A arquitetura de um AI harness é a infraestrutura de software construída em volta de um modelo de linguagem — ferramentas conectadas, memória, regras e verificação — que o transforma num agente capaz de executar trabalho real; um harness operacional aplica essa mesma arquitetura à operação inteira de uma empresa. Este artigo mostra como um roda em produção na prática. Porque a maioria das empresas ainda usa IA como ferramenta isolada: um chat aqui, um copilot ali, uma automação acolá. Ferramentas que não conversam entre si, que não lembram o que fizeram ontem, que não sabem o que o colega ao lado está fazendo. Isso não é usar IA. É colecionar IA.
O que separa uso casual de uso operacional é o harness — a infraestrutura que conecta, orquestra e governa os agentes de IA em um sistema coerente. É o que transforma ferramentas soltas em um sistema operacional. Na Capiva, construímos um. E ele roda em produção todo dia.
O que é AI Harness (e por que o modelo sozinho não basta)?
Mitchell Hashimoto — criador do Terraform e um dos engenheiros de infraestrutura mais respeitados da indústria — nomeou a disciplina em fevereiro de 2026: harness engineering. A fórmula que resume a categoria é da LangChain (Vivek Trivedy, março de 2026): Agent = Model + Harness. O modelo é o cérebro. O harness é todo o resto: ferramentas conectadas, memória persistente, regras de execução, guardrails, feedback loops, observabilidade.
Martin Fowler e Birgitta Böckeler, da Thoughtworks, levaram adiante com a taxonomia de guides and sensors — guides são as regras que direcionam o agente (o que fazer, o que não fazer), sensors são os mecanismos que detectam quando algo sai do esperado. Todo harness robusto precisa dos dois.
Isso não é teoria. A Deloitte reporta que 88% das empresas usam IA, mas só 29% conseguem ROI real. O gap é exatamente o harness. As empresas têm modelos. Não têm o sistema em volta.
O que este artigo descreve é um harness operacional — o padrão aplicado à operação de um negócio inteiro, não só ao código. A definição canônica desse conceito, com o diagnóstico de por que a maioria dos projetos de IA trava antes do P&L, está em harness operacional: a IA além do código. Este texto é o relato prático desse conceito rodando em produção.
Qual é a arquitetura harness que roda na Capiva?
Cada componente existe por um motivo operacional específico. Nada foi adicionado por curiosidade técnica. Descrevemos cada peça em essência — as ferramentas específicas que usamos hoje são intercambiáveis, e é justamente essa a característica de um harness bem projetado: o padrão sobrevive à troca de qualquer ferramenta. Um harness na sua empresa usa o SEU stack.
Claude Code CLI como interface primária
A maioria das pessoas usa IA em uma janela de chat no browser. Isso funciona para perguntas isoladas. Para trabalho contínuo — pesquisa, criação de conteúdo, código, análise, gestão de projetos — é insuficiente.
Claude Code é uma interface de linha de comando que integra diretamente com o filesystem, controle de versão, ferramentas de desenvolvimento e automação. O agente não está numa caixa. Está dentro do ambiente de trabalho. Lê arquivos, edita código, executa comandos, cria artefatos. A barreira entre "pedir para a IA" e "a IA fazer" desaparece.
Base de conhecimento como hierarquia de documentos
A base de conhecimento da Capiva não é um software — é um sistema de arquivos: milhares de documentos em texto plano (markdown), organizados por domínio, com metadata estruturada e mapas de conteúdo para navegação conceitual. Cada documento é indexável, linkável e pesquisável. Versionado por git. Nenhuma ferramenta proprietária no caminho: o agente lê a pasta diretamente.
Isso resolve um problema que toda empresa tem: conhecimento distribuído em 15 ferramentas diferentes, sem conexão entre elas. Numa hierarquia de documentos, tudo está em um lugar — decisões, transcripts de reuniões, especificações, aprendizados, estado de projetos — e qualquer editor serve para ler. O que importa não é o app; é o formato aberto e a estrutura. Texto plano estruturado é o denominador comum que toda IA e todo stack entendem.
