Za modelem AI: Jak harness v VS Code pohání skutečné kódování

Když se vývojáři hádají o AI asistenty pro kód, většinou se točí okolo architektury modelu, dat na trénink nebo rychlosti výpočtu. Ale pozor: chytrý model, co jen plodí text, je jako génius v kleci. Rozdíl mezi otravným chatbotem a užitečným parťákem je v něčem nudnějším, ale klíčovém – v coding harness.

Představte si to takto. Model generuje tokeny. Harness z nich udělá git commit, úpravy souborů, příkazy v terminálu nebo spuštění testů. Jeden je čistá inteligence. Druhý je inženýrství, které rozhoduje.

Co se děje, když Copilot v VS Code dostane úkol

Když v VS Code řeknete Copilotovi, ať napíše feature, zrefaktoruje funkci nebo opraví test, spustí se celý stroj. Až pak prompt dorazí k modelu.

Harness má na starosti tři hlavní věci:

Sestavení kontextu: Než AI uvidí váš požadavek, harness už sbírá data. Prohledá strukturu workspace, načte otevřené soubory, vybere relevantní kusy kódu, zkontroluje historii chatu a zabalí to do pečlivých instrukcí. Model nemusí hádat o vašem projektu – vidí přesně, co potřebuje. Správný kontext zázračně zlepší odpovědi. Špatný? I nejlepší model vyplivne nesmysly.

Popis nástrojů: Harness řekne modelu, co smí. Číst soubory? Aplikovat patch? Spustit npm test nebo python manage.py migrate? Semanticky prohledat kód? Každý nástroj má striktní JSON schéma – jako smlouvu. Různé modely dostanou různé sady, extensiony přidají vlastní, uživatel zapne/vypne. Díky tomu to sedí na konkrétní úkol.

Spuštění nástrojů: Když model řekne „spusť tohle“, harness to udělá. Zachytí výstup, pošle ho zpátky do dalšího kola. Řekne „uprav soubor“? Harness napíše diff. Tohle dělá z návrhu akci.

Agent loop: Přemýšlej, jednej, sleduj, opakuj

Tady to začíná být zajímavé. Copilot v VS Code neposílá prompt jen jednou. Spouští cyklus „přemýšlej → jednej → sleduj → zkus znovu“, což tým nazývá agent loop.

Každá zpráva od vás je kolo. To může obsahovat více iterací:

1. Sestav prompt (instrukce + kontext + předchozí výsledky)
2. Pošli k modelu
3. Zkontroluj odpověď – chce model nástroj?
4. Ano? Spusť ho, zachyť výstup, ulož a vrať se zpátky
5. Ne? Ukonči kolo a ukáž výsledek

Jednoduché na papíře, ale v praxi to mění hru. Požadavek „napiš testy pro API endpoint“ může znamenat:

• Pročtení stávajícího kódu pro vzory
• Spuštění npm test pro strukturu
• Analýzu chyb nebo mezer
• Vygenerování testů
• Jejich spuštění a ověření
• Opravy při selhání

Vše v pozadí, řízené harnessem. Vy jen napíšete jednou – a máte fungující řešení.

Proč je harness důležitější, než si myslíte

Tohle ovlivňuje vaši denní práci:

Model je klíčový, ale nestačí. GPT-4, Claude nebo open-source – pokud harness špatně sbírá kontext, omezí nástroje nebo cyklus ukončí brzy, i top model selže. Naopak dobrý harness udělá z obyčejného modelu hrdinu.

Přizpůsobení je v harnessu. Extensiony přidají nástroje. Custom agenti v .agent.md omezí možnosti pro úkoly. Zapněte/vypněte funkce. VS Code se tak přizpůsobí vašemu workflow – díky harnessu, ne modelu.

Bezpečnost a spolehlivost žijí zde. Model může blábolit. Harness ověří argumenty, zvládne chyby, vyžádá potvrzení u rizik. To je vaše pojistka.

Cyklus zvládá složitost. Nemusíte psát dokonalé prompty. Model vidí selhání testu a upraví. Soubor nesedí? Přečte ho znovu a opraví.

Dál než hype

Branche AI asistentů se poslední roky soustředila na žebříčky modelů a benchmarky. To není na zahodit – lepší model pomáhá. Ale nestačí. Skutečný zážitek tvoří vrstva kolem.

Dobře navržený harness znamená méně iterací k řešení. Lepší kontext méně nedorozumění. Správné nástroje umožní modelu jednat bez hazardu.

Pro týmy jako NameOcean, co staví development tools, platí to všude. Ať generujete kód s AI, automatizujete infra nebo cloud služby – orchestrace, co mění výstup modelu v akce, je místo, kde inženýrský řemeslo září nejvíc.

Příště, když se někdo ptá „jaký model vybrat“, zeptějte se lépe: „Jak funguje harness kolem něj?“