README_DE.md

April 2, 2026 · View on GitHub

「Aha」— AutoHarness: Automated Harness Engineering for AI Agents

Jeder Agent verdient seinen aha-Moment — das Modell denkt, wir kümmern uns um den Rest.

AutoHarness Poster

🇬🇧 English · 🇨🇳 简体中文 · 🇯🇵 日本語 · 🇰🇷 한국어 · 🇪🇸 Español · 🇫🇷 Français · 🇩🇪 Deutsch · 🇵🇹 Português · 🇷🇺 Русский

📖 Dokumentation · 🚀 Schnellstart · 🔧 Modi · 📊 Vergleich

⚡ Schnellinstallation

git clone https://github.com/aiming-lab/AutoHarness.git
cd AutoHarness && pip install -e .

from openai import OpenAI
from autoharness import AutoHarness

client = AutoHarness.wrap(OpenAI())
# Das war's. Ihr Agent hat gerade seinen Aha-Moment erlebt.

🔥 Neuigkeiten

[01.04.2026] v0.2.0 Veröffentlicht: Dreistufige Pipeline-Modi (Core / Standard / Enhanced), Trace-basierte Diagnostik, Interface-Validierungsschranken, verbesserte Kontextverwaltung. 958 Tests bestanden.
[01.04.2026] v0.1.0 Veröffentlicht: 6-Schritte-Governance-Pipeline, Risikomuster-Erkennung, YAML-Konstitution, Audit-Trail, Multi-Agenten-Profile, Sitzungspersistenz mit Kostenverfolgung.

🤔 Warum Aha (AutoHarness)?

Beim LLM-Training ist der Aha-Moment der Augenblick, in dem ein Modell plötzlich lernt zu denken.

Für Agenten ist der Aha-Moment der Übergang von "demo-tauglich" zu wirklich zuverlässig.

Die Lücke ist enorm: Kontextverwaltung, Tool-Governance, Kostenkontrolle, Beobachtbarkeit, Sitzungspersistenz... Das sind die Muster, die ein Spielzeug von einem System unterscheiden. Wir nennen das Harness Engineering.

AutoHarness ist ein leichtgewichtiges, mehrschichtiges Governance-Framework, damit jeder Agent seinen Aha-Moment haben kann.

Agent = Modell + Harness. Das Modell denkt. Der Harness erledigt alles andere.

🚀 Schnellstart

# Beliebigen LLM-Client wrappen (2 Zeilen, sofortige Governance)
from openai import OpenAI
from autoharness import AutoHarness

client = AutoHarness.wrap(OpenAI())
response = client.chat.completions.create(
    model="gpt-5.4",
    messages=[{"role": "user", "content": "Refactor auth.py"}],
    tools=[{"type": "function", "function": {"name": "Bash", "description": "Run shell commands",
            "parameters": {"type": "object", "properties": {"command": {"type": "string"}}}}}],
)

# Oder die vollständige Agentenschleife verwenden
from autoharness import AgentLoop

loop = AgentLoop(model="gpt-5.4", constitution="constitution.yaml")
result = loop.run("Fix the failing tests in auth.py")

Weitere Beispiele →

✨ Was Sie bekommen

Ohne Harness	Mit AutoHarness
Agent führt `rm -rf /` aus, nichts hält ihn auf	6-Schritte-Pipeline blockiert es, protokolliert es, erklärt warum
Kontext sprengt das Token-Limit	Token-Budget + Trunkierung halten den Kontext unter Kontrolle
Unklar, welcher Tool-Aufruf wie viel gekostet hat	Kostenzuordnung pro Aufruf mit modellbewusster Preisgestaltung
Prompt-Injection schleicht sich durch	Schichtvalidierung: Eingangs-Rails, Ausführung, Ausgangs-Rails
Kein Audit-Trail für Compliance	JSONL-Audit protokolliert jede Entscheidung mit vollständiger Herkunft
Agenten teilen einen einzigen Berechtigungssatz	Multi-Agenten-Profile mit rollenbasierter Governance

Kernarchitektur: 6-Schritte-Governance-Pipeline

Jeder Tool-Aufruf durchläuft eine strukturierte Pipeline:

1. Parsen & Validieren  →  2. Risiko klassifizieren  →  3. Berechtigungen prüfen
4. Ausführen             →  5. Ausgabe bereinigen     →  6. Audit protokollieren

Integrierte Risikomuster erkennen gefährliche Operationen, Geheimnis-Exposition, Pfad-Traversierung und mehr.

In Zahlen

6-Schritte-Governance-Pipeline  ·  Risikomuster-Erkennung         ·  YAML-Konstitution
Token-Budget-Verwaltung          ·  Multi-Agenten-Profile           ·  JSONL-Audit-Trail
2 Zeilen zur Integration         ·  0 Herstellerbindung             ·  MIT-Lizenz

🔧 Pipeline-Modi

AutoHarness unterstützt drei Pipeline-Modi. Wählen Sie die Governance-Stufe, die zu Ihren Anforderungen passt:

Modus	Pipeline	Kontext	Multi-Agent	Anwendungsfall
Core	6 Schritte	Token-Budget + Trunkierung	Einzelner Agent	Leichtgewichtige Governance
Standard	8 Schritte	+ Microcompact + Trace-Speicher	Basis-Profile	Produktionsagenten
Enhanced	14 Schritte	+ LLM-Zusammenfassung + Bildentfernung	Fork / Swarm / Hintergrund	Maximale Governance

# Modus über Konstitution wechseln
# constitution.yaml
mode: core      # oder "standard" oder "enhanced"

# Oder über CLI
autoharness mode enhanced

Enhanced ist der Standardmodus. Nutzer erhalten sofort die stärkste Governance. Wechseln Sie zu Core für minimalen Overhead.

Vollständiger Modusvergleich →

🖥️ CLI

autoharness init                          # Konstitution generieren (default/strict/soc2/hipaa/financial)
autoharness init --mode core              # Mit spezifischem Pipeline-Modus generieren
autoharness mode                          # Aktuellen Pipeline-Modus anzeigen
autoharness mode enhanced                 # Pipeline-Modus wechseln
autoharness validate constitution.yaml    # Konstitutionsdatei validieren
autoharness check --stdin --format json   # Tool-Aufruf gegen Ihre Regeln prüfen
autoharness audit summary                 # Audit-Zusammenfassung anzeigen
autoharness install --target claude-code  # Als Claude Code Hook installieren (ein Befehl)
autoharness export --format cursor        # Cross-Harness-Konstitution exportieren

📊 Vergleich

Fähigkeit	AutoHarness	LangGraph	Guardrails AI	OpenAI SDK
Tool-Governance-Pipeline	✅ 6 Schritte (bis 14)	❌	⚠️ Nur Ausgabe	❌
Kontextverwaltung	✅ Mehrschichtig	❌	❌	⚠️ Trimmung
Multi-Agenten-Profile	✅	✅ Graph	❌	⚠️ Handoff
Validierung (Eingang+Ausgang)	✅	❌	✅ Rails	❌
Trace-basierte Diagnostik	✅	❌	❌	❌
Kostenzuordnung	✅ Pro Aufruf	❌	❌	❌
Herstellerbindung	Keine	LangChain	Keine	OpenAI
Einrichtung	2 Zeilen	Graph DSL	RAIL XML	SDK

🙏 Danksagungen

Claude Code von Anthropic: Engineering-Muster, die einige Funktionen unseres Enhanced-Modus inspiriert haben
Codex von OpenAI: Context-Engineering-Praktiken, die das Design unserer Kontextverwaltung informiert haben

📌 Zitation

Wenn Sie AutoHarness in Ihrer Forschung verwenden, zitieren Sie bitte:

@software{autoharness2026,
  title   = {AutoHarness: The Harness Engineering Framework for AI Agents},
  author  = {{AutoHarness Team}},
  year    = {2026},
  url     = {https://github.com/aiming-lab/AutoHarness},
  license = {MIT}
}

⚠️ Haftungsausschluss

Einige architektonische Entscheidungen im Enhanced-Modus wurden durch öffentlich verfügbare Analysen und Community-Diskussionen über das Design von Claude Code nach dessen unbeabsichtigter Veröffentlichung über Anthropics npm-Registry am 31.03.2026 beeinflusst. Wir erkennen an, dass der Originalquellcode von Claude Code geistiges Eigentum von Anthropic ist. AutoHarness enthält, verbreitet oder übersetzt keinen proprietären Code von Anthropic. Wir respektieren Anthropics IP-Rechte und werden Bedenken umgehend behandeln — kontaktieren Sie uns über Issue oder autoharness.aha@gmail.com.

📄 Lizenz

MIT. Siehe LICENSE für Details.