Science & Technology

This Meta-Harness Changes How You Run AI Agents

by Prompt Engineering

📚 Temas principales

El problema de los agentes aisladosCada agente tiene su propio historial, herramientas e interfaz, así que las personas terminan copiando contexto entre ellos. Un meta-harness coloca una capa común sobre distintos harnesses para que puedan compartir sesiones. 0:00
Arquitectura de OmniGentOmniGent combina agentes configurables, un runner que los ejecuta en sesiones aisladas y un servidor que gestiona historial, políticas, herramientas y artefactos. La misma sesión se puede usar desde la terminal, la web, una aplicación de escritorio, el móvil o una API. 2:03
Composición y colaboración entre agentesLos agentes se pueden configurar y combinar para planificar, delegar tareas y revisar código con otro proveedor. Polly coordina agentes de programación y Debbie permite comparar respuestas y debatir ideas. 3:36
Controles, seguridad y colaboraciónLas acciones pueden permitirse, denegarse o requerir aprobación; los agentes trabajan dentro de un sandbox y no acceden directamente a las claves secretas. También se pueden compartir sesiones para que otras personas observen o participen. 5:40
Demostración prácticaEl presentador usa OmniGent para crear una aplicación web de generación de imágenes con Gemini, con Claude Code implementando y Codex revisando los cambios de forma independiente. 9:12

✨ Conclusiones clave

Una sesión compartidaEl historial y los archivos pertenecen a la capa de orquestación, no a un harness específico, por lo que se puede continuar el trabajo desde distintas interfaces. 3:05
Revisión independienteSeparar la implementación de la revisión permite que un agente de otro proveedor examine los cambios y devuelva problemas para corregirlos. 4:15
Políticas y presupuestosOmniGent ofrece controles sobre herramientas y acciones, además de límites de coste por sesión o por usuario y seguimiento del consumo de tokens. 11:40

🧠 Lecciones aprendidas

Delegar según las capacidadesUna capa de orquestación permite elegir distintos harnesses para planificar, implementar y verificar, sin construir toda la lógica de coordinación desde cero. 4:06
La seguridad debe imponerse fuera del promptLas restricciones sobre herramientas, archivos, red y secretos se aplican mediante el sandbox y las políticas de la capa, no solo mediante instrucciones al agente. 6:13
La revisión puede mejorar el resultadoEn la demostración, Codex detecta problemas en la implementación, que se devuelven a Claude Code para corregirlos y probarlos de nuevo. 12:56

🏁 Conclusión y próximos pasos

Proyecto prometedor, aún tempranoOmniGent es de código abierto y puede personalizarse, aunque el presentador advierte que todavía podría requerir ajustes. Recomienda explorarlo y anticipa que la orquestación entre distintos harnesses será cada vez más importante. 13:26

prompt engineering Prompt Engineer LLMs AI artificial Intelligence Llama GPT-4 fine-tuning LLMs

Transcript excerpt

0:00 Most of us don't use a single AI agent. We use multiple of them for different purposes because each one of them have their own capabilities. But none of them can see each other. You are the one connecting them. Copy, paste, and repeat. Now, every agent is trapped in its own box, but what if they were not? Now, an agent today is basically the model plus the harness. A model on its own just predicts text. A harness is everything wrapped around it

0:30 that gets the work done. It usually includes agent loop, tools, memories, and a UI. Codex, Cloud, Code, Pi, each one is a harness with similar ideas, but very different implementations. And different capabilities. Now, line up the agents that you actually use. The here are four different harnesses side by side. Each one has its own memory, its own UI, its own tools. And no harness can see the other one. No shared session, no shared history. Now, we usually work simultaneously in most

1:02 of them, but what if you can put everything under a single roof? Now, if you build agents on top of them, the wall hurts from the other side. When a better model ships, say a new SDK or a stronger harness, to adopt it, you replumb everything you built and the cost climbs. You are basically locked to the layer you started on. Now, but if you look closer at any harness, however different they are from the inside, everyone speaks the same language on the outside. There are messages and files

🔒 The full, searchable transcript is available with Pro.

Suggestions