Seu Agente Não É o Modelo: Harness vs Serviço de Inferência Explicados
As pessoas frequentemente falam sobre o Claude como se fosse uma entidade única, mas um agente de IA é uma pilha de três camadas distintas. Saber a diferença economiza horas de depuração — quando algo dá errado, você precisa saber se deve culpar o modelo, o serviço ou a lógica ao redor.
As Três Camadas
- Modelo — a função matemática que transforma tokens de entrada em tokens de saída. Exemplos: Sonnet, Opus, Gemini.
- Serviço de inferência — o serviço hospedado que executa o modelo e rastreia o uso. Exemplos: AWS Bedrock, API da Anthropic.
- Harness — a lógica que molda entradas, interpreta saídas e interage com o mundo externo. Isso inclui MCP e Skills — o modelo não os conhece inerentemente.
Juntos, um sistema de agente é um harness que chama um serviço de inferência, que executa um modelo. É isso.
Detalhamento do Mundo Real
| Sistema de Agente | Harness | Serviço de Inferência | Modelo |
|---|---|---|---|
| Claude Desktop | UI + MCP + lógica local | Serviço de inferência da Anthropic | Sonnet / Opus / Haiku |
| Claude CLI | Análise de ferramentas + E/S de arquivo | Serviço de inferência da Anthropic | Sonnet / Opus / Haiku |
| Cursor | Montagem de contexto + roteamento de ferramentas | Camada de inferência do Cursor | Sonnet / GPT / Gemini |
| Agente LangChain personalizado | Modelos de prompt + definições de ferramentas | Bedrock, OpenAI, etc. | Seu modelo escolhido |
O mesmo modelo (digamos, Sonnet) pode se comportar de maneira diferente dependendo do harness — porque o harness molda entradas e interpreta saídas. É por isso que seus prompts funcionam no Claude CLI, mas não no Cursor.
Depuração com Este Modelo Mental
- Respostas ruins? Olhe para o harness — talvez ele não esteja fornecendo contexto suficiente.
- Muito lento ou caro? Verifique o serviço de inferência — preços e desempenho estão lá.
- Saída inesperada? O modelo está errado, ou o harness está alimentando-o com lixo?
O artigo também observa que, à medida que os modelos ficam mais inteligentes, parte da lógica do harness (como MCP ou Skills) pode se tornar obsoleta — então a maneira como construímos harnesses agora pode não envelhecer bem.
Na próxima vez que você disser "meu modelo fez X", pare e pergunte: foi o modelo, ou foi o harness orquestrando?
📖 Leia a fonte completa: Agentes de IA HN
👀 See Also
Três Habilidades Essenciais do OpenClaw para uma Configuração Estável: Memória, Segurança e Descoberta
Uma postagem no Reddit recomenda instalar primeiro três tipos específicos de habilidades do OpenClaw: uma habilidade de correção de memória para evitar perda de contexto, uma habilidade de verificação de segurança local para verificar código malicioso e um hub de descoberta curado para encontrar ferramentas mantidas.
Corrigindo Problemas de Autonomia do Agente OpenClaw: Arquivos de Habilidades, Seleção de Ferramentas e Configuração do Cron
Um desenvolvedor compartilha soluções para agentes OpenClaw que param de funcionar autonomamente após a configuração inicial. As principais correções incluem usar arquivos de habilidades externos em vez de instruções de chat, substituir ferramentas de navegador por ferramentas baseadas em API ou scripts Puppeteer, e configurar corretamente os trabalhos cron.
Caça ao Bug: Quedas do WireGuard e Incompatibilidade de MTU no GKE
Engenheiros da Lovable rastrearam erros de usuário a travamentos do anetd devido a um pânico de acesso concorrente a map na integração do WireGuard do Google e, em seguida, encontraram uma incompatibilidade secundária de MTU após desabilitar a criptografia.
Como Pequenos Modelos de Avaliação de Prompts Podem Enganar e Como Corrigi-los
Uma postagem no Reddit explica que prompts de avaliação para modelos pequenos frequentemente produzem resultados enganosos devido à ativação de vias cognitivas incorretas nos transformadores, especificamente identificando três modos distintos: recuperação factual, aplicação/seguimento de instruções e inferência emocional/empática.