Em junho de 2026, a Google Cloud publicou o Open Knowledge Format (OKF), spec aberta que formaliza exatamente esse padrão — o LLM-wiki pattern — como formato portátil de contexto curado para agentes. O harness da Capiva já rodava o padrão em produção antes da publicação. Não seguimos o framework; convergimos com ele — é o que acontece quando se projeta por padrões, não por ferramentas.
Busca híbrida: três técnicas em conjunto
Keyword search encontra o que você sabe que procura. Busca semântica encontra o que é relevante mesmo quando você não sabe as palavras certas. Um harness maduro combina as duas — e adiciona uma terceira camada de julgamento.
A recuperação de contexto na Capiva soma três técnicas que trabalham juntas: ranking por keywords (BM25) para precisão, embeddings vetoriais para similaridade semântica, e re-ranking por LLM para ordenar por relevância real à pergunta. O resultado: quando o agente precisa de contexto, encontra em segundos o documento certo entre milhares.
Isso é context engineering aplicado — o agente recebe o contexto certo, no momento certo, sem sobrecarregar a janela de atenção. As três técnicas são padrões abertos da indústria: qualquer stack as implementa.
MCP: a camada de integração
Model Context Protocol é o padrão que permite ao agente usar ferramentas externas nativamente. Não é copy-paste. Não é "cole o resultado aqui". O agente chama a ferramenta, recebe o resultado e continua trabalhando.
Na prática: o agente conecta diretamente a automação de workflows, testes de interface no browser, transcrição de reuniões, documentação técnica atualizada, mensageria. Cada MCP server adiciona uma capacidade real ao harness — e como MCP é um padrão aberto (hoje sob a Linux Foundation), a ferramenta atrás de cada capacidade é substituível sem tocar no resto do sistema.
A analogia de Hashimoto é USB-C: um padrão de conexão que permite plugar qualquer ferramenta sem reescrever a integração.
Agentes autônomos agendados
O harness não depende de interação humana constante. Agentes headless rodam em background, em ciclos agendados, executando trabalho real sem ninguém na frente da tela:
- Compilação de conhecimento: um agente processa continuamente as notas novas da base — resume, extrai entidades e conceitos, conecta ao que já existe. Roda em cadeia até terminar, retoma sozinho depois de falhas e rate limits, e se desliga quando o trabalho acaba.
- Síntese editorial: duas vezes por dia, uma "redação" de agentes lê o corpus inteiro e produz um briefing do que é mais relevante para o negócio — não o mais recente, o mais central.
- Autocorreção: cada erro identificado vira regra ou verificação permanente no próprio harness. O sistema acumula disciplina em vez de repetir falhas.
O padrão de resiliência importa mais que a sofisticação: registro incremental de progresso (nada se perde se um agente morre no meio), watchdogs que reiniciam cadeias travadas, e guards que impedem execução duplicada. A ideia central: o que pode ser automatizado não deveria consumir atenção humana. O que exige julgamento humano recebe atenção humana total.
Memória persistente entre sessões
Cada sessão de trabalho produz contexto. Na maioria dos setups, esse contexto se perde quando a janela fecha. No harness, ele persiste.
O sistema mantém memória em múltiplas camadas: working memory (estado da sessão atual), auto memory (preferências, decisões, padrões que se acumulam), e vault (conhecimento permanente). Quando uma sessão nova começa, o agente sabe o que aconteceu antes.
Isso é o equivalente organizacional de um funcionário que nunca esquece o que foi discutido em reuniões anteriores. O contexto nunca se perde.
Skills como workflows replicáveis
Em vez de escrever prompts longos toda vez que precisa de uma tarefa recorrente, skills codificam o processo inteiro: objetivo, passos, template de output, constraints. Um comando dispara todo o workflow.
Skills para pesquisa, captura de ideias, criação de conteúdo, processamento de inbox, análise de transcripts — cada um é um processo padronizado e replicável. O equivalente de SOPs, mas executáveis por IA.
