Você não projeta um AI harness de uma vez, você cresce ele a partir de falhas observadas. A Anthropic recomenda começar simples e só adicionar complexidade quando o simples não basta. Mitchell Hashimoto dá o motor: toda vez que o agente erra, você engenheira uma correção permanente. Depois você sistematiza em guides e sensors.
Comece simples, adicione complexidade só quando precisar
O primeiro passo não é montar um agente multi-etapas. É o menor prompt que resolve. A Anthropic, em "Building Effective Agents" (dezembro de 2024), é direta: comece com prompts simples e só adicione sistemas agênticos de múltiplos passos quando as soluções mais simples não bastarem. A razão é prática. Você não sabe onde o agente vai falhar até rodar, e cada peça de complexidade que você adiciona antes de ver uma falha real é uma aposta. Construa o mínimo, rode, e deixe as falhas te dizerem o que engenheirar.
O loop de erro para regra é o motor
É aqui que o harness cresce. Hashimoto descreve o loop assim: toda vez que você acha um erro do agente, você para e engenheira uma solução pra que o agente nunca mais cometa aquele erro ("My AI Adoption Journey"). Não é corrigir na mão e seguir. É transformar a falha em regra permanente. Na prática, cada linha do seu AGENTS.md ou CLAUDE.md nasce de um comportamento ruim que você viu. O arquivo de regras não é escrito de uma vez, ele é o registro acumulado de tudo que já deu errado.
Os cinco passos, em ordem
| Passo | O que fazer | Exemplo concreto |
|---|---|---|
| 1. Começar simples | O menor prompt que resolve; complexidade só quando o simples falha | Um prompt único antes de montar um agente multi-etapas |
| 2. Loop erro para regra | Cada falha vira correção permanente, não ajuste na hora | Viu o agente errar, escreve a regra que impede o erro |
| 3. Guides | Direcionam o agente antes de ele agir (feedforward) | CLAUDE.md, regras de operação, ferramentas permitidas |
| 4. Sensors | Dão feedback depois da ação pra ele se auto-corrigir | Testes, linters e typecheck que o agente lê |
| 5. Memória e observabilidade | Regras persistem entre sessões e o comportamento fica auditável | Regras versionadas, artefatos por fase (spec, plano, relatório) |
Sistematize em guides e sensors
Depois de alguns ciclos, os padrões aparecem, e é aí que você sistematiza. Birgitta Böckeler (Thoughtworks) dá os dois primitivos de construção (martinfowler.com, abril de 2026): guides, que direcionam o agente antes de ele agir (regras, ferramentas permitidas), e sensors, que dão feedback depois (testes, linters, typecheck que o agente lê). Hashimoto reforça o lado sensor: dê ao agente ferramentas rápidas e de qualidade que digam automaticamente quando ele está errado. A Atlan propõe uma etapa a mais, uma "camada de dados", como terceiro passo da sequência (guides, sensors, camada de dados). Vale registrar que a Atlan é uma empresa de catálogo de dados, então esse passo é interessado, não consenso neutro. Guides e sensors são o núcleo; o resto depende do seu contexto.
Onde isso já vem pronto (e onde precisa ser construído)
Você não precisa construir a camada de código do zero. Pra desenvolvimento, o loop de erro para regra, os guides e os sensors já vêm montados no capivaOS, o harness open-source sobre o Claude Code: pipeline spec-first, com testes obrigatórios e máquina de estados. Instala como plugin e você começa hoje. Mas o harness que mais rende quase nunca é o de código, é o operacional: o mesmo padrão aplicado à operação do seu negócio. Esse ninguém instala pronto, ele se desenha a partir das suas falhas, e é o ponto de partida do nosso diagnóstico estratégico. O relato de como isso se constrói em produção está em AI Harness na Prática.
Perguntas frequentes
Como construir um AI harness do zero?▼
Comece pelo menor prompt que resolve o problema e rode. Quando o agente errar, transforme cada falha em regra permanente em vez de corrigir na mão (o loop de erro para regra, de Hashimoto). Depois de alguns ciclos, sistematize as regras em guides (direcionamento antes da ação) e sensors (feedback depois, como testes e linters). A Anthropic recomenda exatamente essa ordem: simples primeiro, complexidade só quando precisar.
Por que começar simples em vez de projetar tudo antes?▼
Porque você não sabe onde o agente vai falhar até rodar. A Anthropic ("Building Effective Agents", dezembro de 2024) recomenda começar com prompts simples e só adicionar sistemas de múltiplos passos quando o simples não basta. Complexidade adicionada antes de ver uma falha real é aposta. As falhas observadas te dizem o que engenheirar.
O que é o loop de erro para regra?▼
É o motor do harness, descrito por Mitchell Hashimoto em "My AI Adoption Journey". Toda vez que o agente comete um erro, você engenheira uma solução pra que ele nunca mais cometa aquele erro. Cada linha do seu CLAUDE.md ou AGENTS.md nasce de um comportamento ruim observado. O arquivo de regras é o registro acumulado das falhas corrigidas.
O que colocar nos guides e nos sensors?▼
Guides direcionam o agente antes de ele agir: regras de operação, CLAUDE.md, lista de ferramentas permitidas. Sensors dão feedback depois: testes, linters e typecheck que o agente consegue ler e usar pra se auto-corrigir. A taxonomia é de Birgitta Böckeler (Thoughtworks, no site do Martin Fowler, abril de 2026). Hashimoto acrescenta: as ferramentas de feedback precisam ser rápidas e de qualidade.
Preciso de uma "camada de dados" pra construir um harness?▼
A Atlan coloca uma camada de dados como terceiro passo, depois de guides e sensors. Mas a Atlan é uma empresa de catálogo de dados, então esse passo é interessado, não consenso neutro. O núcleo de qualquer harness são guides e sensors mais o loop de erro para regra. Camada de dados pode fazer sentido no seu contexto, mas não é obrigatória pra começar.
Dá pra usar um harness pronto em vez de construir?▼
Pra camada de código, sim. O capivaOS é um harness open-source sobre o Claude Code, com pipeline spec-first, testes obrigatórios e o loop de correção já embutido, instalado como plugin. Ele resolve o desenvolvimento. A camada operacional, o harness que roda a operação do negócio, ainda precisa ser desenhada sobre o seu stack, e é aí que entra um diagnóstico estratégico.
Você não projeta o harness. Você cresce ele, uma falha de cada vez.