"Agent = Model + Harness": Istilah Baru yang Menentukan Seberapa Pintar AI Agent Bekerja

Istilah harness kini menjadi kosakata wajib di kalangan pengembang kecerdasan buatan. Secara ringkas, agent harness adalah seluruh software yang membungkus model bahasa besar (LLM) sehingga model tersebut bisa bertindak sebagai agent: membaca file, menjalankan perintah, memanggil API, mengingat konteks, lalu memeriksa hasil kerjanya sendiri sebelum menyatakan tugas selesai.

Komunitas AI merangkum gagasan ini dalam satu rumus sederhana: Agent = Model + Harness. Model berperan sebagai otak yang bernalar, sedangkan harness adalah tangan, mata, ingatan, dan aturan main yang membuat otak itu bisa bekerja di dunia nyata. Ada pula ungkapan yang kerap dikutip, kurang lebih berbunyi: segala sesuatu yang bukan model adalah harness. Istilah ini makin populer setelah Mitchell Hashimoto, salah satu pendiri HashiCorp, menulis tentang "harness engineering" dalam catatan alur kerja AI-nya pada Februari 2026. Artikel ini menjelaskan konsep tersebut dari dasar, lengkap dengan contoh dan implikasinya bagi pengembang maupun pelaku bisnis.

Komponen Harness	Fungsi	Contoh Nyata
System prompt & aturan	Menentukan perilaku dasar agent	File CLAUDE.md atau AGENTS.md di proyek
Tools	Memberi kemampuan bertindak	Baca/tulis file, terminal, web search, browser
Memori & manajemen konteks	Menyimpan, memilih, dan meringkas informasi	Kompaksi percakapan, catatan proyek
Agent loop	Siklus berpikir, bertindak, mengamati	Agent mengulang sampai tugas selesai
Lingkungan eksekusi	Tempat aksi dijalankan	Terminal lokal, container, sandbox cloud
Izin & guardrail	Membatasi aksi berisiko	Minta persetujuan sebelum menghapus file
Verifikasi	Memastikan hasil benar	Menjalankan tes, linter, atau build
Observability	Melacak dan men-debug langkah agent	Log, trace, riwayat sesi

Dari Chatbot ke Agent: Mengapa Istilah Ini Muncul

Pada awal populernya ChatGPT, interaksi dengan AI sebagian besar berupa tanya-jawab. Pengguna mengetik pertanyaan, model menjawab, selesai. Dalam pola seperti ini, kualitas model hampir sepenuhnya menentukan kualitas hasil.

Situasinya berubah ketika AI mulai diberi tugas yang lebih panjang, misalnya memperbaiki bug di proyek berisi ratusan file, menyusun laporan dari puluhan sumber, atau mengisi formulir di beberapa situs. Tugas seperti itu menuntut AI untuk mengambil langkah, melihat hasilnya, lalu memutuskan langkah berikutnya, berulang kali. Di sinilah kebutuhan akan sistem pendukung yang matang muncul.

Sebenarnya gagasan ini tidak sepenuhnya baru. Pengembang sudah bertahun-tahun membangun wrapper, scaffold, dan lingkungan eksekusi di sekitar model. Yang baru adalah kesadaran bersama bahwa lapisan ini layak diberi nama sendiri dan dirancang dengan serius, karena dampaknya terhadap hasil akhir sangat besar.

Mengapa Model Saja Tidak Cukup

Model bahasa pada dasarnya bersifat stateless. Ia menerima teks sebagai masukan dan menghasilkan teks sebagai keluaran. Model tidak bisa membuka folder proyek, menjalankan tes, membaca email, atau mengingat pekerjaan kemarin tanpa bantuan dari luar. Semua kemampuan itu disediakan oleh harness.

Inilah sebabnya model yang sama bisa terasa sangat berbeda ketika dipakai di aplikasi yang berbeda. Kualitas tools, cara konteks dipilih dan diringkas, kejelasan aturan, serta mekanisme verifikasi ikut menentukan apakah agent bekerja rapi atau justru tersesat di tengah tugas. Dengan kata lain, mengganti model ke versi paling canggih belum tentu memperbaiki agent yang harness-nya buruk.

Analogi sederhananya adalah mesin dan mobil. Mesin yang bertenaga tidak akan berguna tanpa sasis, roda, kemudi, rem, dan dasbor. Harness adalah semua bagian mobil di luar mesin, dan bagian itulah yang menentukan apakah tenaga mesin bisa disalurkan dengan aman ke jalan.

Cara Kerja Agent Loop

Inti dari setiap harness adalah perulangan yang disebut agent loop. Alurnya kurang lebih sebagai berikut:

1. Harness menyusun konteks: instruksi pengguna, aturan proyek, riwayat percakapan yang relevan, dan daftar tools yang tersedia.
2. Konteks tersebut dikirim ke model.
3. Model memutuskan langkah berikutnya, misalnya "baca file config.js" atau "jalankan npm test".
4. Harness memeriksa apakah aksi tersebut diizinkan. Untuk aksi berisiko, harness bisa meminta persetujuan pengguna terlebih dahulu.
5. Harness mengeksekusi aksi di lingkungan yang sudah ditentukan.
6. Hasil eksekusi dikembalikan ke model sebagai observasi baru.
7. Siklus berulang sampai model menyatakan tugas selesai, mencapai batas tertentu, atau dihentikan pengguna.

Kualitas sebuah harness terlihat dari seberapa baik setiap tahap di atas ditangani. Misalnya, apakah hasil perintah yang sangat panjang dipotong dengan cerdas, apakah kesalahan dikembalikan ke model dengan pesan yang jelas, dan apakah agent punya cara untuk memastikan pekerjaannya benar sebelum berhenti.

Membedah Komponen Harness Satu per Satu

System prompt dan aturan. Ini adalah instruksi dasar yang selalu dibawa agent di setiap sesi. Di banyak coding agent, aturan khusus proyek disimpan dalam file seperti CLAUDE.md atau AGENTS.md, berisi struktur proyek, perintah build, dan konvensi penulisan kode.

Tools. Inilah yang membedakan agent dari chatbot. Melalui tools, agent bisa membaca dan menulis file, menjalankan terminal, memanggil API, mencari di web, atau mengendalikan browser. Standar seperti Model Context Protocol (MCP) memudahkan penambahan tools baru dari layanan pihak ketiga.

Memori dan manajemen konteks. Jendela konteks model terbatas. Harness bertugas memilih informasi apa yang perlu dimasukkan, meringkas percakapan yang terlalu panjang, dan menyimpan catatan yang perlu diingat lintas sesi. Praktik ini sering disebut context engineering.

Lingkungan eksekusi. Agent membutuhkan tempat untuk bekerja, bisa berupa terminal di laptop pengguna, container terisolasi, atau sandbox di cloud. Pilihan lingkungan ini berpengaruh besar terhadap keamanan.

Izin dan guardrail. Harness menentukan tools mana yang boleh dipakai tanpa bertanya, mana yang memerlukan persetujuan, dan mana yang sepenuhnya dilarang. Aksi berdampak besar seperti menghapus data, mengirim email, atau melakukan transaksi umumnya diarahkan ke persetujuan manusia.

Verifikasi. Agent yang baik tidak sekadar mengerjakan, tetapi juga memeriksa. Harness bisa mendorong agent menjalankan tes, linter, atau build setelah mengubah kode, sehingga kesalahan tertangkap sebelum sampai ke pengguna.

Observability. Ketika agent melakukan puluhan langkah, pengembang perlu bisa melacak apa yang terjadi di setiap langkah. Log dan trace memudahkan proses debug ketika agent mengambil keputusan yang keliru.

Contoh Harness yang Sudah Dipakai Sehari-hari

Banyak developer sebenarnya sudah memakai harness tanpa menyadarinya. Kategori yang paling mudah dikenali adalah coding agent:

• Claude Code dari Anthropic, yang bekerja di terminal, IDE, dan aplikasi desktop.
• Codex CLI dari OpenAI, coding agent berbasis terminal yang dapat dikonfigurasi.
• OpenCode, coding agent open source yang bisa disambungkan ke banyak penyedia model, termasuk model lokal.
• Pi, proyek open source yang secara eksplisit memposisikan diri sebagai agent harness yang ringkas dan mudah diperluas.

Menariknya, beberapa harness di atas bisa memakai model yang sama, tetapi menghasilkan pengalaman kerja yang berbeda. Perbedaan itu datang dari desain tools, cara mengelola konteks, mode izin, dan alur kerja yang ditawarkan.

Di luar coding, framework seperti LangChain atau berbagai Agent SDK dipakai untuk membangun harness sendiri, misalnya untuk bot layanan pelanggan, otomasi pemrosesan dokumen, asisten riset, atau agent yang bekerja di aplikasi chat seperti Telegram dan WhatsApp.

Harness, Framework, dan Runtime: Apa Bedanya?

Ketiga istilah ini sering tumpang-tindih dan bahkan dipakai bergantian oleh sebagian vendor. Secara umum, framework adalah pustaka atau kumpulan komponen untuk membangun agent. Runtime adalah lingkungan tempat agent dijalankan dan dikelola. Sementara harness merujuk pada keseluruhan sistem di sekitar model yang membuatnya bekerja sebagai agent, termasuk aturan, tools, loop, dan pengaman.

Rumus "Agent = Model + Harness" sendiri lebih tepat dipahami sebagai cara berpikir, bukan standar industri yang baku. Nilainya terletak pada pergeseran fokus: dari sekadar memilih model terbaik menjadi merancang sistem yang membuat model bekerja dengan baik.

