Harness, scaffold, agent : démêle le vrai du faux
Pourquoi ça compte pour toi
Si tu construis, déploies ou utilises un agent IA (Claude Code, Cursor, ou n'importe quel outil du genre), tu vas croiser « harness », « scaffold », « policy » — et personne n'explique pareil. Ces concepts définissent comment ton agent fonctionne. Les confondre, c'est comme ne pas savoir la différence entre le moteur et la carrosserie d'une voiture : tu peux conduire sans comprendre, mais tu ne peux pas identifier ce qui pose problème.
Ce qu'il faut retenir
- 1.Le modèle seul ne fait qu'une chose : générer du texte. Ajoute un scaffold et un harness, il devient un agent.
- 2.Scaffold = couche comportementale (prompt système, description des outils, gestion du contexte). Harness = boucle d'exécution (appelle le modèle, gère ses appels d'outils, décide quand arrêter).
- 3.Deux produits avec le même modèle peuvent être radicalement différents : tout dépend de leur harness et scaffold.
- 4.Context engineering = décider ce que l'agent voit à chaque étape. À l'entraînement, c'est critique. En production, tu peux réajuster en changeant juste le prompt.
Tu galères avec le jargon ?
Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.
Pourquoi cette distinction compte
Quand Anthropic dit que « Claude Code est le harness autour de Claude », ils admettent quelque chose : le modèle ne suffit pas. Tu pourrais prendre GPT-4, enrober Claude avec un autre système d'exécution, et ça fonctionnerait — mais différemment.
Cette séparation entre modèle, scaffold et harness explique pourquoi :
- ▸Claude Code et Cursor se sentent différents même s'ils pourraient utiliser les mêmes modèles
- ▸Changer un prompt (scaffold) peut transformer le comportement sans réentraînement
- ▸Un agent IA qui échoue, c'est rarement le modèle qui « n'est pas assez intelligent » — c'est souvent le harness qui prend la mauvaise décision d'arrêt, ou le scaffold qui cache des informations cruciales
Décortique chaque pièce
Le modèle : Claude, GPT, Qwen, DeepSeek. C'est un convertisseur texte-en-texte. Seul, il répond une fois et s'arrête. Zéro mémoire entre appels, zéro boucle.
Le scaffold : tout ce qui définit le comportement du modèle.
- ▸Prompt système (« tu es un expert en débogage »)
- ▸Description détaillée des outils disponibles
- ▸Format attendu pour les réponses
- ▸Ce que l'agent mémorise d'une étape à la suivante
Le scaffold, c'est l'instruction donnée au modèle. Elle façonne sa vision du monde.
Le harness : la boucle qui fait tourner l'agent.
- ▸Appelle le modèle
- ▸Intercepte sa réponse
- ▸Exécute les appels d'outils demandés
- ▸Décide : continuer ou arrêter ?
- ▸Boucle jusqu'au critère d'arrêt
Le harness, c'est l'infrastructure. C'est lui qui choisit quand dire « stop, tu as fini ».
Concrètement : un agent de code
Tu veux un agent qui corrige tes bugs. Voici ce qui se passe :
Scaffold : le prompt système dit « analyse le code proposé, exécute-le, compare avec le résultat attendu, forme une hypothèse, corrige-la ».
Harness : boucle qui appelle le modèle → reçoit « exécute ce code » → envoie le résultat au modèle → reçoit « maintenant log les erreurs » → exécute → relance la boucle.
L'agent réussit ou échoue selon :
- ▸Qualité du scaffold (voit-il assez d'infos pour décider ?)
- ▸Qualité du harness (s'arrête-t-il trop tôt ? gère-t-il les erreurs ?)
- ▸Oui, aussi la capacité du modèle — mais c'est le tiers de l'équation.
À l'entraînement vs en production
À l'entraînement : le harness lance des centaines de boucles en parallèle, remet les résultats au modèle pour qu'il apprenne.
En production : le harness lance une boucle, traite le flux en temps réel.
Le context engineering (ce que l'agent voit) coûte très cher à l'entraînement si tu fais une erreur (réentraînement complet). En production, c'est juste du texte — change le prompt et redéploie.
Policy : pas l'agent, le comportement
Une policy, c'est la recette du comportement : « dans cette situation, fais ça avec 70% de probabilité, sinon fais ça ».
Le modèle en apprend une partie dans ses poids. Mais le reste vient du scaffold et du harness. Un même modèle avec deux harness différents = deux policies différentes = deux expériences différentes.
Attention : policy ≠ agent. La policy, c'est le quoi. L'agent, c'est le système complet qui agit.
Tools vs Skills
Tool : action ponctuelle. « Exécute cette commande » « Appelle cette API ».
Skill : ensemble réutilisable qui combine plusieurs étapes. « Débugge ce crash » = appelle le parser → exécute le code → analyse les logs → propose un correctif.
Les skills sont portables. Tu les charges à la demande.
À retenir
La confusion harness/scaffold vient d'une vraie raison : les deux forment le système d'exécution de l'agent. Mais les séparer mentalement t'aide à :
- ▸Déboguer : le problème vient-il de ce qu'on dit au modèle (scaffold) ou de comment on exécute (harness) ?
- ▸Itérer : tu peux modifier le scaffold sans réentraînement. C'est rapide.
- ▸Partager : plusieurs harness peuvent utiliser le même scaffold. Ou vice-versa.
La prochaine fois que tu lis un article sur les agents et qu'il mélange les termes, tu sauras qu'ils confondent l'infrastructure (harness) avec les instructions (scaffold). C'est une vraie erreur, pas juste une question de vocabulaire.
Et concrètement pour toi ?
Choisis ton profil — la lecture de l'article change selon qui tu es.
Pour toi, retiens juste ça : le modèle génère du texte, le scaffold lui dit quoi faire, le harness lui dit comment le faire en boucle. Les prochains produits IA ne seront pas plus puissants parce qu'ils auront un meilleur modèle, mais parce qu'ils auront un meilleur harness et scaffold. C'est l'architecture, pas la magie.
Source
Pour aller plus loin
Cet article t'a donné envie d'approfondir ? Deux formations Noésis t'attendent :
Explorer les thèmes de cet article :