Automação de workflows externa
Nem todo processo cabe dentro de uma sessão de agente. Workflows que envolvem múltiplos sistemas — emails, webhooks, APIs, databases — rodam em uma camada de automação externa conectada via MCP, permitindo que o agente dispare, monitore e consuma resultados. A ferramenta específica importa menos que o padrão: a Capiva já trocou a ferramenta dessa camada uma vez sem afetar nenhuma outra parte do harness. A arquitetura sobrevive à troca — que é exatamente o ponto.
Guides and sensors: como funciona a governança do harness?
A taxonomia de Fowler se aplica diretamente.
Guides (direcionam o comportamento):
- Regras de operação da base de conhecimento (onde criar, como nomear, como linkar)
- Protocolo de aprovação (quando perguntar, quando executar)
- Qualidade de pensamento (verificar antes de construir, challenger behavior)
- Board-first (todo trabalho passa pelo task board antes de execução)
Sensors (detectam desvios):
- Auditoria diária automatizada do próprio sistema
- Verificação de task board (todo agente que completa uma tarefa atualiza o board)
- Quality gates entre fases (propor antes de executar)
- Hooks de feedback que capturam correções e as tornam permanentes
O princípio de Hashimoto em ação: cada erro vira um fix no harness para que nunca se repita. O sistema melhora a cada ciclo.
O resultado operacional
Um fundador operando com AI Harness produz output equivalente a uma equipe tradicional de consultoria. Projetos simultâneos no Brasil, EUA e UK. Múltiplos produtos construídos e mantidos em paralelo. Pipeline de conteúdo, ferramentas de diagnóstico e trabalho com clientes — tudo rodando ao mesmo tempo.
Não porque trabalha mais. Porque o sistema amplifica cada hora de trabalho humano com automação, contexto persistente e execução autônoma.
Em implementação como Centro de Excelência em IA para empresa global, essa mesma abordagem comprimiu ciclos de projeto de 6 meses para 2 semanas. A velocidade de entrega se tornou referência interna para outros times da organização.
Abrimos o código de uma parte do harness: capivaOS
Tudo que este artigo descreve é o harness que opera o negócio da Capiva — conhecimento, agentes, memória, automação. Mas existe uma camada dele que resolvia o problema mais universal de quem desenvolve com IA: agentes escrevem código plausível, não código correto — e disciplina de engenharia não se sustenta por prompt.
Essa camada nós extraímos, generalizamos e publicamos como capivaOS — um harness de desenvolvimento spec-driven para Claude Code, open-source (MIT), instalado como plugin:
- Máquina de estados com gates mecânicos: spec → plano → implementação → verificação → entrega. Hooks bloqueiam escrita fora de fase, merge sem spec, transição sem quality gate. A disciplina não depende do prompt — é imposta pela infraestrutura. Guides and sensors, literalmente executáveis.
- Cadeia de artefatos: cada fase produz outputs auditáveis (spec + critérios de aceite, plano, relatórios de qualidade). Rastreabilidade de ponta a ponta.
- Quality gates numéricos: pisos de cobertura de teste (75–80%), zero warnings novos de linter, blueprints por stack (.NET, Python/FastAPI, Next.js).
/plugin marketplace add iB2/capivaOS
/capiva:initRepositório: github.com/iB2/capivaOS. Construído nos mesmos princípios deste artigo — e usado pela Capiva nos próprios projetos, todos os dias.
O que isso significa para sua empresa
O harness completo — o sistema que opera uma empresa — não é um produto de prateleira. É uma arquitetura que se constrói, porque cada operação tem ferramentas, processos e constraints diferentes. Mas a camada de disciplina de desenvolvimento agora é: o capivaOS é gratuito, aberto e instalável em 30 segundos.
Os padrões são acessíveis: documentos estruturados, busca híbrida, MCP, agentes agendados, quality gates. O desafio não é acesso a ferramentas — é saber conectar os padrões em um sistema que funciona, que se auto-melhora e que escala sem adicionar pessoas. Com as ferramentas que a SUA operação já usa.
Esse é o trabalho que a Capiva faz. Desenhamos e implementamos AI Harnesses para operações que querem sair de "usamos IA" para "IA opera nossa empresa."
Como implementamos isso em empresas?
