Von Prompt Engineering zu Harness Engineering
Die Art, wie wir mit KI-Modellen arbeiten, hat sich in drei Jahren grundlegend verändert. Jede Phase hat die vorherige nicht ersetzt, sondern erweitert — und jede Phase hat die Messlatte für professionellen KI-Einsatz höher gelegt.
2023: Prompt Engineering. Die Kunst, dem Modell die richtige Frage zu stellen. Formulierungstechniken, Rollenanweisungen, Few-Shot-Beispiele. Der Fokus lag auf der Eingabe.
2024–2025: Context Engineering. Die Erkenntnis, dass nicht die Frage entscheidend ist, sondern der Kontext. Welche Informationen hat das Modell? Welche Dokumente, welche Codebase, welche Historie? Andrej Karpathy (ehem. Tesla, OpenAI) brachte es auf den Punkt: „Das meiste, was heute als Prompt Engineering bezeichnet wird, ist eigentlich Context Engineering" (Karpathy, 2025).
2025–2026: Harness Engineering. Die nächste Ebene: nicht nur den Input kontrollieren, sondern die gesamte Umgebung, in der das Modell arbeitet. Deterministische Kontrolle statt probabilistische Hoffnung.
Was ist Harness Engineering?
Harness Engineering ist der Aufbau der Infrastruktur um ein KI-Modell herum, die es zuverlässig, sicher und autonom arbeiten lässt. Der Begriff stammt aus der Analogie zum Klettergeschirr (Harness): Das Modell kann sich frei bewegen — aber innerhalb definierter Grenzen, mit Sicherungen an den kritischen Stellen.
Martin Fowler, eine der einflussreichsten Stimmen der Softwarearchitektur, formuliert das Grundprinzip so: „Wenn ein Agent einen Fehler macht, engineere eine Lösung, damit der Agent diesen Fehler nie wieder machen kann" (Fowler, 2025). Nicht das Modell verbessern — die Umgebung verbessern.
Der entscheidende Unterschied
Prompt Engineering arbeitet mit probabilistischer Compliance: Sie formulieren eine Anweisung und hoffen, dass das Modell sie befolgt. In 90% der Fälle funktioniert das. In 10% nicht. Bei tausend Aufrufen pro Tag sind das hundert potenzielle Fehler.
Harness Engineering arbeitet mit deterministischer Kontrolle: Das Modell kann bestimmte Fehler gar nicht erst machen, weil die Infrastruktur sie verhindert. Nicht durch bessere Anweisungen — sondern durch harte Grenzen.
Die fünf Schichten einer produktionsreifen Harness
1. Tool Orchestration: Kontrollierter Zugriff
Ein KI-Agent braucht Zugang zu Werkzeugen: Dateisysteme, APIs, Datenbanken, externe Services. Tool Orchestration definiert präzise, welche Werkzeuge verfügbar sind, welche Parameter erlaubt sind und welche Aktionen ausgeschlossen werden.
In der Praxis bedeutet das: Ein Agent für die Rechnungsverarbeitung hat Lesezugriff auf das ERP-System und Schreibzugriff auf definierte Felder — aber keinen Zugriff auf Personaldaten, keine Löschrechte und keinen Zugang zum Internet. Die Werkzeuge sind nicht nur verfügbar, sondern kontrolliert verfügbar.
Die technische Umsetzung erfolgt zunehmend über standardisierte Protokolle wie das Model Context Protocol (MCP), das eine einheitliche Schnittstelle zwischen KI-Agenten und ihren Werkzeugen definiert.
2. Verification Loops: Automatische Prüfung nach jedem Schritt
Jede Aktion des Agenten wird automatisch überprüft, bevor sie wirksam wird. Hat der generierte Code die Tests bestanden? Entspricht die API-Antwort dem erwarteten Schema? Liegt der Ressourcenverbrauch im definierten Rahmen?
Verification Loops sind das technische Rückgrat der Qualitätssicherung. Sie fangen Fehler ab, bevor sie Schaden anrichten — nicht Stunden oder Tage später im Code Review, sondern Sekunden nach der Entstehung.
3. Context und Memory: Die Wissensbasis des Agenten
Ein Agent ohne Kontext ist wie ein Berater, der Ihr Unternehmen nicht kennt. Context Engineering — die zweite Evolutionsstufe — bleibt ein zentraler Bestandteil jeder Harness. Dazu gehören:
- Projektdokumentation: AGENTS.md-Dateien, die dem Agenten die Codebasis, Konventionen und Architekturentscheidungen erklären
- Strukturiertes Wissen: Relevante Dokumente, Prozessbeschreibungen, vergangene Entscheidungen
- Laufzeit-Memory: Was hat der Agent in dieser Session bereits getan? Welche Fehler hat er gemacht? Welche Korrekturen wurden vorgenommen?
