Ett harness är det ramverk som omger AI-modellen och gör den användbar, säker och värdeskapande. Det förser modellen med rätt förmågor och begränsningar samt säkerställer att systemet uppnår sitt syfte. Det sköter interaktionen med användaren och många andra funktioner för promptlogik, säkerhet, styrning, kvalitet, minne, tester, loggning och integrationer. Utöver AI-modellen och ett harness används vanligtvis fler komponenter. Så här förhåller sig ett harness till andra komponenter i AI-infrastrukturen.
RAG är ett sätt att ge modellen tillgång till ytterligare information som finns i dokument eller vektordatabaser. För RAG ligger fokus på att ge AI-modellen kunskap som ligger utanför AI-modellens grundträning. Det är vanligtvis specifika kunskaper om din organisation.
Skills är ett sätt att ge modellen tillgång till arbetsinstruktioner, beskriva hur arbetsmoment ska utföras och vilka verktyg som ska användas. Till skillnad från RAG, som fokuserar på kunskap och information, har Skills fokus på hur saker genomförs praktiskt. Till exempel hur modellen ska arbeta enligt organisationens processer och rutiner.
MCP (Model Context Protocol) är ett standardiserat protokoll för att ge modellen tillgång till information och verktyg som finns i externa system. I harnesset kan det finnas MCP-klienter som kommunicerar med de externa systemen som fungerar som MCP-servrar.
Det finns även ytterligare metoder att förse modellen med fler datakällor eller handlingsmöjligheter. Vi kan exempelvis nämna agent frameworks, function calls och API-orkestrering.
Men vänta nu, detta var väl ingen tydlig förklaring på vad ett harness är? Det verkar ju kunna vara lite vad som helst som omger en AI-modell.
Just det. Det kanske blir tydligare om vi delar upp det i underkategorier.
Ordet harness används på flera sätt inom AI, men grundidén är alltid densamma: det är något som kopplar ihop, kontrollerar eller omsluter en modell eller agent så att den kan användas, testas eller övervakas på ett strukturerat sätt.
Det vanligaste för att jämföra modeller. Syftet är att testa modeller systematiskt genom att köra benchmarks, jämföra GPT, Claude, Gemini, lokala modeller med flera samt mäta kvalitet, kostnad och svarstid.
Dessa används när man bygger agenter. Syftet är att ge agenten en kontrollerad miljö. De kan även simulera användare, system och verktyg samt testa om agenten faktiskt klarar arbetsuppgifter.
Man kan då mäta exempelvis:
Tool Harness används för att koppla verktyg till modellen. Syftet är till exempel att hantera autentisering, validera parametrar, logga anrop och skydda systemen från felaktiga kommandon. MCP-servrar (Model Context Protocol) fungerar ofta som en typ av tool harness.
Det är vanligt hos företag som bygger AI-produkter. Vanliga uppgifter är att sätta skyddsräcken runt modellen så att inga otillåtna eller skadliga operationer tillåts. De kan filtrera input och output, förhindra dataläckage och kontrollera behörigheter. Detta är ofta det som gör skillnaden mellan en demo och en produktionslösning.
Det är vanligt i agentplattformar där det ansvarar för minne, verktyg, loggning, retry-hantering, kostnadsspårning och observabilitet – funktioner som behövs i ett robust system.
Hur harness förhåller sig till RAG och AI Skills med mera
Man kan se det som olika lager:
I moderna AI-system är det ofta harness-lagret som står för mycket av robustheten, medan modellen står för intelligensen. Det är därför många företag idag lägger lika mycket arbete på eval-harness, safety-harness och tool-harness som på själva promptarna eller agenterna. För slutanvändaren är det viktigaste att affärsprocessen faktiskt blir utförd på rätt sätt.
När du bokar ett möte med oss kan du förvänta dig:
