AI Agent Harness Nedir? Gerçek Bir Kişi Arama Örneğiyle Sade Anlatım

2026 yılında yapay zeka odaklı Twitter (X) gündemini biraz takip ettiyseniz, her yerde aynı kelimeyi görmüşsünüzdür: harness. Anthropic bunu kullanıyor. Salesforce tüm ürün sayfasını bunun üzerine kurdu. Princeton, HAL harness adında bir araştırma projesi yayınladı. Martin Fowler, kodlama ajanları için harness mühendisliği üzerine uzun bir makale yazdı. Ve herkesin tekrarlayıp durduğu formül hep aynı:

Ajan = Model + Harness.

Peki tam olarak bir agent harness nedir, kimler geliştirir, maliyeti nedir ve üretim ortamında gerçekte nasıl görünür? Bu rehber tüm bu soruları yanıtlıyor ve ardından Lessie’nin kişi arama odaklı agent harness yapısının karmaşık, çok kriterli bir sorgudan doğru kişiyi nasıl bulduğunu gerçek bir örnekle adım adım açıklıyor.

Agent Harness Nedir?

Bir agent harness, modelin kendi başına yönetemediği her şeyi — araçları, belleği, bağlamı, güvenlik kontrollerini, hata kurtarmayı ve bir görevin tüm yaşam döngüsünü — yönetmek için yapay zeka modelini çevreleyen yazılım altyapısıdır. Model beyindir. Harness ise vücut, sinir sistemi ve beynin çalıştığı ortamdır.

En kısa tanım HKUDS’un OpenHarness projesinden geliyor: model ajandır, kod ise harness’tır. Anthropic’in kendi mühendislik yazılarından biraz daha uzun bir tanım: harness, bir ajanda model dışındaki her şeydir.

Bu ayrım neden önemli? Çünkü 2025 yılında yapay zeka sektörü, daha iyi modellerin her sorunu çözeceğini varsayıyordu. 2026 yılına gelindiğinde ise, en güçlü öncü modelin bile — etrafında hiçbir destekleyici yapı olmadan çalıştırıldığında — uzun, çok adımlı ve gerçek dünya görevlerinde başarısız olduğu netleşti. Araç çağrılarında halüsinasyon görüyor. Elli adımdan sonra orijinal hedefi gözden kaçırıyor. 47. adımda aynı hatayı tekrarlıyor çünkü ona hatanın gerçekleştiğini söyleyen hiçbir şey yok. Bu başarısızlıkların çözümü daha büyük bir model değildir. Çözüm, bir agent harness altyapısıdır.

Sade Bir Dille AI Agent Harness Nedir?

Eğer “agent harness” terimi kulağa hâlâ soyut geliyorsa, faydalı bir benzetme yapalım. Yapay zeka modelini, ilk günündeki parlak yeni bir çalışan olarak hayal edin. Akıllıdır, çok okumuştur ve neredeyse her konuda akıl yürütebilir. Ancak tuvaletin nerede olduğunu bilmez, şirketin araçlarına erişimi yoktur, dünkü toplantıda ne olduğunu hatırlamaz ve bir şeyi berbat ederse, bu müşteriye ulaşmadan önce kimse bunu fark etmez.

Bir AI agent harness, o yeni çalışanın etrafındaki ofistir. Onları doğru odalara sokan yaka kartı, doğru yazılımların yüklü olduğu dizüstü bilgisayar, bugün ne yapmaları gerektiğini hatırlatan takvim, işleri dışarı çıkmadan önce inceleyen yönetici ve bir şeyler ters gittiğinde ne yapacaklarını söyleyen oyun kitabıdır.

Dolayısıyla, birisi “AI agent harness nedir” diye sorduğunda verilecek en net yanıt şudur: AI agent harness, ham bir dil modelini, sürekli denetim olmadan gerçek işleri tamamlayabilen güvenilir bir çalışana dönüştüren operasyonel altyapıdır. Harness olmadan elinizde sadece bir sohbet robotu (chatbot) vardır. Harness ile ise bir ajanınız olur.

