pour construire l'agent et son harness
- Claude — assistant d'Anthropic (Claude.md, Cowork)
- Claude Code — agent de code d'Anthropic (harness de niveau « Formule 1 »)
- Codex — agent de code d'OpenAI
- Gemini — assistant de Google, cité parmi les outils de prompt
- Perplexity — moteur de recherche IA, utilisé via son MCP server
- Gmail — connecteur de messagerie ajouté à l'agent
- Notion — outil cité comme exemple de connecteur
- Google Chrome — navigateur piloté via le Computer Use
- MCP (Model Context Protocol) — protocole de serveurs d'outils pour agents
- Cowork / ChatGPT work — harness de niveau « concession », sans URL connue
- Guide « Les 7 jours de l'IA » — ressource gratuite de l'auteur, lien en description de la vidéo