Prompt morreu, Context está morrendo: Harness Engineering é a próxima onda

Prompt Engineering morreu em 2024. Context Engineering está morrendo agora. As duas ideias continuam úteis dentro do escopo em que foram desenhadas, só que o terreno onde os agentes de IA operam ficou grande demais para caber em qualquer uma delas.

Sei que essa frase soa como bait de LinkedIn, então vou direto ao número: em 5 meses, uma equipe de 3-7 engenheiros da OpenAI construiu uma aplicação em produção com mais de 1 milhão de linhas de código, sem que nenhum humano tenha digitado uma única linha. Cerca de 1.500 pull requests. Média de 3,5 PRs por engenheiro por dia. Foi divulgado no post Harness engineering: leveraging Codex in an agent-first world em fevereiro de 2026.

O modelo não foi o responsável. É o mesmo Codex disponível para qualquer um. A diferença estava em tudo que fica em volta do modelo: o harness.

A terça-feira de US$ 47.000

Antes de definir “harness,” um contra-exemplo mais barato de reproduzir. Também de fevereiro de 2026: um agente de enriquecimento de dados interpretou um código de erro de API como “tente de novo com parâmetros diferentes” e disparou 2,3 milhões de chamadas em um fim de semana. Segunda de manhã, a equipe voltou para uma fatura de US$ 47.000.

O agente não estava confuso. O prompt estava razoável. O contexto tinha os schemas certos. Faltava freio e volante: retry cap, timeout global, budget guard, portão humano para operações caras. Tudo isso é harness, e nenhum item dessa lista cabe dentro de “Prompt Engineering” ou “Context Engineering”. Fica em outra camada.

O agente que queimou US$ 47k e o agente que escreveu 1M linhas usaram modelos comparáveis. A diferença foi um estar dentro de um harness e o outro estar solto no mundo.

As 3 evoluções, em 3 anos

2024 — Prompt Engineering. O sujeito do desenho era um único texto de entrada. Few-shot, Chain-of-Thought, ReAct. A arte de maximizar precisão em uma troca. Funcionou enquanto a interação era pergunta → resposta.

2025 — Context Engineering. Karpathy disse “the hottest new programming language is English” e o sujeito do desenho se expandiu para tudo o que se alimenta na IA: system prompt + RAG + tool definitions + memória. Philip Schmidt (ex-Hugging Face) já cravou: “a nova habilidade para usar IA não é prompting, é engenharia de contexto.” Mas o contexto sozinho não decide quando parar, quando escalar, quando pedir aprovação.

2026 — Harness Engineering. O sujeito virou o ambiente inteiro em que o agente opera. Louis Bouchard resumiu bem: “Context Engineering é o que você envia ao modelo. Harness Engineering é como o todo funciona.” O foco deixou de ser o prompt ou a janela de contexto e passou para a cozinha em volta.

A relação entre as três é aninhada, não substitutiva:

Harness ⊇ Contexto ⊇ Prompt

Escrever bons prompts continua útil, e desenhar bem o contexto também. Só que os dois passaram a ser subconjuntos de um problema maior, e projetos que param em Prompt/Context estão hoje na estatística dos 40% que falham na produção (pesquisa Company of Agents, 2026).

Por que “Harness” e não outro nome

Um harness, no sentido literal, é o arreio que se coloca em um cavalo. Não é a montaria nem o cavalo em si. É o conjunto de correias, freios, volante e cinto que transforma “força bruta que quer correr” em “força bruta que anda para onde e na velocidade que você projetou”.

A analogia funciona porque descreve exatamente o problema: o LLM é a força bruta. Quer completar a tarefa e completa mesmo quando não deveria. Sem harness, o agente segue em frente, e às vezes segue direto para o precipício, como no caso dos US$ 47k. Com harness, segue para onde você projetou.

Tem uma frase que virou meme no campo:

“The model is commodity. The harness is moat.”

