Google Cloud AI Research e la Northwestern University hanno pubblicato Harness², un framework open source distribuito con licenza Apache 2.0 che promette di migliorare le prestazioni di un agente AI senza toccare il modello sottostante. L'idea alla base è tanto semplice quanto efficace: invece di riaddestrare o sostituire il modello, Harness² riscrive ciò che lo circonda, ovvero l'harness, l'infrastruttura che gestisce prompt, strumenti e flusso di lavoro dell'agente.
Come funziona il nuovo harness
Il framework agisce su più fronti: ottimizza la formulazione dei prompt, riorganizza le chiamate agli strumenti esterni e ristruttura il contesto in cui l'agente opera. In questo modo, un modello già esistente può ottenere risultati migliori su compiti complessi, come la risoluzione di problemi articolati o l'uso coordinato di API e funzioni. Il tutto senza modificare i pesi del modello, un vantaggio non da poco per chi vuole migliorare un sistema già in produzione senza affrontare costosi cicli di fine-tuning.
Prestazioni migliori, ma il conto sale
Il rovescio della medaglia è presto detto: si spende di più. Riscrivere il contesto e iterare sulle chiamate comporta un maggior numero di token consumati e un uso più intenso delle risorse computazionali. In pratica, Harness² sposta l'ottimizzazione dal modello all'infrastruttura, ma il risparmio sul training si traduce in un aumento dei costi operativi. Un compromesso che le aziende dovranno valutare attentamente, soprattutto in scenari ad alto volume.
La pubblicazione di Harness² conferma una tendenza sempre più marcata nel settore: l'ingegneria del contesto e dell'harness sta diventando centrale quanto quella del modello stesso. Con licenza Apache 2.0, il framework è ora disponibile per la comunità, che potrà testarne i limiti e contribuire a un ecosistema in cui l'efficienza dell'AI passa sempre più dalla progettazione intelligente di ciò che la circonda.