Yapay Zekada Agent Harness Nedir? Gerçekte Yaptığı Üç Şey

Yapay zekadaki her ciddi AI agent harness yapısına baktığınızda — Anthropic’in Claude Agent SDK’sı, Salesforce’un Agentforce harness’ı, Princeton’ın HAL harness’ı, açık kaynaklı OpenHarness projesi ve Lessie gibi dikey harness’lar — hepsinin kabaca üç şey yaptığını görürsünüz. Bu üç sorumluluğu anlarsanız, bir agent harness’ın ne yaptığının %90’ını anlamış olursunuz.

İlk sorumluluk bağlam mühendisliğidir (context engineering). Bir modelin sınırlı bir bağlam penceresi vardır ve uzun süren herhangi bir görevde bu pencere günlükler, araç çıktıları, ara akıl yürütmeler ve önceki adımlarla hızla dolar. Harness neyin kalacağına, neyin özetleneceğine, neyin yeniden getirileceğine ve neyin atılacağına karar verir. Bağlam mühendisliği olmadan ajanlar, araştırmacıların bağlam çürümesi (context rot) dediği durumdan muzdarip olur — orijinal hedef gürültü altında kaybolur ve ajan görevden sapmaya başlar.

İkinci sorumluluk, koruma sınırlarıyla (guardrails) araç koordinasyonudur. Bir ajanın araçları kullanması gerekir — arama, veritabanları, API’ler, dosya sistemleri, diğer ajanlar — ancak ham model çıktıları deterministik değildir ve rutin olarak hatalı biçimlendirilmiş araç çağrıları, yanlış parametreler veya var olmayan işlev adları üretir. Harness, model ile araçlar arasında durur; çalıştırılmadan önce her çağrıyı doğrular, tehlikeli işlemleri güvenli alana (sandbox) alır ve modele temiz, yapılandırılmış sonuçlar besler. Bir demoda tek seferlik çalışan bir ajan ile üretim ortamında on bin kez sorunsuz çalışan bir ajan arasındaki fark budur.

Üçüncü sorumluluk ise yaşam döngüsü ve durum yönetimidir. Uzun süren ajan görevleri dakikalar, saatler veya günler sürebilir. Modeller varsayılan olarak durumsuzdur (stateless) — her çağrı sıfırdan başlar. Harness ajana süreklilik kazandırır: kontrol noktalarını kaydeder, çökmelerden kurtarır, başarısız adımları yeniden dener ve bir görevin oturumlar boyunca hayatta kalmasını sağlar. Ayrıca, kritik bir kararda devam etmeden önce insan onayı gerektiğinde ajanı duraklatarak süreçteki insan (human-in-the-loop) müdahalelerini yönetir.

Bu üç sorumluluk — bağlam, araçlar, yaşam döngüsü — her agent harness yapısının taşıyıcı kolonlarıdır. Farklı ürünler bunları farklı şekilde uygular, ancak bu üçünden biri eksikse, ajan eninde sonunda üretim ortamında başarısız olacaktır.

Agent Harness Ne İçin Kullanılır? Gerçek Üretim Senaryoları

Agent harness yapıları, birisinin tek seferlik bir sohbet yerine gerçek bir iş akışına yapay zeka ajanı yerleştirmeye çalıştığı her yerde karşımıza çıkar. En büyük üç kategori kodlama, kurumsal otomasyon ve dikey bilgi işçiliğidir.

Kodlamada, en görünür agent harness, Anthropic’in terminal tabanlı kodlama ajanı olan Claude Code’un içindeki yapıdır. Claude Code, esasen bir model ile dosyaları okumak, terminal komutlarını çalıştırmak, depolarda gezinmek ve oturumlar boyunca bir ilerleme günlüğü tutmak için araçlar sağlayan, özenle tasarlanmış bir harness’ın birleşimidir. SWE-bench ve TerminalBench-2, sektörün kodlama harness’larını karşılaştırmak için kullandığı iki ana kıyaslama testidir.