Se você troca Claude Sonnet 4.6 por GPT-5.3 hoje, seu produto continua funcionando. Trocar o harness, por outro lado, quebra o produto. É ali que mora a diferenciação real, e por isso OpenAI, Anthropic, LangChain e Martin Fowler começaram a escrever sobre o tema ao mesmo tempo em 2026.

Os 6 componentes que fizeram Codex escrever 1M linhas

A taxonomia mais usada divide o harness em seis módulos (referência: Next Signal Prediction).

① Gestão de informação — o que o agente fica sabendo. AGENTS.md, arquivos de skill, RAG, memória de sessões passadas. Sem esta camada, o agente adivinha o projeto a cada tarefa.

② Execução — decomposição de tarefas grandes, orquestração de passos, retry, timeout, paralelismo. LangGraph pertence a essa camada. Foi a ausência dela que produziu a fatura de US$ 47k.

③ Verificação de qualidade — linters, checagem de tipos, execução de testes, LLM-as-judge, autoFix. O padrão “autoFixable flag” da GMO Developers separa reparo automático de revisão humana. Foi a fortaleza desta camada que permitiu ao Codex sustentar 3,5 PRs/dia por engenheiro sem enterrar o time em revisão.

④ Tracing e observabilidade — logs de execução, uso de tokens, tempo por passo, erros. LangSmith, Arize AI. Só dá para depurar, otimizar e operar um sistema depois que o processo fica visível.

⑤ Fronteira de segurança — allowedTools, limites de filesystem, sandbox, portões de aprovação humana para operações caras. QubitTool chama isso de “safety boundary of the agent.” Se você quer dormir tranquilo enquanto seu agente roda no fim de semana, é aqui.

⑥ Definições de ferramentas — schemas de função, MCP (Model Context Protocol), permissões de arquivo. Descrição vaga = chamada errada. Se a descrição diz “aquela ferramenta,” o agente escolhe entre martelo e chave de fenda no chute.

A importância relativa muda por caso de uso. Agentes de codificação pesam mais em ③. Suporte ao cliente, em ⑤. Análise de dados, em ⑥ e ④. Cada projeto pondera as caixas conforme o contexto — não existe receita única.

Next Signal Prediction: o que Harness Engineering diz que o próximo sinal é

O motivo pelo qual esse discurso ganhou tração agora, e não em 2024 ou 2025, é que os três grandes players convergiram no mesmo mês.

Em fevereiro de 2026, OpenAI publicou o post do Codex, Anthropic publicou dois guias de design de harness, LangChain redefiniu Agent = Model + Harness, Martin Fowler escreveu um comentário público, e um artigo acadêmico foi para o arXiv definindo “natural-language agent harnesses” como objeto de estudo. Quatro atores independentes convergindo na mesma agenda no mesmo mês, não é hype de um blog só.

E o próximo sinal, na leitura da Next Signal Prediction, é este: o valor migra do modelo para o harness. Modelos vão continuar melhorando, mas o ganho por dólar investido no harness já supera o ganho por dólar investido em um modelo maior. É ali que a próxima curva de produtividade se desenha.

O que fazer segunda de manhã

Se você já mantém um AGENTS.md ou CLAUDE.md, você já começou. O que talvez ainda falte:

1. Auditar os 6 componentes. Pegue cada uma das seis caixas acima e pergunte “eu tenho isto?”. Provavelmente 2-3 estão implícitos e 2-3 estão faltando.
2. Nomear o que estava sem nome. “A pasta agent-setup/” vira “o harness”. “Aqueles scripts de verificação” viram “verification gates”. A precisão do vocabulário reduz atrito em standups e PRs.
3. Fixar um budget guard. Se você não tem retry cap + timeout global + budget cap, o incidente de US$ 47k pode ser sua próxima sexta-feira. Uma linha de config resolve.

Prompt continua vivo como técnica; o que morreu foi a categoria autônoma. Context não está morrendo por ser ruim; está sendo absorvido por algo maior. Harness Engineering é o terreno onde a diferenciação real vai acontecer nos próximos 12 meses. Vale começar a chamar as coisas pelo nome certo agora.

---

ken imoto · WebRTC & Voice AI engineer · kenimoto.dev · TabNews