Když si představíš AI agenta, pravděpodobně vidíš model — Claude, GPT nebo Gemini, který „něco dělá". Jenže čím dál víc platí opak. Agent není model. Agent je model plus obal, který ho drží při rozumu — nástroje, správa paměti, pravidla a kontrolní logika. Tomu obalu se říká harness a podle čerstvého výzkumu Nvidie je právě on tím, co rozhoduje o úspěchu nebo fiasku.
Čísla jsou napražká. Výzkumníci Nvidie vzali Claude Opus 5 a nechali ho řešit ARC-AGI-3, sadu 2D her bez instrukcí, kde si model musí sám přijít na pravidla a vyhrát. Bez harnessu dosáhl model 30 % — nejlepší výsledek ze všech testovaných modelů. Po nasazení vlastního harnessu s promyšlenou správou paměti a „supervizorem", který agenta usměrňoval, když zabředl? 100 %. Stejný model, žádný přeladěný mozek. Jen lepší obal.
V tomto článku ti ukážu, co přesně harness je, proč tvůrci agentů v praxi podceňují, a pět konkrétních nastavení, která aplikuješ dnes — ať už provozuješ agenty v Claude Code, Codexu, nebo ve vlastní integraci přes API.
Co je harness a proč není agent jen API modelu
„Svět interpretuje agenta skoro jako API modelu," říká Adel El Hallak, viceprezident produktu v AI divizi Nvidie. A právě tohle je podle něj zásadní omyl. Agent se skládá ze tří věcí:
- Model — mozek, který generuje rozhodnutí
- Harness — lešení kolem modelu: nástroje, kterým rozumí, správa paměti a kontextu, pravidla, kterými se řídí
- Runtime — prostředí, kde běží, včetně skillů a knihoven, ke kterým má přístup
Model bez harnessu umí jedna: odpovídat na prompt. Model s dobrým harnessem umí dokončit úkol, který se táhne hodiny nebo dny — tzv. long-horizon task, kde musí agent zřetězit desítky rozhodnutí, aniž by se ztratil.
A tady je ten háček pro tvou praxi: na dlouhých úkolech současné modely zoufale selhávají. Microsoft v dubnu 2026 otestoval 19 LLM na dlouhých úkolech typu editace dokumentů a všechny — včetně frontier modelů — výsledné dokumenty zaplnily chybami. Kdyby takovou práci odvedl člověk, byl by na místě vyhozen. Rozdíl mezi „model odpovídá hezky" a „agent dodal hotovou práci" nedělá model, ale harness.
Harness ovlivňuje i tvůj rozpočet, ne jen výkon
Než přejdeme k praxi, jeden ekonomický argument. Databricks v červenci 2026 zveřejnil výzkum, který ukázal, že volba harnessu dramaticky proměňuje náklady — u stejného modelu.
„Můžeš si vybrat stejný model, ale jiný harness, a s tím špatným zaplatíš výrazně víc," shrnul to CEO Databricks Ali Ghodsi. „Lidé si říkají: tohle je drahý model, tohle levný. Ale moment — jaký používáš harness? Ten sám o sobě zdvojnásobí tvé náklady."
Přeloženo do tvého světa: když ti agent žere tokeny a ty přemýšlíš o přechodu na levnější model, možná řešíš špatný problém. Špatně nastavený harness spálí rozpočet s jakýmkoli modelem.
Pět nastavení harnessu, která změní výsledky
Dobrá zpráva: nemusíš stavět vlastní harness od nuly, jako výzkumníci Nvidie (jejich experimentální AVO není produkt). Většinu následujících věcí zvládneš v nástrojích, které už používáš.
1. Spravuj paměť agenta aktivně, ne pasivně
Největší zabiják dlouhých úkolů je kontextové okno, které se pomalu plní sračkami. Model si po dvou hodinách práce pamatuje počáteční zadání stále hůř, začíná se opakovat nebo zapomíná, co už udělal.
Praktický postup:
- Externalizuj stav. Nech agenta psát průběžné poznámky o hotové práci do souboru (v Claude Code na to je paměť a plánovací soubory). Při zhuštění kontextu pak má ze čeho čerpat.
- Periodicky zhušťuj. Když se kontext blíží limitu, nech agenta shrnout hotové, otevřené a další kroky — a pokračuj ze shrnutí, ne z plné historie.
- Uchovávej seznam rozhodnutí. Proč agent zvolil cestu A a ne cestu B. Bez toho se při zhuštění ztratí důvody a agent se vrací k vyvrženým přístupům — přesně to, co Nvidiin supervizor řeší.