Apa Itu Harness Engineering

Harness engineering adalah praktik merancang dan terus memperbaiki lingkungan kerja agent. Dalam praktiknya, ini mencakup hal-hal seperti menulis aturan proyek yang jelas, menyediakan perintah tes yang mudah dijalankan agent, membuat tools khusus untuk tugas yang berulang, serta menambahkan pengecekan otomatis yang langsung memberi tahu agent ketika ia melakukan kesalahan.

Prinsip yang sering dipegang: setiap kali agent membuat kesalahan, jangan hanya memperbaiki hasilnya, tetapi perbaiki lingkungannya agar kesalahan yang sama tidak terulang. Misalnya dengan menambahkan aturan baru di file instruksi proyek, atau membuat skrip yang memvalidasi format keluaran. Dengan pendekatan ini, kualitas agent meningkat secara bertahap tanpa harus menunggu model baru.

Risiko Keamanan yang Perlu Diwaspadai

Harness adalah titik tempat agent menyentuh dunia nyata: file, terminal, API, dan internet terbuka. Karena itu, harness juga menjadi bagian dari permukaan serangan. Beberapa risiko yang perlu diperhatikan:

• Prompt injection, yaitu instruksi tersembunyi di halaman web, dokumen, atau email yang mencoba membajak perilaku agent.
• Akses berlebihan, ketika agent diberi izin lebih luas dari yang dibutuhkan, misalnya akses ke seluruh sistem file atau kredensial produksi.
• Kebocoran data, ketika agent tanpa sengaja mengirim informasi sensitif ke layanan luar.
• Kode tidak aman, karena kode buatan AI tetap perlu ditinjau seperti kode buatan manusia.

Prinsip pengamannya sederhana: berikan izin seminimal mungkin, jalankan agent di lingkungan terisolasi bila memungkinkan, wajibkan persetujuan manusia untuk aksi berisiko tinggi, dan selalu tinjau hasil kerja agent sebelum dipakai di produksi.

Mengapa Penting untuk Bisnis

Bagi perusahaan yang ingin memakai AI agent di lingkungan produksi, harness adalah tempat keamanan dan keandalan dibangun. Di lapisan inilah ditentukan tools apa saja yang boleh dipakai, data mana yang boleh diakses, aksi apa yang wajib disetujui manusia, dan bagaimana setiap langkah dicatat untuk keperluan audit.

Harness yang buruk bisa membuat agent tampil cemerlang saat demo, tetapi gagal ketika dipakai sungguhan. Sebaliknya, harness yang dirancang matang membuat agent bisa diandalkan untuk pekerjaan berulang, mulai dari pengolahan dokumen, rekap laporan, hingga otomasi layanan pelanggan.

Cara Memilih Harness yang Tepat

Bagi pengguna individu maupun tim, beberapa pertanyaan berikut bisa menjadi panduan saat memilih harness atau coding agent:

• Apakah harness mendukung model yang ingin dipakai, termasuk opsi model lokal bila privasi menjadi prioritas?
• Seberapa jelas dan fleksibel pengaturan izinnya?
• Apakah tersedia mode perencanaan sebelum agent mengubah sesuatu?
• Apakah bisa ditambah tools baru, misalnya lewat MCP?
• Bagaimana riwayat sesi dan log disimpan?
• Apakah harness bersifat open source sehingga cara kerjanya bisa diperiksa?

Pertanyaan yang Sering Diajukan

Apakah harness sama dengan prompt? Tidak. Prompt hanyalah salah satu komponen harness. Harness juga mencakup tools, memori, loop, izin, dan verifikasi.

Apakah harus bisa coding untuk memakai harness? Tidak selalu. Banyak harness siap pakai seperti Claude Code atau OpenCode yang bisa digunakan dengan instruksi bahasa sehari-hari. Kemampuan coding baru dibutuhkan ketika ingin membangun harness sendiri.

Mana yang lebih penting, model atau harness? Keduanya saling melengkapi. Model menentukan batas kemampuan bernalar, sedangkan harness menentukan seberapa besar kemampuan itu bisa dimanfaatkan secara andal.

Kesimpulan

Agent harness adalah segala hal di luar model yang membuat AI bisa bekerja: aturan, tools, memori, agent loop, lingkungan eksekusi, izin, verifikasi, dan pemantauan. Saat memilih atau membangun AI agent, pertanyaannya bukan hanya "model apa yang dipakai", tetapi juga "seberapa baik harness-nya".

Seiring AI agent makin banyak dipakai di pekerjaan nyata, kemampuan merancang harness yang baik diperkirakan akan menjadi keterampilan penting bagi pengembang, setara dengan kemampuan memilih dan memakai model itu sendiri.