LongHorizon-Harness hält KI-Agenten über viele Arbeitsschritte auf Kurs

Worum es geht

LongHorizon-Harness ist ein quelloffener Werkzeugkasten, der bestehende KI-Agenten über lange Aufgaben hinweg steuert. Das Projekt der AMAP-ML-Organisation ersetzt weder Codex noch Claude Code, OpenCode oder DeepSeek Harness. Es legt eine Ausführungs- und Prüfschleife um diese Werkzeuge. Seit Version 0.1.7 vom 20. August 2026 kann ein Nutzer nach einem abgeschlossenen Lauf direkt weiterarbeiten; neue Hinweise während eines Laufs werden in der nächsten Runde übernommen.

Das ist für Aufgaben relevant, die nicht in einer einzigen Agentensitzung enden: eine Anwendung ändern, im Browser testen, Fehler untersuchen, Ergebnisse dokumentieren und nach einem Abbruch fortsetzen. Der Quellcode steht unter MIT-Lizenz. Das Projekt wurde im August 2026 veröffentlicht und entwickelt sich schnell, weshalb Teams es zunächst in einer begrenzten Umgebung prüfen sollten.

Was LongHorizon-Harness tatsächlich macht

Der Harness zerlegt ein Ziel wiederholt in begrenzte Arbeitsschritte. Ein Manager bestimmt den nächsten Schritt aus dem ursprünglichen Ziel, dem bestätigten Fortschritt und den protokollierten Fehlern. Ein Executor führt diesen Schritt im Terminal oder in einer Desktop-Anwendung aus. Ein getrennt arbeitender Auditor prüft Dateien, Oberfläche, Protokolle und Tests. Nur ein bestandener Prüfschritt wird als verlässlicher Zwischenstand gespeichert.

Die Software bietet eine Kommandozeile und eine Weboberfläche. Rollen können unterschiedliche Agenten und Modelle verwenden. Unterstützt werden laut Projektdokumentation Codex, Claude Code, OpenCode und DeepSeek Harness; Computerbedienung wird über zusätzliche Plugins angebunden. Der Befehl lh-harness doctor kontrolliert die lokale Einrichtung. Für eine Installation werden Python ab Version 3.10 und mindestens eine unterstützte Agentenlaufzeit benötigt.

Das zentrale Versprechen ist nicht ein intelligenteres Modell, sondern belastbarere Abläufe: frischer Kontext pro Runde, ein fortlaufendes Aufgabenbuch, bestätigte Zwischenstände, Wiederaufnahme nach Fehlern und eine unabhängige Prüfung. Damit wird sichtbar, welcher Teil einer Aufgabe wirklich erledigt ist und welcher nur behauptet wurde.

Warum das wichtig ist

Lange Agentenaufgaben scheitern oft nicht an einem einzelnen fehlenden Befehl. Sie verlieren das Ziel aus dem Blick, erklären einen Teilerfolg vorschnell zum Abschluss oder tragen einen Fehler in die nächsten Schritte weiter. LongHorizon-Harness behandelt genau diese Ablaufprobleme als eigenes Engineering-Thema. Das ist besonders interessant für Entwicklung, Datenanalyse, Dokumentarbeit und gemischte Arbeitsabläufe aus Browser und Terminal.

Die Projektgruppe veröffentlicht eine begleitende Arbeit auf arXiv und nennt Ergebnisse auf WeaveBench, OSWorld 2.0 und Terminal-Bench 2.1. Diese Zahlen stammen jedoch von den Projektverantwortlichen und sind keine unabhängige Produktprüfung. Sie zeigen, wie der Ansatz gemessen wurde, sollten aber im eigenen Umfeld reproduziert werden. Praktisch wertvoll ist vor allem die nachvollziehbare Trennung zwischen Ausführung und Prüfung.

Für Teams kann der Harness außerdem helfen, Kosten und Risiken sichtbar zu machen. Jede zusätzliche Runde, jedes Modell und jeder Auditor verbrauchen Rechenzeit und Tokens. Dafür entsteht ein klareres Protokoll darüber, warum ein Ergebnis akzeptiert oder verworfen wurde.

Einfach erklärt

Stell dir einen langen Umzug vor. Eine Person führt die Liste, eine zweite trägt Kartons, und eine dritte prüft in jedem Zimmer, ob wirklich alles verpackt und beschriftet ist. Nach einer Pause beginnt das Team nicht aus dem Gedächtnis, sondern mit der Liste der bestätigten Räume. LongHorizon-Harness organisiert KI-Agenten ähnlich: planen, handeln, prüfen, Zwischenstand sichern und erst dann weitermachen.

Praktisches Beispiel

Ein kleines Team möchte 24 Seiten einer Webanwendung auf ein neues Designsystem umstellen. Der Manager wählt zuerst drei Seiten aus. Der Executor ändert Komponenten und Styles, startet die Anwendung und öffnet die Seiten im Browser. Der Auditor prüft Build, Tests und sichtbare Darstellung. Zwei Seiten bestehen, bei einer überlappt die Navigation.

Der Harness speichert nur die zwei bestandenen Seiten als Fortschritt. Die fehlerhafte Seite geht mit Screenshot und Testausgabe in die nächste Runde. Nach einer Kontextauffrischung arbeitet der nächste Executor nicht wieder an allen 24 Seiten, sondern an dem belegten Rest. Das Team kann nach fünf Runden sehen, welche zwölf Seiten geprüft sind, welche vier Fehler offen bleiben und welche Kosten die verwendeten Modelle verursacht haben.

Der sinnvolle erste Test ist kleiner: ein isoliertes Repository, eine Aufgabe von 30 bis 60 Minuten und klare Erfolgskriterien wie bestandene Tests sowie eine manuelle Sichtprüfung. Schreibrechte auf produktive Systeme oder echte Kundendaten sollten dabei fehlen.

Einordnung und Grenzen

Erstens macht der Harness ein schwaches Modell nicht automatisch zuverlässig. Wenn Manager, Executor und Auditor denselben fachlichen Irrtum teilen, kann auch ein sauber protokollierter Ablauf ein falsches Ergebnis akzeptieren.

Zweitens steigen Aufwand und Kosten. Mehrere Rollen, wiederholte Prüfungen und frische Kontexte können deutlich mehr Modellaufrufe erzeugen als eine einzelne Agentensitzung. Für kurze Aufgaben ist das unnötig.

Drittens bleibt Computerbedienung riskant. Browser, Dateien und Terminals können sensible Daten enthalten; fehlerhafte Aktionen oder Prompt Injection sind nicht allein durch Rollenaufteilung ausgeschlossen. Teams brauchen isolierte Konten, minimale Rechte, Freigaben und eigene Protokollierung.

Hinzu kommt die frühe Projektphase. Die Dokumentation nennt macOS als getestete Plattform; Windows-Unterstützung sei vorhanden, aber noch nicht gründlich geprüft. Benchmarkangaben und Sicherheitsversprechen sollten deshalb nicht als Garantie verstanden werden.

SEO- und GEO-Schlüsselbegriffe

LongHorizon-Harness, KI-Agenten, Loop Engineering, Codex, Claude Code, OpenCode, Computer Use, Agentenprüfung, Aufgabenwiederaufnahme, Open-Source-Tool, AMAP-ML, Agenten-Orchestrierung