O caminho que usamos com clientes segue a mesma lógica deste artigo — padrões primeiro, ferramentas depois:
- Diagnóstico estratégico — mapear onde o harness gera mais alavancagem na sua operação: quais processos, qual conhecimento, quais gargalos de contexto.
- Innovation Sprint — provar o conceito num escopo curto: um harness mínimo rodando num processo real, com resultado mensurável antes de qualquer aposta grande.
- Implementação embarcada — nosso modelo de trabalho é dentro do seu time, não como consultoria externa: construímos o sistema, subimos a infraestrutura, habilitamos as pessoas e ficamos até rodar. Como fazemos isso está detalhado em How We Work.
Para desenvolvimento de software, o ponto de partida é gratuito: capivaOS no seu repositório, hoje.
Quer construir um AI Harness para sua operação?
A Capiva desenha e implementa AI Harnesses sob medida. O primeiro passo é um Diagnóstico Estratégico que mapeia onde IA cria valor na sua operação.
Conversar sobre AI HarnessHarness engineering para empresas brasileiras: o que você precisa saber
Harness engineering é a disciplina de projetar a infraestrutura completa em volta de agentes de IA para que operem de forma confiável em ambiente de produção. A disciplina foi nomeada por Mitchell Hashimoto em fevereiro de 2026; a fórmula que resume a categoria, Agent = Model + Harness, é da LangChain (Vivek Trivedy, março de 2026). Martin Fowler e Birgitta Böckeler da Thoughtworks expandiram com a taxonomia de guides (regras que direcionam comportamento) e sensors (mecanismos que detectam desvios). Um harness operacional inclui: ferramentas conectadas via MCP (Model Context Protocol), memória persistente entre sessões, knowledge management estruturado, agentes autônomos para tarefas operacionais, workflows codificados como skills replicáveis, e loops de feedback que convertem erros em melhorias permanentes. A Deloitte reporta que 88% das empresas usam IA mas apenas 29% obtêm retorno real. A diferença é o harness. No Brasil, a adoção de harness engineering é praticamente inexistente, representando uma janela competitiva para empresas que se estruturarem primeiro. Para desenvolvimento de software, a referência open-source é o capivaOS (github.com/iB2/capivaOS), harness spec-driven para Claude Code publicado pela Capiva sob licença MIT, que impõe pipeline de fases com quality gates mecânicos: especificação, plano, implementação, verificação e entrega. Para a camada de conhecimento, o padrão de referência é o Open Knowledge Format (OKF), spec aberta publicada pela Google Cloud em junho de 2026 que formaliza o LLM-wiki pattern como formato de contexto curado para agentes; o harness da Capiva opera esse padrão em produção desde antes da publicação da spec.
Perguntas frequentes
O que é um AI harness operacional?
É a infraestrutura de software que conecta, orquestra e governa agentes de IA na operação inteira de uma empresa — conhecimento, memória, automação e verificação — não só no código. É o mesmo padrão de guides e sensors do harness engineering aplicado a suporte, finanças, conhecimento interno e back-office, para que a IA opere processos reais com confiabilidade de produção.
Como a Capiva opera com um AI harness?
Na Capiva, o AI harness roda com Claude Code como interface primária, uma base de conhecimento em documentos versionados, busca híbrida entre keywords e embeddings, integração de ferramentas via MCP, agentes autônomos agendados e memória persistente entre sessões. Guides direcionam o comportamento e sensors detectam desvios — cada erro identificado vira regra permanente no harness.
O que é o capivaOS?
capivaOS é a camada de desenvolvimento do harness extraída e publicada como open-source sob licença MIT. É um harness spec-driven para o Claude Code que impõe um pipeline de fases — spec, plano, implementação, verificação e entrega — com quality gates mecânicos e hooks que bloqueiam escrita fora de fase. Instala como plugin em dois comandos.
Preciso das mesmas ferramentas da Capiva para construir um harness?
Não. Um harness bem projetado sobrevive à troca de qualquer ferramenta — o que importa é o padrão, não as ferramentas específicas da Capiva. Documentos estruturados, busca híbrida, MCP, agentes agendados e quality gates são padrões abertos que qualquer stack implementa. O harness da sua empresa usa o SEU stack; a arquitetura é que permanece.
