Wir kommen bei nowtec solutions aus dem Aktivismus, und davon ist uns eine Gewohnheit geblieben: Wenn ein Werkzeug nicht so existiert, wie wir es brauchen, bauen wir es selbst. Gerade reden alle über den „KI-Agenten“ – und das meiste, was unter diesem Namen verkauft wird, ist ein einzelner Modellaufruf im Trenchcoat. Also haben wir angefangen, einen echten zu bauen, von Grund auf und öffentlich. Er heisst Whale, ich sitze an der Tastatur, und die ersten zwei Build-Sessions sind online (auf Englisch).
Ein Agenten-Harness ist die Software rund um ein Sprachmodell – Steuerschleife, Gedächtnis und Werkzeugzugriff –, die aus einem einzelnen Modellaufruf einen Agenten macht, der ein Ziel verfolgt. Das ist der rote Faden der beiden Sessions: die eine Idee, mit der Agenten verständlich werden, und die Architektur, die sie über die üblichen Grenzen hinausbringt.
Ein Harness ist eine Schleife, kein Aufruf
Agenten ergeben in dem Moment Sinn, in dem du aufhörst, in „Prompt rein, Antwort raus“ zu denken, und anfängst, in einer Schleife zu denken:
handeln → beobachten → entscheiden → wiederholen → aufhören
Ein einzelner LLM-Aufruf beantwortet eine Frage. Ein Harness verfolgt ein Ziel: Er ruft ein Werkzeug auf, beobachtet das Ergebnis, entscheidet über den nächsten Schritt und wiederholt das, bis eine Abbruchbedingung erfüllt ist. Alles andere – die Skills, die er nutzen kann, das Gedächtnis, das er liest und schreibt, das Modell dahinter – hängt an dieser Schleife. Stimmt die Schleife, hat der Rest einen Ort, an dem er andocken kann.
Der erste Build
In der ersten Session kommen wir von den Begriffen zu etwas, das tatsächlich läuft. Der Stack ist bewusst unspektakulär und portabel, denn unspektakulär ist, was du auch in einem Jahr noch warten kannst: ein mit uv verwaltetes Python-Projekt, eine Kommandozeile mit Typer als Oberfläche und LiteLLM als Abstraktionsschicht für die Modelle, damit der Harness modellunabhängig bleibt – standardmässig DeepSeek wegen der Kosten, jeder andere Anbieter per Flag. Darunter liegt eine Konfigurationsarchitektur im Home-Verzeichnis – Skills, Agenten, MCP-Konnektoren und Gedächtnis – plus ein strukturierter Logger, damit jeder Schritt nachvollziehbar ist.
Das Ergebnis am Ende von Teil 1 ist klein, aber echt: Der erste Prompt läuft einmal komplett bis zur Antwort des Modells durch, mit Logging. An diesem Gerüst hängt jede spätere Fähigkeit.
Über ReAct hinaus
Die meisten Agenten-Frameworks hören bei ReAct auf: überlegen → handeln → beobachten, in einer Schleife über Werkzeuge und Gedächtnis. In der zweiten Session treten wir einen Schritt zurück und fragen, wie eine reichhaltigere Architektur aussieht. Denn die Architektur, nicht das Modell, entscheidet, ob du etwas wirklich Neues baust oder nur einen weiteren Wrapper.
Unsere Pipeline geht weiter als die übliche Schleife:
- abrufen – holt aus dem Gedächtnis zurück, was vorher passiert ist.
- lernen – eine Unterschleife, die aus diesem Kontext ein übergeordnetes Verständnis aufbaut, statt ihn nur abzurufen.
- planen – Planungsagenten legen die Arbeit als Baum oder Graph an, nicht als flache Liste. Und weil es eine Schleife ist, lässt sich auch der Plan selbst iterieren.
- recherchieren – geht mit einem Schwarm von Agenten tiefer in den Plan, bevor gehandelt wird.
- ausführen – erzeugt das Ergebnis für die Nutzerinnen und Nutzer, wiederum parallelisierbar über einen Schwarm.
Ein Schwarm ist hier eine Gruppe von Agenten, die bei Bedarf erzeugt werden und parallel an einem Teil des Problems arbeiten. Diese dynamische Erzeugung mehrerer Agenten ist aus unserer Sicht das, was einen Harness von einem Wrapper unterscheidet.
Warum wir öffentlich bauen – und local-first
Aus zwei Gründen. Erstens sind die Designentscheidungen der eigentliche Wert. Zuzuschauen, wie sie entstehen, inklusive der Irrwege, bringt viel mehr als ein poliertes Ergebnis, bei dem die Begründung weggeschliffen wurde.
Zweitens arbeiten wir local-first. Die Modelle können auf unserer eigenen Hardware laufen, und das zählt, wenn dir wichtig ist, wohin deine Daten und dein geistiges Eigentum gehen. Aus demselben Grund setzen wir uns überall in unserer Arbeit für digitale Souveränität ein: Je mehr vom Stack dir gehört, desto weniger hängst du von den Nutzungsbedingungen anderer ab. Deshalb haben wir auch nowLLM gebaut, eine souveräne KI für Organisationen, die ihre Daten in den eigenen Händen behalten wollen. Ein Agenten-Harness, den du selbst betreibst, ist Souveränität auf der Ebene der Automatisierung.
Teil 3 und 4 setzen den Build fort. Wenn du mit Agenten arbeitest oder in einer NGO überlegst, was „agentische KI“ für eure Arbeit konkret bedeutet, ist jetzt ein guter Moment, um dranzubleiben.
Den Build anschauen
- Teil 1 – Konzepte und der erste Build: youtu.be/tgmM7EgUvdU
- Teil 2 – Architektur im Detail: youtu.be/IEfmDQczF_E
- Playlist der ganzen Serie: Creating an Agent Harness
- Code: github.com/nowtec/whale
Dieser Artikel wurde mit Unterstützung von KI-Werkzeugen verfasst und vor der Veröffentlichung von unserem Team geprüft (EU AI Act, Art. 50).