Kurumsal otomasyonda, baskın harness Salesforce Agentforce’tur; modeli, CRM iş akışlarını — kayıtları güncelleme, e-posta gönderme, randevu planlama, vakaları özetleme ve talepleri birden fazla uzman ajan arasında yönlendirme — yönetmek için tasarlanmış bir çalışma zamanı (runtime) ile sarmalar. Agentforce, kendisini açıkça kurumsal yapay zeka dağıtımı için harness katmanı olarak konumlandırır.

Dikey bilgi işçiliğinde, belirli yüksek değerli görevler için harness’lar ortaya çıkmaya başlıyor: hukuki araştırma, klinik akıl yürütme, finansal analiz ve kişi arama. Bu dikey harness’lar, genel harness’lara göre kapsam olarak çok daha dar ancak çok daha derindir — özellikle tek bir işin başarısızlık modlarına göre ayarlanmışlardır. Lessie bu kategorinin bir örneğidir: profesyonel ağlar, sosyal platformlar ve akademik veritabanlarında doğru kişiyi bulma görevi etrafında oluşturulmuş dikey bir agent harness yapısıdır.

Harness AI DevOps Agent: Salesforce Yaklaşımı

2026 yılında popülerlik kazanan belirli bir ifade de harness AI DevOps agent terimidir — ve bu terim neredeyse her zaman Salesforce Agentforce’un yapay zeka operasyonlarına yaklaşımını ifade eder. Bu çerçevede, agent harness bir araştırma çıktısı olarak değil, bir DevOps altyapısı olarak ele alınır. Tıpkı bir veritabanı veya Kubernetes kümesi kurar gibi kurduğunuz, sürümlendirdiğiniz, izlediğiniz ve ödeme yaptığınız bir şeydir.

Salesforce’un konumlandırması, agent harness yapısının model ile iş akışı arasındaki eksik katman olduğu yönündedir. Argümanları şu şekildedir: Şirketlerin birçok öncü modele erişimi var, ancak bu modelleri gerçek müşteri verilerine, gerçek gelirlere ve gerçek uyumluluk gereksinimlerine dokunan üretim iş akışlarına güvenli bir şekilde yerleştirmenin güvenilir bir yolu yok. Harness, bu dağıtımı güvenli ve operasyonel olarak mantıklı kılan şeydir. İzinleri zorunlu kılar, denetim için her işlemi günlüğe kaydeder, uzun görevlerde bağlamı yönetir ve kritik işlemler için süreçte insan (human-in-the-loop) müdahaleleri sağlar.

Bu DevOps çerçevesi, Salesforce’un harness’ı ücretsiz vermek yerine ücretlendirmesinin de nedenidir. Bu da bizi çoğu okuyucunun gerçekten yanıtını merak ettiği soruya getiriyor.

Agent Harness Kimler Tarafından Geliştirilir? Şirketler ve Fiyatlandırma

2026’daki agent harness pazarı kabaca dört gruba ayrılmaktadır: kurumsal ticari harness’lar, geliştirici odaklı ticari harness’lar, açık kaynaklı araştırma harness’ları ve dikey ticari harness’lar. İşte ana oyunculara ve ücretlerine genel bir bakış.

Salesforce Agentforce, piyasadaki ticari olarak en agresif agent harness ürünüdür. Salesforce birkaç fiyatlandırma modeli sunmaktadır. Ücretsiz giriş noktası, test için küçük bir kredi tahsisi sağlayan Salesforce Foundations’tır. Bunun ötesinde, iki ana tüketim modeli vardır: konuşma başına 2 $ olan konuşma tabanlı model (24 saatlik bir penceredeki her etkileşim olarak tanımlanır) ve her işlemin Flex Kredileri üzerinden yaklaşık 0.10 $ karşılığında 20 kredi tükettiği, kredi paketlerinin ise 100.000 kredi için 500 $’dan satıldığı yeni Flex Kredileri modeli. Öngörülebilir bütçeler için Salesforce, standart sürümler için kullanıcı başına aylık 125 $’dan ve finansal hizmetler ile sağlık gibi düzenlemeye tabi sektörler için kullanıcı başına aylık 150 $’dan başlayan kullanıcı başına eklentiler de sunmaktadır. Büyük işletmeler, kullanıcı başına aylık 550 $’dan başlayan sınırsız kullanım katmanı olan Agentforce 1 Edition’ı satın alabilirler. Orta ölçekli şirketlerdeki gerçek dünya dağıtımları, genellikle harness lisansının kendisini aşan ve sıklıkla gerekli olan Data Cloud altyapı maliyetlerini hesaba katmadan önce, yalnızca Agentforce için yıllık 15.000 ila 50.000 $ arasında bir maliyete ulaşmaktadır.