4. Guardrails: Harte Grenzen
Guardrails sind die nicht verhandelbaren Regeln. Sie definieren, was ein Agent unter keinen Umständen tun darf — unabhängig davon, was das Modell für richtig hält.
Typische Guardrails in Unternehmensumgebungen:
- Keine Löschung von Daten ohne menschliche Bestätigung
- Keine API-Keys, Passwörter oder personenbezogene Daten im Code
- Keine externen Netzwerkzugriffe ohne Whitelist
- Keine Änderungen an produktionskritischen Systemen ohne Review-Freigabe
- Keine Verarbeitung personenbezogener Daten ausserhalb definierter Prozesse
Für deutsche Unternehmen sind Guardrails keine optionale Verbesserung — sie sind eine Notwendigkeit. Die DSGVO und der EU AI Act definieren klare Anforderungen an die Nachvollziehbarkeit und Kontrollierbarkeit von KI-Systemen. Eine gut konfigurierte Harness macht Compliance technisch durchsetzbar statt nur organisatorisch vereinbart.
5. Observability: Alles wird protokolliert
Die fünfte Schicht stellt sicher, dass jede Aktion des Agenten nachvollziehbar ist. Logging, Tracing, Cost Tracking — die vollständige Transparenz darüber, was der Agent tut, warum er es tut und was es kostet.
Observability dient drei Zwecken: Debugging (wenn etwas schiefgeht, finden Sie die Ursache), Optimierung (welche Schritte sind ineffizient, wo entstehen unnötige Kosten) und Compliance (lückenlose Dokumentation für Audits und regulatorische Anforderungen).
Harness Engineering in der Praxis
Aktuelle Forschung bestätigt die Relevanz dieses Ansatzes. Ein Paper auf arxiv mit dem Titel „Building Effective AI Coding Agents for the Terminal" (2025) beschreibt detailliert, wie produktionsreife Agenten-Systeme aufgebaut werden — und betont die Notwendigkeit strukturierter Kontrolle auf jeder Ebene.
In der Praxis sehen wir vier Reifestufen:
- Ad hoc: KI-Tools werden ohne Struktur eingesetzt. Jeder Entwickler nutzt seine eigenen Prompts.
- Standardisiert: Gemeinsame Prompt-Templates und Context-Dokumente. Aber keine automatische Kontrolle.
- Kontrolliert: Verification Loops und Guardrails sind implementiert. Fehler werden automatisch erkannt.
- Autonom: Vollständige Harness mit Tool Orchestration, Verification, Context, Guardrails und Observability. Der Agent arbeitet selbständig innerhalb definierter Grenzen.
Die meisten Unternehmen befinden sich heute zwischen Stufe 1 und 2. Der Weg zu Stufe 3 und 4 erfordert neue Kompetenzen — und genau hier wird Harness Engineering zur Schlüsselqualifikation.
Warum Mittelständler Harness Engineering brauchen
Für den deutschen Mittelstand hat Harness Engineering eine besondere Relevanz:
- DSGVO-Compliance: Personenbezogene Daten dürfen nicht unkontrolliert durch KI-Systeme fliessen. Guardrails machen den Datenschutz technisch durchsetzbar.
- Auditierbarkeit: Geschäftsführer haften persönlich für Compliance-Verstösse. Observability schafft die nötige Transparenz.
- Kontrollierter KI-Einsatz: KI ja, aber nachvollziehbar und steuerbar. Genau das liefert eine gut konfigurierte Harness.
Fazit
Die Evolution von Prompt Engineering über Context Engineering zu Harness Engineering spiegelt einen Reifungsprozess wider: Vom kreativen Experimentieren zum systematischen Engineering. KI-Modelle werden nicht zuverlässig, indem man ihnen bessere Anweisungen gibt. Sie werden zuverlässig, indem man die Umgebung kontrolliert, in der sie arbeiten.
Harness Engineering ist die Disziplin, die KI-Agenten von interessanten Experimenten zu produktionsreifen Werkzeugen macht. Für Unternehmen, die KI ernsthaft einsetzen wollen, ist es keine Option — es ist eine Voraussetzung.
In unseren KI-Trainings für Software-Teams vermitteln wir Harness Engineering als praxisnahe Kompetenz: vom Aufbau der ersten Verification Loops bis zur vollständigen Agenten-Infrastruktur mit Guardrails und Observability. An echten Projekten, auf Ihren Systemen. Vereinbaren Sie ein kostenloses Erstgespräch.