LinkX View|Alles ist ein Plugin: Warum sich Agenten-Frameworks schrittweise zu Betriebssystemen weiterentwickeln
Je leistungsfähiger das Modell ist, desto wichtiger wird das Harness – allerdings auf eine veränderte Art. Die Patches zum Ausgleichen von Modellschwächen verschwinden nach und nach, beispielsweise das Zurücksetzen des Modells, wenn es bei langen Aufgaben den Faden verliert. Gleichzeitig wachsen die Komponenten, die den sicheren und kontinuierlichen Betrieb von Agenten über mehrere Stunden hinweg stützen, stetig weiter: Dazu gehören die Protokollierung aller durchgeführten Aktionen, die Einschränkung der zugänglichen Ressourcen und die Verwaltung der Integration neuer Tools. Das Harness entwickelt sich zu etwas Ähnlichem wie einem Betriebssystem.
DeepSeek Harness ist derzeit das offenste Harness eines großen Technologieunternehmens, befindet sich aber noch in einem frühen Stadium. Es ist das einzige Harness eines Großunternehmens, das externen Entwicklern erlaubt, den Agentenzyklus selbst zu ersetzen. Es unterliegt der MIT-Open-Source-Lizenz und kann auch Modelle anderer Unternehmen einbinden. Derzeit handelt es sich jedoch noch um eine Entwicklervorschauversion, die noch keine externe Sicherheitsprüfung durchlaufen hat. Sein Vorteil liegt im hohen Umgestaltungspotenzial, nicht in der sofort einsatzbereiten Leistung.
Für allgemeine Harness gibt es keine Chancen mehr für Startups. Die Patches werden von leistungsstärkeren Modellen absorbiert. Die wirklich langlebigen Komponenten entwickeln sich zu einer Infrastruktur auf Betriebssystemebene: Modellanbieter haben sowohl den Anreiz, sie selbst zu entwickeln, als auch die Möglichkeit, Harness und Modell gemeinsam zu optimieren. Große Unternehmen haben Harness quelloffen gemacht und den Preis für allgemeine Harness auf Null gedrückt. Falls es noch Chancen gibt, liegen diese eher in vertikalen Szenarien auf dem Harness aufbauend – etwa branchenspezifische Tools, Daten und Arbeitsabläufe – als im Harness selbst.
01 Ein Harness, das sich selbst Plugins installiert
Am 2. November hat DeepSeek den Creator Mode für DeepSeek Harness veröffentlicht. Nutzer beschreiben das gewünschte Plugin in einfachen Worten, der Agent ermittelt zunächst seine eigene Laufzeitumgebung, schreibt dann Code, installiert das Plugin und führt Tests durch – alles in einem durchgehenden Ablauf. In der offiziellen Demonstration entstanden unter anderem ein Design-Arbeitsplatz, ein 3D-Modell-Viewer und ein kleines Sandbox-Spiel.
Die meisten Softwareprodukte können sich im laufenden Betrieb nicht sicher selbst „ergänzen“. Betriebssysteme tun dies täglich: Sie laden Treiber, starten und stoppen Dienste und deinstallieren sie nach der Nutzung – alles ohne Neustart.
Laut Angaben von DeepSeek wurde Harness am 13. August veröffentlicht. In weniger als drei Monaten erreichte die Zahl der täglich aktiven Nutzer am 4. November 1,54 Millionen, die der monatlich aktiven Nutzer 5,48 Millionen. Diese Nutzer verbrauchen täglich etwa 92 Billionen Token und haben insgesamt rund 35.000 Plugins erstellt.
Nach vergleichbaren wöchentlichen Durchschnittswerten ist die Zahl der täglich aktiven Nutzer innerhalb von vier Wochen um das 5,2-fache gestiegen; nach der Veröffentlichung des Modells V4.1-Flash-1017 am 17. Oktober verlief die Wachstumskurve deutlich steiler.
Der durchschnittliche Verbrauch pro Nutzer blieb nahezu unverändert. Die Grafik von DeepSeek zeigt, dass am 30. September täglich etwa 16 Billionen Token von 271.000 Nutzern verbraucht wurden – das entspricht fast 60 Millionen Token pro Nutzer, ein Wert, der im November unverändert ist. Das Wachstum beruht auf dem Zustrom neuer Nutzer, nicht darauf, dass alte Nutzer immer mehr verbrauchen.
