Ryan Lopopolo ha publicado en GitHub el repositorio "harness-engineering", una antología, guía de campo y conjunto de contexto para agentes que define y desarrolla la práctica del "harness engineering": mejorar el rendimiento de un agente de inteligencia artificial configurando el entorno que lo rodea, en lugar de modificar el modelo o el propio agente.
El enfoque parte de una idea central: mantener el modelo y el agente de codificación como una caja negra fija y actuar sobre las dos palancas externas —el contexto y las herramientas— para que el sistema pueda recuperar la intención, operar sobre el sistema real, respetar la autoridad, demostrar el resultado y dejar cada ejecución mejor preparada que la anterior. El repositorio sostiene que el trabajo con agentes es un juego iterativo y que un buen harness convierte el juicio organizacional en algo acumulativo: las lecciones de trabajos aceptados, correcciones, fallos y respuestas de usuarios se transforman en contexto, límites, herramientas, ejemplos y comprobaciones que moldean trayectorias futuras.
Otro eje del proyecto son los requisitos no funcionales —fiabilidad, seguridad, compatibilidad, mantenibilidad, rendimiento, operatividad, gestión de riesgo y calidad de acabado— y las decisiones locales sobre cómo priorizarlos. Estos requisitos y decisiones se codifican como contexto recuperable, ejemplos, herramientas y restricciones ejecutables. El repositorio incluye un AGENTS.md que dirige las tareas hacia los argumentos, casos y pruebas pertinentes, un índice de tesis, playbooks aplicables y una biblioteca de fuentes, entre ellas el artículo de OpenAI "Harness engineering: leveraging Codex in an agent-first world". El material está licenciado bajo CC BY 4.0.