Anthropic’in Claude Agent SDK’sı, Claude API’sinin bir parçası olarak sunulan geliştirici odaklı bir harness’tır. Ayrı bir lisans ücreti yoktur — model token’ları için ödeme yaparsınız ve harness bununla birlikte gelir. Sonnet ve Opus katman fiyatlandırması geçerlidir. Aynı temel üzerine inşa edilen tüketici odaklı harness olan Claude Code, Claude Pro ve Claude Max aboneliklerine dahildir. Bu, geliştiricilere yönelik “genel amaçlı” bir agent harness yapısına en yakın şeydir ve kodlama ajanı ekosisteminin büyük bir kısmına güç verir.

LangChain ve LangGraph biraz daha farklı bir konumda yer alıyor. Açık kaynaklı kütüphaneler ücretsizdir, ancak barındırılan çalışma zamanı ve gözlemlenebilirlik platformu (LangSmith), ekipler için kullanıcı başına aylık yaklaşık 39 $’dan başlayan ücretli planlar ve ücretsiz bir katman ile izleme (trace) başına fiyatlandırılır. Birçok şirket, kendi özel ajanlarının altındaki harness katmanı olarak LangGraph’ı kullanır.

Açık kaynaklı araştırma harness’ları arasında Princeton’ın HAL harness’ı (ücretsiz, kıyaslama değerlendirmesi için tasarlanmıştır), HKUDS OpenHarness (ücretsiz, MIT lisanslı, incelenebilir bir referans uygulaması olarak tasarlanmıştır) ve EleutherAI’ın lm-evaluation-harness’ı (ücretsiz, ajan dağıtımından ziyade model kıyaslaması için tasarlanmıştır) yer alır. Mimarinin perde arkasında nasıl çalıştığını anlamak veya kendi yapınızı oluşturmak istiyorsanız başvuracağınız harness’lar bunlardır.

Dikey harness’lar en yeni kategoridir. Lessie, kişi arama için dikey bir agent harness yapısıdır; fiyatlandırması ücretsiz başlar ve arama kredilerine göre ölçeklenir — kurumsal altyapı fiyatlandırmasından ziyade bir SaaS ürününe daha yakındır. Hukuki araştırma, klinik karar desteği ve finansal analiz alanlarında da diğer dikey harness’lar görünmeye başlıyor; bunlar genellikle işlem başına tüketim yerine SaaS aboneliği olarak fiyatlandırılıyor.

Bu tablodaki ilginç şey fiyat aralığıdır. Bir araştırma harness’ı hiçbir maliyet getirmez. Anthropic’in geliştirici harness’ı, model token’larınız ne kadar tutuyorsa o kadardır. Salesforce’un ticari bir kurumsal harness’ı, orta ölçekli bir şirkete ayda on binlerce dolara mal olabilir. Ve Lessie gibi dikey bir harness, her şey için altyapı olmaya çalışmak yerine tek bir işi çözdüğü için kabaca bir SaaS aracıyla aynı maliyete sahiptir. Bir agent harness için tek bir “doğru” fiyat yoktur — bu tamamen bir araştırma çıktısı, bir geliştirici yapı taşı, bir kurumsal platform veya bitmiş bir dikey ürün için ödeme yapıp yapmadığınıza bağlıdır.

Gerçek Bir Örnek: Lessie’nin Agent Harness Altyapısı Doğru Kişiyi Nasıl Bulur?

