Article
Agent-Glossar - Die Begriffe hinter Harness und Scaffold
Wenn sich ein Feld schnell entwickelt, hält das Vokabular oft mit dem gemeinsamen Verständnis nicht Schritt. Ein neuer Blogpost von HuggingFace versucht, Licht in die Begriffswelt der KI-Agenten zu bringen - insbesondere Harness, Scaffold und verwandte Konzepte.
Warum dieses Glossar wichtig ist
Nach ICLR 2026 wurde eine Frage im Raum: Was bedeutet eigentlich harness und scaffold im Kontext von Agenten? Die Antworten blieben vage und widersprüchlich. Dieses Glossar ist der Versuch, die Begriffe zu klären, die ständig auftauchen, aber nie einheitlich erklärt werden.
Model
Das Model ist das neuronale Netz - typischerweise ein Large Language Model. Es wird mit Prompt und Tools aufgerufen und gibt Predictions zurück. Das Model selbst ist passiv: Es antwortet, wenn gefragt, initiiert aber keine Aktionen.
Scaffolding
Scaffolding bezeichnet die strukturelle Umgebung, die ein Model nutzt, um komplexere Aufgaben zu erfüllen. Think of it als das Gerüst, das eine einfache Grundlage aufbaut: Prompt-Templates, Output-Parsing-Logik, Tool-Definitionen. Scaffolding ist statisch - es ändert sich nicht während des Agent-Runs.
Beispiel: Ein System-Prompt mit Tool-Definitionen und JSON-Output-Format ist Scaffolding. Das Model nutzt es, aber das Scaffolding passt sich nicht dynamisch an.
Harness
Die Harness ist die Laufzeitumgebung, die das Model mit der Außenwelt verbindet. Sie managed den State, führt Tools aus, parsed Outputs, und orchestriert Turns. Die Harness ist aktiv: Sie treibt den Agent-Loop und entscheidet, wann ein Task abgeschlossen ist.
Der Unterschied: Scaffolding definiert, wie das Model strukturiert aufgerufen wird. Die Harness führt diese Aufrufe aus und managed die Interaktion mit Tools.
Agent
Ein Agent ist eine Kombination aus Model, Scaffolding und Harness, die autonom Aufgaben erfüllt. Er hat ein Ziel, nutzt Tools, und macht Entscheidungen über mehrere Turns hinweg. Das Model liefert die Intelligenz, das Scaffolding die Struktur, die Harness die Ausführung.
Context Engineering
Context Engineering ist die Kunst, den Kontext so zu strukturieren, dass das Model relevante Informationen findet und korrekt nutzt. Es umfasst Prompt-Engineering, Tool-Prompting, Output-Formatting und die Sequenzierung von Calls.
Policy
Die Policy ist die Entscheidungslogik im Inneren des Agents. Sie bestimmt, welche Tool-Call gemacht wird, wann nachgefragt wird, und wann der Agent Task-abgeschlossen meldet. Die Policy kann explizit programmiert sein oder durch das Model-Training gelernt werden.
Training-spezifische Begriffe
RL Environment
Das RL Environment ist die Umgebung, in der ein Agent trainiert wird. Es definiert den State, die möglichen Actions, die Rewards und die Terminal-Bedingungen. Anders als bei Scaffolding/Harness (für Produktion) ist das RL Environment für Training konzipiert.
Trainer
Der Trainer ist die Komponente, die Model-Parameter aktualisiert. Er nutzt Gradient Descent auf Basis der Reward-Signale aus dem Environment.
Rollout
Ein Rollout ist ein kompletter Durchlauf des Agents im Environment: Start bis Terminal. Rollouts werden gesammelt für Training und Evaluation.
Reward
Der Reward ist das Signal, das den Agent für seine Actions bewertet. Sparse Rewards gibt es nur am Ende, dichte Rewards nach jedem Step. Das Design des Reward-Functions ist oft die kritische Entscheidung im Agent-Training.
Praktische Relevanz
Diese Begriffe tauchen in jedem Agent-Framework auf: Claude Code, Codex, Hermes Agent. Wer Agents baut, deployed oder nutzt, sollte die Unterschiede kennen. Die Harness ist der Runtime-Orchestrator, Scaffolding die strukturierte Prompt-Umgebung, das Model die Intelligenz.