Unsere Einschätzung
Das Agenten-Harness teilt sich derzeit in zwei Teile auf. Die Hälfte, die Patches für das Modell bereitstellt, schrumpft, während die andere Hälfte, die den sicheren Betrieb des Agenten gewährleistet, zu einem Betriebssystem heranwächst.
Unter Patches versteht man beispielsweise das Zurücksetzen des Modells, wenn es bei langen Aufgaben den Faden verliert. Mit jeder neuen Modellgeneration wird eine Reihe von Patches überflüssig. Der betriebssystemähnliche Teil hingegen ist für jeden langfristig laufenden Agenten unverzichtbar: eine Aufzeichnung aller durchgeführten Aktionen, ein Regelwerk dafür, auf welche Ressourcen zugegriffen werden darf und welche nicht, sowie ein Mechanismus zum Hinzufügen neuer Tools. Die meisten Labore sind sich weitgehend einig darüber, wie dieser Teil aufgebaut werden soll – der Streitpunkt liegt darin, wer das Recht hat, ihn zu verändern. DeepSeek erlaubt fast jedem, beliebige Komponenten zu ersetzen, und wir gehen davon aus, dass andere Labore innerhalb eines Jahres in diese Richtung gehen werden. Bislang ist unklar, ob Nutzer das DeepSeek-System an Modelle anderer Anbieter anschließen werden, oder ob es nur für DeepSeeks eigene Modelle verwendet wird.
02 Je leistungsfähiger das Modell, desto dünner wird das Harness?
Allein durch Anpassungen des Harness kann sich die Punktzahl desselben Modells um 16 bis 25 Punkte verändern. Ein großer Teil des Harness dient jedoch dazu, Modellschwächen zu verdecken – sobald sich das Modell verbessert, verliert dieser Teil seine Gültigkeit.
Was ist ein Harness?
Die Labore folgen einer gemeinsamen Formel: Agent = Modell + Harness. Das Modell ist für Schlussfolgerungen und Generierung zuständig; das Harness umfasst alles außerhalb des Modells: den Zyklus zum wiederholten Aufruf des Modells, die verfügbaren Tools, die Verwaltung des Gedächtnisses und die Berechtigungen, die festlegen, was das Modell tun darf.
Wenn man das Modell mit einem Chirurgen vergleicht, ist das Harness der Operationssaal: mit Geräten, sterilen Bereichen, Prüflisten und der Krankenschwester, die für das Zählen der Tupfer zuständig ist. Je erfahrener der Arzt ist, desto weniger Erinnerungen braucht er – aber kein Krankenhaus wird deswegen den sterilen Bereich abschaffen. Der Begriff „Harness-Engineering“ wurde durch einen Artikel von OpenAI im Februar bekannt, in dem ein Produkt mit etwa einer Million Zeilen Code beschrieben wurde, von denen keine einzige von Menschen geschrieben wurde. Das Schutzsystem beeinflusst das Ergebnis.
Laut OpenAI stieg die Punktzahl von GPT-5.6 Sol auf ARC-AGI-3 durch reine Anpassungen des Harness von 13,3 % auf 38,3 %, während der Token-Verbrauch auf ein Sechstel des ursprünglichen Wertes sank. Daten von Anthropic zeigen, dass die BrowseComp-Genauigkeit von 45,3 % auf 61,6 % stieg, nachdem Opus 4.6 die von Tools zurückgegebenen Inhalte selbst filterte.
Funktionen des Harness veralten mit der Zeit
Das typischste Beispiel von Anthropic ist das sogenannte „Kontextangst“. Sobald Claude Sonnet 4.5 merkte, dass es sich der Obergrenze des Kontexts nähert, neigte es dazu, die Arbeit oberflächlich abzuschließen. Deshalb fügte Anthropic im Harness eine Kontextzurücksetzung hinzu.
Bei Opus 4.5 verschwand dieses Problem, sodass der Zurücksetzmechanismus überflüssig wurde. Anthropic empfiehlt Entwicklern: Bei jedem neuen Modell sollte geprüft werden, welche Aufgaben das Harness nicht mehr erledigen muss.
Einige Funktionen werden möglicherweise in das Modell verlagert
Die meisten Harness verwalten das Gedächtnis mit festen Regeln, beispielsweise indem sie bei einer bestimmten Dialoglänge eine Zusammenfassung erstellen. Ende September veröffentlichten Forscher der University of Washington, des MIT und von Meta die Arbeit zu Context Language Models, bei der diese Aufgabe dem Modell selbst überlassen wird.
Dabei wird das aktuelle Kontext des Modells als Datei an es übergeben, die es beliebig verändern kann. Ohne zusätzliches Training erzielte diese Methode bei Qwen3.6-27B und GPT-5.6 Sol bei Langzeitaufgaben bessere Ergebnisse als bestehende Baselines und für spezifische Aufgaben angepasste Harness. Die Autoren geben an, dass der nächste Schritt darin besteht, die Harness-Strategien direkt in die Modellgewichte einzutrainieren.
Bei genauer Lektüre der Arbeit stellt sich jedoch heraus, dass einige Komponenten nicht verlagert werden. Das Harness muss nach wie vor das Kontext als Datei spiegeln und alle Änderungen vor der nächsten Runde synchronisieren. Die Autoren mussten zudem ein neues Cache-Verfahren namens Suffix Cache Reuse entwickeln, um zu vermeiden, dass bei jeder Änderung der gesamte Kontext neu berechnet werden muss. Da das Modell zudem sein eigenes Gedächtnis verändern kann, könnten injizierte bösartige Anweisungen dauerhaft gespeichert werden. Die Gedächtnisstrategie ist zwar in das Modell eingezogen, aber die Infrastruktur des Gedächtnisses und ihre Sicherheitsprobleme bleiben unverändert.
Zwei Arten von Harness
Wenn man die Funktionen des Harness nach ihrem Zweck einteilt, ergibt sich ein klares Muster. Die eine Art dient dazu, Modellschwächen auszugleichen: Kontextzurücksetzung, feste Komprimierungsregeln, Skripte zum Verketten von Tool-Aufrufen und Filter zum Aufbereiten von Tool-Ausgaben. Jede neue Modellgeneration macht einige dieser Funktionen überflüssig.
Die andere Art von Funktionen ist erforderlich, weil Agenten über lange Zeit auf echten Systemen laufen müssen: dauerhafte Ereignisprotokolle, Berechtigungen, die das Modell niemals umgehen kann, isolierte Ausführungsumgebungen für Code, Mechanismen zum Hinzufügen und Entfernen von Funktionen sowie Kostenkontrolle. Selbst bei stetiger Verbesserung der Modelle können diese Funktionen nicht ersetzt werden. Im Gegenteil: Je leistungsfähiger der Agent ist, desto länger und risikoreicher sind die ihm zugewiesenen Aufgaben – desto notwendiger sind diese Komponenten.
Die eigenen Richtlinien von Anthropic folgen genau dieser Einteilung, auch wenn sie oft als „Verschlankung des Harness“ interpretiert werden. Zwei der drei Grundsätze empfehlen, sich stärker auf das Modell zu verlassen und das Harness zu vereinfachen; der dritte legt jedoch klare Grenzen fest: Stabile Inhalte werden vorne platziert, um das Caching zu ermöglichen, hochriskante Operationen werden zu typisierten Tools umgewandelt, sodass das Harness sie abfangen, protokollieren und prüfen kann. Die in derselben Woche veröffentlichte Laufzeitumgebung Managed Agents ist deutlich größer als der ursprüngliche Zyklus von Claude Code. Anthropic vereinfacht die Logik des Harness, erweitert gleichzeitig aber seine Infrastruktur.
03 Der verbleibende Teil ist das Betriebssystem
Der langfristig bleibende Teil des Harness übernimmt vier Aufgaben, die genau denen entsprechen, die ein Betriebssystem für Programme auf einem Computer erledigt:
▪ Sich merken, was der Agent getan hat (Speichern des Zustands)
▪ Festlegen, auf welche Ressourcen der Agent zugreifen darf (Ausführungsberechtigungen)
▪ Ausführen von risikoreichem Code in einer isolierten Umgebung (isolierte Ausführung)
OpenAI, Anthropic, Google und DeepSeek verfolgen bei den ersten drei Punkten bereits ähnliche Ansätze. Der Unterschied liegt im vierten Punkt: Wie viele Funktionen externe Entwickler zum Harness hinzufügen und wie viele Komponenten sie ersetzen können. In dieser Hinsicht ist DeepSeek am offensten.
All dies geschieht sehr schnell. In weniger als zehn Monaten haben alle vier Labore ihr Harness für externe Entwickler geöffnet. Anthropic Managed Agents war im April das erste Produkt, das das Gedächtnis und die Berechtigungen von Agenten zu unabhängigen Diensten machte. DeepSeek stieg erst im August als letztes Unternehmen ein, bietet aber den höchsten Offenheitsgrad.
Konsens: Zustand und Berechtigungen
Beide Labore sind zu derselben Antwort gekommen, wo der Zustand gespeichert werden soll. In DeepSeek Harness ist eine Sitzung ein nur ergänzendes, nicht veränderbares typisiertes Ereignisprotokoll, aus dem die Historie des Modells rekonstruiert wird. Deshalb werden zum Wiederherstellen, Verzweigen und Wiedergeben immer dieselbe Aufzeichnung verwendet. Auch Anthropics Managed Agents pflegen dasselbe Protokoll, das außerhalb von Harness und Sandbox liegt.
Das Harness selbst speichert keinen Zustand. Jede Kopie kann über vier kleine Schnittstellen jede beliebige Sitzung übernehmen: getEvents(), wake(sessionId), emitEvent() und execute(name, input). Der App Server von OpenAI verwendet eine dreistufige Verschachtelung aus Threads, Runden und Einträgen, was zu ähnlichen Ergebnissen führt.
Für Anthropic hat sich diese Aufteilung schnell ausgezahlt. Jetzt wird der Container nur gestartet, wenn die Aufgabe ihn wirklich benötigt. Die Latenzzeit für das erste Token bei typischen Anfragen sinkt um etwa 60 %, bei den langsamsten Anfragen sogar um mehr als 90 %.
Auch bei der Zugriffskontrolle gibt es einen gemeinsamen Konsens. In DeepSeek Harness durchläuft jeder Tool-Aufruf eine Richtlinienprüfung: Das Modell stellt nur die Anfrage, die Laufzeitumgebung entscheidet über die Genehmigung. Ein Hinweis im Prompt wie „nur Dateien lesen“ zählt nur als Vorschlag, nicht als festgelegte Grenze. Anthropic lässt Anmeldeinformationen erst gar nicht in die Sandbox gelangen – selbst wenn der Agent kompromittiert wird, gibt es keine Schlüssel, die durchsickern können. Beide Designs vertrauen nicht auf die Selbstdisziplin des Modells – genau so, wie ein Betriebssystem mit Programmen umgeht.
Streitpunkt: Wer hat das Recht, das System zu verändern?
Der echte Streitpunkt liegt bei der Erweiterbarkeit. Claude Code und Codex erlauben Entwicklern, auf einem festen Kernel aufzubauen: Skills, Hooks, MCP-Server und Unteragenten hängen über dem Zyklus, dem Sitzungsspeicher und der Modellbindung – drei Komponenten, die vollständig in der Hand des Anbieters liegen. OpenAI hat die Codex-Laufzeit im August unter der Apache-2.0-Lizenz quelloffen veröffentlicht, aber sie ist als stabiles Protokoll zur Einbettung von Codex in andere Produkte gedacht, nicht als Baustein, um das gesamte System neu zusammenzustellen. Google verwendet dasselbe Harness für fünf Produkte und hat es speziell für Gemini optimiert.
DeepSeek hingegen hat fast alle Komponenten austauschbar gemacht. Modelladapter, Tools, Sitzungen, Sandbox, Speicher, Scheduler und die Benutzeroberfläche – sogar der Agentenzyklus selbst – sind Plugins, die auf einem kleinen Kernel namens Cordis laufen. Plugins entdecken sich gegenseitig über benannte Dienste wie ctx.llm oder ctx.tools, und welche geladen werden, wird über eine Konfigurationsdatei festgelegt.
Das ist der Unterschied zwischen einer „Anwendung mit Erweiterungsstore“ und einem „Betriebssystem mit Treibern“.
Warum ist ein Labor bereit, das System so weit zu öffnen? Weil DeepSeeks Geschäft nicht auf dem Harness beruht. Das Unternehmen verkauft Token und seit dem 1. November auch Tool-Aufrufe: Die Such- und Crawling-API kostet 0,75 US-Dollar pro tausend Anfragen, auch Anfragen aus Claude Code und Codex werden berechnet. Labore, deren Gewinn aus dem Endprodukt stammt, bauen ihre Wettbewerbsvorteile auf geschlossenen Harness auf. Labore, deren Gewinn auf der unterliegenden Infrastruktur beruht, profitieren mehr von einem offenen Harness – genau wie Google damals Android kostenlos verteilt hat, um