동일한 원시 모델(Raw Model)을 사용하더라도 어떤 에이전트는 월등한 성능을 내고 어떤 에이전트는 실패한다. 그 차이는 모델을 감싸고 있는 프롬프트, 도구 연결, 체크 로직의 집합체인 ‘하네스(Harness)‘에서 발생한다. 훌륭한 하네스는 모델의 한계를 보완하고 실패를 스스로 감지하여 수정하는 능력을 갖춘다. 이제 AI 엔지니어링의 핵심 역량은 모델 파인튜닝이 아니라, 더 견고하고 지능적인 하네스를 구축하는 것으로 이동하고 있다.
근거
Cursor팀의 사례는 에이전트 성능 향상을 위해 얼마나 많은 엔지니어링 자원이 하네스 구축에 투입되는지를 잘 보여준다. 모델은 범용적이지만, 하네스는 특정 도메인과 워크플로우에 최적화된 “지능의 그릇” 역할을 하기 때문이다.
“A better harness on the same model gives far better results, and that work never really ends. … The manual loop Cursor describes is the one Opik closes on its own.”
연결된 생각
- 20260610-self-repairing-agent-harness — 하네스가 지향해야 할 궁극적인 형태 (자가 수복)
- 20260610-remediation-loop-automation-in-ai-agents — 하네스를 지속적으로 정교하게 만드는 방법론