Kenapa Prompt Agen AI Kamu Harus Diperbaiki Secara Otomatis?

Pernahkah agen coding AI kamu gagal menyelesaikan tugas yang sebenarnya sederhana? Insting pertama biasanya menyalahkan modelnya. Mungkin modelnya kurang pintar, atau versinya sudah ketinggalan zaman.

Riset terbaru dari Google Research menawarkan sudut pandang berbeda. Masalahnya mungkin bukan pada modelnya, melainkan pada harness, yaitu semua sistem di sekitar model: system prompt, tools, memori, sampai cara kerja subagen. Framework open source bernama Harness² mencoba memperbaikinya secara otomatis, tanpa mengubah bobot model sama sekali.

Antusiasme komunitas langsung terasa. Repo github.com/google-research/harness2 yang dirilis 6 Oktober 2026 sudah mengumpulkan lebih dari 13.000 bintang dan 1.200 fork dalam dua minggu, dengan lisensi Apache 2.0. Angka yang wajar, karena idenya menantang kebiasaan lama: selama ini kita sibuk mengganti model, padahal harness-nya yang bisa diperbaiki.

Apa Itu Harness dalam Agen AI?

Definisi resminya sederhana. Harness adalah sistem di sekitar model yang memungkinkannya bertindak sebagai agen: prompt, tools, memori, skills, orkestrasi, dan banyak lagi. Harnessing adalah proses mengoptimasi sistem itu.

Harness² mengekspos delapan komponen yang bisa diedit: system prompt, guardrails, memory, tool guidance, subagents, skills, scripts, dan plugins. Komponen ini mengatur konstruksi konteks, antarmuka tool, delegasi, dan perilaku di dalam tool loop.

Intinya, bobot model dibekukan. Yang berubah hanyalah harness di sekitarnya. Ini kabar baik buat kamu yang tidak punya budget melatih model sendiri, karena eksperimennya jauh lebih murah.

Dokumentasi resminya juga mengelompokkan peran tiap komponen: system prompt, guardrails, memory, dan skills membangun konteks; tool guidance dan scripts mendefinisikan antarmuka tool; subagents mengorkestrasi delegasi; plugins mengendalikan middleware.

Cara Kerja Propose-Probe-Compose

Jantung Harness² adalah langkah Propose-Probe-Compose di level tugas. Pertama, editor harness mengusulkan edit. Kedua, kandidat edit itu diuji langsung pada tugas yang sama. Ketiga, komposer merangkai harness final dari kontras perilaku antar eksekusi.

Yang membuatnya istimewa: semua ini berjalan tanpa ground truth verifier. Di dunia nyata, tugas yang dihadapi agen biasanya belum pernah terlihat saat harness dirancang, jadi tidak ada jawaban benar yang bisa dipakai menilai. Harness² justru belajar dari perbedaan perilaku antar percobaan.

Rekursinya bisa diskalakan dua arah. Mode paralel mengeksplorasi banyak kandidat harness sekaligus lalu menggabungkannya dari bukti eksekusi. Mode sekuensial membawa harness yang sudah diperbaiki melewati langkah Propose-Probe-Compose berulang untuk penyempurnaan yang lebih dalam.

Pelajaran yang Menumpuk Antar Tugas

Rekursi tidak berhenti di satu tugas. Level kedua, harnessing-level recursion, memperbarui improvement harness yang persisten dengan harness yang diadopsi plus pelajaran yang didukung bukti dari tiap tugas. Pelajaran ini memandu penyempurnaan tugas berikutnya.

Analoginya seperti senior engineer yang makin jago setiap menangani insiden. Bedanya, pelajaran di sini tersimpan eksplisit sebagai improvement harness, bukan sekadar intuisi di kepala.

Paper-nya, "Harness²: Recursive Agent Harnessing for an Open World" karya Ruiyao Xu dan delapan rekannya, disubmit ke arXiv pada 9 Oktober 2026. Repo pendampingnya dirilis di organisasi GitHub google-research tiga hari sebelumnya.

Angka Buktinya Cukup Meyakinkan

Satu langkah Harness² menaikkan skor GLM-5 dan Gemini 3.5 Flash dibanding harness dasarnya: plus 11,5 poin di WorkBuddy-Bench, plus 4,5 poin di JobBench, dan plus 11,8 poin persentase di partial pass rate LAB. Menambah budget rekursi memberi peningkatan lebih lanjut.

Tiga benchmark itu bukan mainan. JobBench menguji pekerjaan profesional, LAB menguji pekerjaan legal, dan WorkBuddy-Bench mencakup tugas kantor, web, dan kode. Framework ini juga mendukung executor OpenCode dan Codex, dua coding agent populer yang banyak dipakai developer.

Buat kamu yang penasaran, ada demo lokal yang bisa dijalankan tanpa kredensial model sama sekali: harness2-demo dengan editor deterministik dan eksekusi Python asli. Syaratnya Linux, Python 3.12, dan uv untuk instalasi.

Penulisnya menguji empat konfigurasi model-harness dan menemukan satu langkah sudah konsisten memperbaiki hasil. Ini penting: peningkatannya bukan kebetulan satu model, melainkan pola yang berulang di beberapa setup.

Catatan Penting Sebelum Kamu Coba

Ada dua hal yang wajib kamu tahu. Pertama, README-nya menegaskan ini bukan produk Google yang didukung resmi, jadi perlakukan sebagai proyek riset. Kedua, executor-nya punya akses jaringan tanpa batas dan Codex berjalan dengan sandbox dimatikan, jadi konfigurasikan pembatasan jaringan sebelum evaluasi agar jawaban benchmark tidak bocor.

Saya sendiri suka bereksperimen dengan tooling seperti ini, dan beberapa di antaranya saya dokumentasikan di /projects. Silakan mampir kalau kamu penasaran dengan proyek eksperimen seputar AI dan developer tools.

Kenapa Ini Penting untuk Kamu

Selama ini perlombaan agen AI selalu soal model yang lebih besar. Harness² mengingatkan bahwa separuh kecerdasan agen justru ada di luar model: di prompt sistem yang rapi, guardrails yang tepat, dan memori yang dikelola baik.

Buat developer Indonesia, pesannya praktis. Kamu tidak perlu menunggu model terbaru untuk membuat agenmu lebih andal. Perbaiki harness-nya, ukur perubahannya, dan biarkan framework seperti ini mengulanginya untukmu.

Mungkin inilah masa depan tooling agen: bukan model yang makin besar, melainkan harness yang makin pintar memperbaiki dirinya sendiri.