Tanımlar ve fiyatlandırma tabloları bir yere kadar yardımcı olur. Bir agent harness’ın gerçekte ne yaptığını anlamanın en net yolu, gerçek bir sorgu üzerinde çalışmasını izlemektir. İşte her bir harness bileşeninin etkinleştiğinde vurgulandığı, baştan sona tek bir kişi arama görevinin analizi.

Sorgu, PeopleSearchBench veri kümesindeki en zor olanlardan biridir:

Sıradan bir yaklaşım, bu cümlenin tamamını bir arama motoruna tıkıştırmak ve en iyisini ummak olurdu. Bu, bariz nedenlerden dolayı başarısız olur: internette “kıdemli ML mühendisi + Series B + Berlin + LLM ürünü sunmuş + herkese açık yazılar yazan” kriterlerini dizine ekleyen tek bir kaynak yoktur. Bilgi beş farklı yerde yaşar ve birinin — ya da bir şeyin — bunu birleştirmesi gerekir. İşte harness’ın değerini kanıtladığı yer burasıdır.

1. Adım — Sorgu ayrıştırma (bağlam mühendisliği katmanı). Lessie harness’ı ham cümleyi modele doğrudan iletmez. Önce sorguyu açık, kontrol edilebilir kriterlere böler: rol = ML mühendisi, kıdem = kıdemli, şirket aşaması = Series B, konum = Berlin, son çıktılar = 12 ay içinde sunulmuş LLM ürünü, herkese açık izler = teknik yazıların varlığı. Her kriter, sonraki adımların bağımsız olarak kontrol edeceği bir doğrulama koşulu haline gelir. Bu ayrıştırma, PeopleSearchBench’in arama platformlarını puanlamak için kullandığı metodolojinin aynısıdır ve “Berlin’deki kıdemli kişiler” sonucunu döndüren bir sorgu ile doğru altı kişiyi döndüren bir sorgu arasındaki farkı yaratır.

2. Adım — Çoklu kaynak koordinasyonu (araç katmanı). Harness, ayrıştırılmış sorguyu her bir kriterin gerçekte yaşadığı kaynaklara paralel olarak dağıtır. Mevcut rol ve kıdem için profesyonel ağlar. Şirket aşaması için girişim veritabanları ve yatırım duyuruları. Konum için birden fazla kaynaktaki coğrafi sinyaller. Sunulan LLM ürünleri için GitHub, ürün lansman sayfaları ve değişiklik günlüğü (changelog) kayıtları. Teknik yazı geçmişi için kişisel bloglar, Substack, dev.to ve konferans konuşma listeleri. Model ham dağıtımı asla görmez — harness paralelliği yönetir, başarısız kaynakları yeniden dener ve birleşik bir aday seti oluşturur.

3. Adım — Doğrulama döngüsü (sensör katmanı). Bu, çoğu genel ajanın atladığı adımdır ve genel ajanların var olmayan kişileri halüsinasyon olarak üretmesinin nedenidir. Koordinasyon katmanının ortaya çıkardığı her aday için harness canlı bir web doğrulama geçişi çalıştırır: aday sonuç setine alınmadan önce her kriteri taze kaynaklara karşı kontrol eder. Eğer harness “Anna Schmidt”in gerçekten Berlin’deki bir Series B şirketinde olduğunu bağımsız olarak doğrulayamazsa, Anna Schmidt çıktıda görünmez. Bu, Salesforce’un Agentforce belgelerinde tanımladığı koruma sınırı (guardrail) katmanının tam olarak aynısıdır, sadece kişi aramanın özel başarısızlık modları için özelleştirilmiştir.

4. Adım — Profil zenginleştirme (araç katmanı, ikinci geçiş). Bir aday doğrulamayı geçtikten sonra, harness yapılandırılmış profil verilerini çeker: mevcut rol ve çalışma süresi, son etkinlikler, yayın bağlantıları, iletişim yolları, sosyal medya varlığı. Lessie’nin PeopleSearchBench’teki Fayda (Utility) boyutunda en yüksek puanı almasının nedeni budur — doğru kişiyi boş alanlarla döndürmek aslında yararlı değildir ve genel bir harness’ın zenginleştirmeyi ayrı bir adım olarak yapması için yerleşik bir nedeni yoktur.

