Klassische Software wird für Menschen gebaut, die durch
Oberflächen klicken, oder für Entwickler, die REST-APIs
ansprechen. Mit Large Language Models kommt ein neuer erster
Nutzer hinzu: die KI selbst. Daraus folgt die These, dass sich
SaaS-Anbieter zu Harness-Anbietern entwickeln. Ihre Software
bleibt der Ort, an dem Fachlogik, Konnektivität und Ergebnisse
liegen, wird aber so gebaut, dass ein beliebiges Modell sie über
Tool Calls bedienen kann. Gleichzeitig spricht viel dafür, dass
MCP mittelfristig REST und GraphQL als bevorzugte Schnittstelle
ablöst, weil Modelle sie am besten verstehen.
Ein Modell wie Opus, Gemini oder GPT kann für sich genommen nur
Text entgegennehmen und mit einer gewissen Wahrscheinlichkeit
Text zurückgeben. Es merkt sich nichts zwischen zwei Anfragen,
kann keine Datei lesen und keine Verbindung zu einem Server
aufbauen. Alles, was ein Modell darüber hinaus nutzbar macht,
fasst der Begriff Harness zusammen, wörtlich das Geschirr oder
Trapez, das beim Kitesurfen die Kraft des Schirms auf den Körper
überträgt. Daher die Formel Agent gleich Modell plus Harness.
Der Harness ist deterministische Software. Er verwaltet den
Kontext, der bei jeder Anfrage vollständig neu an das Modell
geht, und komprimiert ihn per Compaction, wenn das Kontextfenster
vollläuft. Er registriert Tools, deren Namen und Parameter als
JSON Schema im Kontext stehen, und übersetzt die Textantwort des
Modells in einen echten Funktionsaufruf, etwa um einen OPC UA
Client zu konfigurieren und mit einem Server zu verbinden. Das
Ergebnis fließt zurück ins Modell, das im agentischen Loop
weiterarbeitet, bis die Aufgabe erledigt ist oder eine
Abbruchbedingung greift. Ein guter Harness engt dabei den
Lösungsraum ein, gibt bei fehlerhaften Parametern gezielt
Feedback und fragt bei Mehrdeutigkeiten per Elicitation beim
Nutzer nach. So werden auch kleinere, günstigere Modelle
brauchbar.
Über das Model Context Protocol, kurz MCP, hängen mehrere
domänenspezifische Harnesses, etwa für Industriedigitalisierung,
CRM, Kalender oder E-Mail, gleichzeitig an einem austauschbaren
Modell. An dieser Grenze wird von probabilistisch auf
deterministisch umgeschaltet: Validierung und Berechtigungen
lassen sich dort verbindlich durchsetzen, während Anweisungen im
Prompt immer nur Wahrscheinlichkeiten verschieben. Wer Modell,
Schnittstelle und Harness heute sauber trennt, kann später auf
ein lokal betriebenes Open-Weight-Modell wechseln und sensible
Daten im eigenen Haus halten, ohne an Eurer Lösung etwas zu
ändern.
---
Einfach Komplex ist ein Podcast von Heisenware.
Weitere Infos und ein kostenloser Test:
https://heisenware.com/einfach-komplex
Kontakt: podcast@heisenware.com
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.