2. Přidej supervizora, který hlídá hlavního agenta
Nejzajímavější část výzkumu Nvidie není paměť, ale druhý agent v roli šéfa. Supervizor sleduje, co hlavní agent dělá, a zasáhne, když začne zabíhat:
- když zkoumá cestu, která vede do slepé uličky,
- když znovu objevuje cestu, kterou už dávno vyzkoušel a zavrhl,
- když se odchyluje od zadání.
V praxi to znamená: nespouštěj jednoho agenta napůl autonomně na celý den. Přidej vrstvu, která průběžně kontroluje trajektorii. V coding agentech to zvládneš paralelní relací, která číst diffy a plán a ruší/vzdoruje hlavnímu agentovi, když odbíhá. Ve vlastní integraci stačí pravidelné volání levnějšího modelu se sérií kontrolních otázek: Je agent stále na zadání? Neopakuje kroky? Je aktuální krok nejlevnější cestou k cíli? Podle Nvidie je tohle přesně mechanismus, který posunul skóre z 30 % na 100 %.
Mimochodem — i OpenAI přiznal, že pouhým doupravením dvou nastavení harnessu se skóre jeho modelů na stejném benchmarku ztrojnásobily (z méně než 10 %). Ano, pořád daleko za Nvidiiným výsledkem, ale se stejným modelem.
3. Omez nástroje, které agent dostane
Instinkt je dát agentovi maximum nástrojů, ať si vybere. Data říkají opak: každý nástroj v kontextu zvyšuje šanci, že agent sáhne po nesprávném — nebo nebezpečném — nástroji v nevhodnou chvíli.
Přemýšlej k úkolu, ne obecně: agentovi, který má upravovat obsah článků, nepotřebuješ dávat přístup k produkční databázi ani shell. Uzavřený sad nástrojů znamená méněways, jak agent selže, méně tokenů v promptu a levnější běh. Bonus: menší attack surface, když se v datech objeví prompt injection — tématu, které se v posledních týdnech opět rozvířilo (Grok četl šifrované instrukce a poslal data útočníkovi).
4. Zaveď kontrolní body s ověřitelným výstupem
Long-horizon úkol bez kontrolních bodů je modlitba. Rozděl práci na fáze s jasným, ověřitelným výstupem po každé z nich:
- Po refactoru: testy musí projít.
- Po editaci dokumentu: diff musí odpovídat zadání.
- Po researchi: poznámky musí obsahovat zdroje.
Když kontrolní bod neprojde, supervizor (viz bod 2) agenta vrátí nebo úkol eskaluje tobě. Tím pádem nezjistíš po osmi hodinách, že agent celou dobu budoval špatnou věc. Tento vzorec — agent píše, testy rozhodují — se přesněji blíží tomu, co ve výrobě skutečně funguje, než autonomní běh naslepo.
5. Měř náklady na úrovni harnessu, ne modelu
Když Databricks říká, že harness může zdvojnásobit cenu, znamená to, že optimalizace nákladů nepatří do výběru modelu, ale do struktury běhu:
- Sleduj počet volání na úkol, ne jen cenu za token. Deset průměrných běhů je dražší než jeden dobrý.
- Omez opakování. Agent, který se vrací ke stejným chybám, pálí tokeny do nekonečna — supervizor z bodu 2 je zároveň cost guard.
- Zhušťuj dřív, než musíš. Přetečení kontextu s násilným usemknutím historie je nejdražší způsob, jak ztratit práci.
Checklist: audita harnessu za 15 minut
Než pustíš agenta na příští dlouhý úkol, projdi si:
- Má agent explicitní místo, kam si ukládá mezivýsledky a rozhodnutí?
- Co ho zastaví, když se začne opakovat nebo odbíhat ze zadání?
- Kolik nástrojů má k dispozici — a o kolik z nich může přijít, aniž by přestal zvládat úkol?
- Kde jsou kontrolní body s ověřitelným výstupem?
- Víš, kolik tě stál poslední podobný běh — a proč zrovna tolik?
Když na tři a více otázek odpovíš „nevím", tvůj problém není model, ale harness.
Shrnutí
Výzkum Nvidie je další tečka za příběhu, který se rýsuje celý rok: výběr modelu je jen část rovnice, čím dál tím menší. Claude Opus 5 se stejným harnessem jako konkurence dosáhl 30 % — s promyšleným obalem 100 %. OpenAI doupravením dvou parametrů ztrojnásobil skóre bez dotyku modelu. Databricks ukázal, že stejný model s jiným harnessem stojí dvojnásobek.
Pro tebe to znamená jednoduchou věc: další čas, který investuješ do vyladění paměti, supervize a kontrolních bodů agenta, se vrátí rychleji než čekání na další generaci modelů. Ty se vymění jednou za rok. Harness vyladíš dnes odpoledne.
