Lær · Forklaret

Hvad er en agent harness, og hvorfor betyder den noget?

Udgivet 31. oktober 2026

Kort svar. En agent harness er softwaren omkring en AI-model. Den giver modellen instrukser, værktøjer, adgang, hukommelse og det loop, den arbejder i. Modellen tænker; harnessen gør det muligt for den at handle. Claude Cowork, Microsoft Copilot-agenter og Claude Code er harnesser. Modellen afgør, hvor godt en agent tænker. Harnessen afgør, hvad agenten kan se, hvilke systemer den kan nå, hvad den må gøre på egen hånd, og hvad den aldrig kan gøre.

Guiden forklarer, hvad en harness gør, nævner harnesser, I måske allerede bruger, og giver syv spørgsmål til at vælge en.

Det gør en harness

En model alene tager tekst ind og giver tekst ud. Den kan ikke åbne en fil, slå en faktura op eller huske, hvad der skete i går. Anthropic beskriver Claude Code som laget omkring modellen, der stiller værktøjerne til rådighed og styrer den kontekst, modellen ser, og kalder det lag for “the agentic harness”. [Anthropic, How Claude Code works]

En harness har fem opgaver:

Opgave	Hvad det betyder	Eksempel
Giver modellen instrukser og kontekst	Lægger den rigtige tekst foran modellen ved hvert trin: opgaven, instrukserne og de filer, den skal bruge	Claude Code indlæser en fil med projektets instrukser, CLAUDE.md, ved starten af hver session
Stiller værktøjer til rådighed	Lader modellen læse, søge, skrive og køre ting og kalde andre systemer	Et værktøj, der læser en mappe, eller en forbindelse til bogføringssystemet
Styrer adgangen	Afgør, hvilke systemer og filer agenten må bruge, og hvad den skal spørge om først	Claude Codes tilladelsestilstande afgør, om den spørger, før den ændrer en fil eller kører en kommando
Husker	Tager det vigtige med fra én session til den næste	Gemte instrukser og noter, som harnessen indlæser næste gang
Kører loopet	Lader agenten handle, se på resultatet og handle igen, til opgaven er løst	Kør kontrollen, læs fejlen, ret den, kør igen

Anthropic beskriver loopet i tre faser: indsaml kontekst, handl og kontrollér resultatet. [Anthropic, How Claude Code works]

Harnesser, I måske kender

Hver linje gengiver, hvad leverandørens egen dokumentation siger, at produktet gør.

Harness	Leverandør	Hvad den gør, med leverandørens ord
Claude Cowork	Anthropic	Tager Claude Codes agentiske evner med ud i vidensarbejde ud over kode: I beskriver det resultat, I vil have, og kommer tilbage til færdige dokumenter, ordnede filer eller research
Microsoft Copilot-agenter	Microsoft	Agenter, der bruger jeres instrukser, viden og handlinger med Copilots orkestrator og modeller, eller med en orkestrator og modeller, I selv vælger
Claude Code	Anthropic	Et agentisk kodeværktøj, der læser jeres kodebase, ændrer filer, kører kommandoer og arbejder sammen med jeres udviklingsværktøjer; det kører i terminalen, i en IDE, som desktop-app og i browseren
Codex	OpenAI	Undersøger, ændrer og kører kode fra terminalen; I vælger model, hvor grundigt den ræsonnerer, tilladelser og kommandoer
Cursor	Cursor	En kodeagent, der arbejder med modeller fra OpenAI, Anthropic, Google og andre
GitHub Copilot cloud agent	GitHub	Undersøger et repository, planlægger og laver kodeændringer på en branch i sit eget midlertidige miljø, som et menneske derefter gennemgår

Claude Cowork og Microsoft Copilot-agenter er lavet til kontorarbejde. De fire andre er lavet til softwareudvikling. Microsoft deler selv en agent op på samme måde som denne guide: Modellerne er ét lag, og orkestratoren, der styrer viden, værktøjer og hvor selvstændigt agenten arbejder, er et andet. [Microsoft Learn]

Modellen betyder stadig noget

En stærkere model ræsonnerer bedre, og forskningen er klar på det punkt. I september 2026 gav forskere fra EPFL og Apple én stærk model den enkleste harness, de kunne: én session med direkte adgang til at læse, skrive og køre ting. Den klarede sig lige så godt som avancerede systemer med mange agenter og ekstra lag, og agenter, der koordinerede med hinanden, klarede sig dårligere. Forfatterne konkluderer, at det især er modellen, der driver resultaterne, og at avancerede lag bygget omkring en stærk model giver lidt igen. [Brilliantov, Hernández-Cano og Abbé, 2026]

Studiet kalder også de ekstra lag for “harnesses”. I denne guide er studiets enkle opsætning stadig en harness: Den gav modellen adgang, værktøjer og et loop. Uden det kunne modellen ikke have kørt en eneste linje kode.