Qual a diferença entre este artigo e a definição de harness operacional?
Este artigo é o relato prático de um harness operacional rodando em produção, componente por componente. A definição canônica do conceito — com o diagnóstico de por que a maioria dos projetos de IA não chega ao P&L — está no artigo de referência sobre harness operacional, que aprofunda a taxonomia e o diagnóstico de mercado.
O que significa guides e sensors na arquitetura de um harness?
Guides e sensors são a taxonomia de Martin Fowler e Birgitta Böckeler, da Thoughtworks, para governar um harness: guides são as regras que direcionam o comportamento do agente — o que fazer, o que não fazer; sensors são os mecanismos que detectam quando algo sai do esperado. Todo harness robusto precisa dos dois trabalhando juntos.
Por que o Model Context Protocol (MCP) é a camada de integração de um harness?
MCP é a camada de integração porque é o padrão aberto — hoje sob a Linux Foundation — que permite ao agente chamar ferramentas externas nativamente, sem copiar e colar resultados manualmente. Cada servidor MCP adiciona uma capacidade real ao harness, e como o protocolo é aberto, a ferramenta atrás de cada capacidade é substituível sem reescrever a integração.
Como funciona a memória persistente entre sessões num harness de IA?
Memória persistente significa que o contexto de uma sessão de trabalho não se perde quando a janela fecha. Um harness maduro mantém múltiplas camadas: memória da sessão atual, preferências e decisões acumuladas, e conhecimento permanente em vault. Quando uma sessão nova começa, o agente já sabe o que aconteceu antes — nada se repete.
O que são skills dentro de um harness operacional?
Skills são workflows codificados dentro do harness operacional: em vez de escrever um prompt longo toda vez que surge uma tarefa recorrente, uma skill define objetivo, passos, template de saída e restrições de uma só vez. Um comando dispara o processo inteiro — o equivalente de um SOP, mas executável diretamente por um agente de IA.
Como agentes autônomos agendados operam dentro de um harness?
Agentes autônomos agendados rodam headless, em ciclos programados, sem depender de alguém na frente da tela: compilam conhecimento novo, sintetizam briefings periódicos e convertem erros identificados em regras permanentes. O padrão de resiliência importa mais que a sofisticação — registro incremental de progresso, watchdogs e guards contra execução duplicada mantêm o ciclo confiável.
O que é busca híbrida na arquitetura de um harness?
Busca híbrida combina três técnicas de recuperação de contexto dentro de um harness: ranking por keywords (BM25) para precisão exata, embeddings vetoriais para similaridade semântica, e re-ranking por LLM para ordenar por relevância real à pergunta feita. É context engineering aplicado — o agente recebe o trecho certo, no momento certo, sem sobrecarregar a atenção.
O que é o Open Knowledge Format (OKF) e por que importa para um harness?
Open Knowledge Format (OKF) é a spec aberta publicada pela Google Cloud em junho de 2026 que formaliza o padrão de conhecimento em documentos — o LLM-wiki pattern — como formato portátil e curado de contexto para agentes de IA. Um harness que já organiza conhecimento nesse padrão converge naturalmente com a especificação, sem precisar migrar nada.
Qual é a fórmula Agent = Model + Harness e quem a formulou?
A fórmula Agent = Model + Harness é da LangChain (Vivek Trivedy, março de 2026) e resume a categoria inteira: o modelo é o cérebro; o harness é todo o resto — ferramentas conectadas, memória persistente, regras de execução, guardrails, feedback loops e observabilidade. Mitchell Hashimoto nomeou a disciplina como harness engineering meses antes.
Por que a maioria das empresas não consegue ROI de IA sem um harness?
Porque a Deloitte reporta que 88% das empresas usam IA, mas só 29% conseguem ROI real — e o gap entre os dois números é exatamente o harness que falta. As empresas têm o modelo; não têm o sistema de conhecimento, memória e verificação em volta dele que transforma uso casual em operação confiável.
Seu site aparece nas respostas da IA? Rode o diagnóstico gratuito →