5. Adım — Sıralama ve sunum (model katmanı). Sadece en sonunda model, modellerin benzersiz bir şekilde iyi yaptığı şeyi yapar: doğrulanmış, zenginleştirilmiş aday setini okumak ve orijinal sorguya genel uyumuna göre sıralamak. Model bir değerlendirme kararı veriyor, ancak bu kararı gürültülü bir ham web dökümü üzerinde değil, temiz, doğrulanmış ve yapılandırılmış bir girdi üzerinde veriyor.

Tüm bu süreç otonom olarak çalışır. Kullanıcının bakış açısından, tek bir cümle yazmış ve her birinin neden eşleştiğine dair gerçek kanıtlar içeren, gerçek profillere sahip altı gerçek kişi elde etmiştir. Harness’ın bakış açısından ise, bu tek cümle sorgu ayrıştırmayı, paralel çoklu kaynak alımını, düzinelerce doğrulama çağrısını, profil zenginleştirmeyi ve son bir sıralama geçişini tetiklemiştir — hepsi koordine edilmiş, hepsi hata yönetiminden geçmiş ve hepsi günlüğe kaydedilmiştir.

Yapay zekada bir agent harness işini yaparken gerçekten böyle görünür. Model, görünür işin belki de %20’sini yapıyordur. Harness ise diğer %80’ini yapmaktadır ve bu %80, bir demoda çalışan bir ajan ile arka arkaya 119. sorguda bile bozulmadan çalışan bir ajan arasındaki farktır.

Agent Harness 2026 ve Sonrasında Ne Anlama Gelecek?

2026’daki harness tartışmasının en ilginç yanı, standart yapay zeka anlatısını tamamen tersine çevirmiş olmasıdır. Üç yıl boyunca, yapay zeka gelişimine dair her konuşma model boyutu, model eğitimi ve model kıyaslamaları hakkındaydı. Dile getirilmeyen varsayım, bir sonraki modelin mevcut modeldeki her türlü sorunu çözeceği yönündeydi.

Harness tezi ise tam tersini söylüyor: model gelişimi gerçek ancak yavaşlıyor ve ajan güvenilirliğindeki kalan kazanımlar modelin etrafındaki altyapıda yatıyor. Salesforce bu noktayı fiyatlandırma sunumunda belirtiyor. Anthropic bunu Claude Agent SDK belgelerinde vurguluyor. Princeton bunu bir araştırma platformu olarak HAL harness ile gösteriyor. Mart 2026 tarihli Meta-Harness makalesi, sabit bir modelin etrafındaki harness’ı otomatik olarak yeniden yazmanın, ağırlıklara dokunmadan kodlama kıyaslama puanlarını birkaç puan artırabileceğini göstererek bunu ampirik olarak kanıtladı.

Eğer bu tez doğruysa, iki sonuç ortaya çıkar. Birincisi, ticari olarak değerli her ajan görevi eninde sonunda kendi özel harness yapısını geliştirecektir. Kodlamanın zaten bir tane var. CRM otomasyonunun var. Kişi aramanın var. Hukuki araştırma, klinik akıl yürütme, finansal analiz ve tedarik zinciri incelemesi de kendi yapılarına kavuşacaktır. Salesforce gibi yatay oyuncular işlevler arası kurumsal katmana hakim olurken, Lessie gibi dikey oyuncular genel bir harness’ın asla optimize edemeyeceği başarısızlık modlarına sahip özel işlere hakim olacaktır. İkincisi, agent harness yapıları için yapılan kıyaslama testleri, ham modeller için yapılanlardan daha önemli hale gelecektir. PeopleSearchBench bunun ilk örneklerinden biridir. Çok daha fazlası gelecektir.

Model motordur. Harness ise araba. 2026’da arabalar motorlardan daha önemli hale gelmeye başlıyor.