Studiet målte på konkurrencer i machine learning. Læs If the scaffolding does not matter, what does? (på engelsk) for tallene og deres begrænsninger.

Det afgør harnessen

Modellen afgør, hvor godt agenten ræsonnerer. Harnessen afgør fem andre ting:

Hvad agenten ser: hvilke instrukser, optegnelser og dokumenter der når frem til modellen ved hvert trin.
Hvilke systemer den når: bogføringssystemet, det fælles drev, postkassen eller ingen af dem.
Hvad den må gøre på egen hånd: hvilke trin agenten tager selv, og hvilke der venter på et menneske.
Hvad den aldrig kan gøre: guardrails, håndhævet i agentens adgang og i systemerne, ikke i modellen. Læs Hvad er guardrails for en AI-agent, og hvem håndhæver dem?
Hvad der bliver registreret: om hvert trin, hvert værktøjskald og hvert resultat skrives i en logbog, som nogen kan læse bagefter.

Et eksempel: Sæt den samme model i to harnesser, og bed den foreslå posteringerne for månedens leverandørfakturaer. I et chatvindue uden adgang kan den forklare, hvordan man bogfører en faktura, men den har aldrig set jeres. I en harness med læseadgang til fakturaerne og bogføringssystemet kan agenten foreslå hver postering med fakturaen som kilde, så operatøren kan godkende den. Modellen er den samme i begge tilfælde. Det er harnessen, der gør forskellen.

En harness skal kende jeres virksomhed

En harness, som den leveres, ved intet om jeres virksomhed. Den ved ikke, hvad “en åben faktura” betyder hos jer, hvilke konti I bruger, eller hvem der godkender. Det kommer fra det, I giver den: jeres datafundament, jeres virksomhedsordbog, reglerne for opgaven og den adgang, I giver.

Læs Hvad en AI-agent skal have for at udføre rigtigt arbejde i en virksomhed for hele listen.

Syv spørgsmål, når I vælger en harness

Hvad kan den nå? Tjek, at den kan forbindes til de systemer, opgaven kræver, gennem adgang, som jeres virksomhed giver og kan trække tilbage. Mange harnesser forbinder sig gennem Model Context Protocol, en åben standard for at forbinde AI-applikationer med data og værktøjer. [Model Context Protocol]
Hvilke modeller kører den? Nogle harnesser kører én udbyders modeller: Claude Code bruger Claude-modeller. Andre tilbyder flere: Cursor arbejder med modeller fra OpenAI, Anthropic, Google og andre. En harness, der lader jer skifte model, beskytter jer, når modellerne ændrer sig.
Hvilke tilladelser håndhæver den? Spørg, hvordan I afgør, hvad den må gøre uden at spørge. Både Claude Code og Codex lader jer vælge, hvad agenten må gøre, før den spørger. [Anthropic; OpenAI]
Ligger instrukserne i filer, I selv ejer? Nogle harnesser gemmer agentens instrukser i almindelige filer i jeres egne mapper. Codex opretter en AGENTS.md-fil til sine instrukser, og Claude Code kan læse den samme fil. Instrukser i en fil kan flytte med jer til en anden harness. [OpenAI; Anthropic]
Hvad registrerer den? Spørg, hvad der logges, og hvor. Claude Code gemmer hver besked, hvert værktøjskald og hvert resultat i en fil på den maskine, den kører på. GitHub Copilot cloud agent registrerer hvert trin i commits og logs. [Anthropic; GitHub]
Hvor kører den, og hvor ender jeres data? Nogle harnesser kører på jeres egen maskine, andre i leverandørens cloud: Claude Code kan køre begge steder, og Claude Cowork kører sine sessioner i cloud. Modellen kører altid hos den udbyder, I har valgt, og den behandler det, hvert trin kræver. Læs udbyderens vilkår for, hvad den må gøre med jeres data. [Anthropic]
Hvor godkender operatøren? Hvert trin i opgaven skal have en af de tre godkendelseszoner: “handler selv”, “spørger først” eller “operatøren godkender”. Tjek, at harnessen kan holde et trin tilbage, til operatøren har godkendt det. Læs Hvornår må en AI-agent handle på egen hånd?

Begynd med opgaven, og vælg derefter den harness, der passer til den. Jeres IT, internt eller hos jeres IT-partner, kan sætte adgangen op, når I ved, hvad opgaven kræver.

Kilder

Læst 31. oktober 2026.

Produktnavne er varemærker tilhørende deres ejere og bruges til at identificere produkterne. Der er ikke tale om anbefaling eller partnerskab.