Πώς να επιλέξετε coding harness με βάση τον έλεγχο που χρειάζεστε

Το σωστό coding harness δεν κρίνεται από το ποιος το έφτιαξε, αλλά από το πόσο έλεγχο σας δίνει πάνω στη λειτουργία του, αναφέρει η Nicole Koenigstein στις 6 Νοεμβρίου 2026, στο Radar της O’Reilly.

Η εικόνα στην αγορά έχει αλλάξει γρήγορα. Όπως το 2019 οι επιλογές στα language models ήταν λίγες και με περιορισμένα context windows, έτσι και σήμερα τα coding harnesses εξελίσσονται σε διαφορετικές κατευθύνσεις, με ξεχωριστά μοντέλα, μεγέθη, δυνατότητες και τρόπους ανάπτυξης.

Με μια πρώτη ματιά, εργαλεία όπως τα Claude Code, Codex, Pi και DeepSeek Harness μοιάζουν να κάνουν το ίδιο: να βοηθούν στην ανάπτυξη λογισμικού με μοντέλα. Στην πράξη όμως, το καθένα δίνει έλεγχο σε διαφορετικά επίπεδα του συστήματος. Τι μπορεί να δει και να αλλάξει το μοντέλο; Πώς χρησιμοποιεί τα εργαλεία; Πού εκτελείται; Τι γίνεται όταν αποτύχει;

Η βασική ερώτηση, λοιπόν, δεν είναι ποιο coding harness είναι το καλύτερο συνολικά. Είναι ποια επίπεδα του harness χρειάζεστε να ελέγχετε.

Η επιλογή δεν αφορά μόνο το ποιο μοντέλο γράφει καλύτερο κώδικα. Αφορά και το τι παρέχει το ίδιο το harness, τι μπορείτε να αλλάξετε και τι θα χρειαστεί να χτίσετε μόνοι σας. Αν δεν προσφέρει επαλήθευση, μόνιμη κατάσταση, δρομολόγηση επιδιορθώσεων ή επιβεβλημένο όριο εκτέλεσης, αυτές οι ευθύνες μένουν σε εσάς. Τότε εσείς εξακολουθείτε να έχετε την ευθύνη για την αξιοπιστία και τη διακυβέρνηση της ροής εργασίας.

Σε γενικές γραμμές, κάθε harness έχει ένα «κέντρο βάρους»: ένα επίπεδο στο οποίο δίνει τον πιο άμεσο έλεγχο. Ο πίνακας που ακολουθεί στο αρχικό κείμενο είναι μια υψηλού επιπέδου αποτύπωση αυτών των σημείων. Δεν είναι πλήρης σύγκριση χαρακτηριστικών, ούτε οι διαχωρισμοί είναι απόλυτοι. Το Claude Code μπορεί να τρέξει και μη διαδραστικά, μέσα σε sandbox. Το Codex μπορεί επίσης να διαβάζει οδηγίες του repository. Όλα αυτά αλλάζουν γρήγορα.

Το νόημα είναι να φανεί πού δίνει το καθένα το μεγαλύτερο μοχλό παρέμβασης από προεπιλογή και πού πιθανότατα θα παραμείνει η μηχανική δουλειά για εσάς.

Το Claude Code δίνει λεπτομερή έλεγχο πάνω στο πώς εξελίσσεται η υλοποίηση. Το CLAUDE.md παρέχει μόνιμες οδηγίες, τα skills προσθέτουν playbooks για συγκεκριμένες εργασίες, τα subagents μοιράζουν τη δουλειά και τα hooks παρεμβαίνουν πριν και μετά από κλήσεις εργαλείων. Σε αντίθεση με έναν απλό κανόνα άδειας που απλώς απορρίπτει μια ενέργεια, ένα hook μπορεί να εξηγήσει την άρνηση ή να επιστρέψει αμέσως στον agent αποτυχία μεταγλώττισης ή πολιτικής.

Αυτός ο έλεγχος επιτρέπει ευρεία καθοδήγηση του coding loop, αλλά λειτουργεί μέσα στον υπάρχοντα κύκλο ζωής του Claude Code. Αν χρειάζεστε έλεγχο και του εξωτερικού κύκλου ζωής, χρειάζεστε άλλο επίπεδο.

Το Codex προσφέρει διαχωρισμό ανάμεσα στην εργασία και στο περιβάλλον εκτέλεσής της. Ένα noninteractive codex exec μπορεί να αναλάβει μια στενή εργασία σε συγκεκριμένο repository, μέσα σε sandbox που επιβάλλεται από το λειτουργικό σύστημα, και να επιστρέψει αποτέλεσμα με συγκεκριμένο σχήμα.

Αυτό είναι χρήσιμο για ανεξάρτητη επαλήθευση. Μπορείτε να δώσετε στο Codex ένα καθαρό checkout, να αποκλείσετε τις οδηγίες του builder, να περιορίσετε τα writable paths και να τρέξετε ξεχωριστούς ελέγχους για την ποιότητα του κώδικα, τα κενά στα tests, τη μόνιμη κατάσταση ή τη συμπεριφορά που βλέπει ο χρήστης. Το sandbox εξαρτάται από το λειτουργικό σύστημα, αλλά μεταφέρει την επιβολή του εύρους εκτός prompt και μέσα στο όριο εκτέλεσης.

Το Pi δίνει έλεγχο πάνω στον ίδιο τον βρόχο εργασίας. Τα εργαλεία, οι εντολές, οι event handlers, το context, τα μοντέλα και η κατάσταση της συνεδρίας μπορούν να επεκταθούν ή να αντικατασταθούν. Έτσι μπορείτε να αποφασίσετε ποια βήματα παραμένουν agentic και ποια ακολουθούν ντετερμινιστική πολιτική.

Για παράδειγμα, ένα τοπικό σφάλμα μπορεί να επιστρέψει στην υλοποίηση, ένα επαναλαμβανόμενο σφάλμα να οδηγήσει σε επανασχεδιασμό και αντικρουόμενα ευρήματα να ενεργοποιήσουν επανέλεγχο ή ανθρώπινη παρέμβαση. Το Pi μπορεί επίσης να τρέχει agents μέσα σε αυτόν τον κύκλο ζωής, άρα δεν είναι απλώς ένας ντετερμινιστικός ενορχηστρωτής. Στο παράδειγμα του κειμένου, η δυνατότητα προγραμματισμού χρησιμοποιήθηκε ώστε οι εξωτερικές αποφάσεις να είναι ντετερμινιστικές, κάτι που ήταν επιλογή σχεδιασμού και όχι ορισμός του Pi.

Το DeepSeek Harness είναι χρήσιμο όταν θέλετε να αντικαθιστάτε ολόκληρα μέρη του συστήματος αντί να τα καθοδηγείτε ή να τα «τυλίγετε». Τα εργαλεία, οι συνεδρίες, η συμπεριφορά του κύκλου ζωής, η επαλήθευση και η διακυβέρνηση είναι όλα αρθρωτά plug-ins, όπως και ο ίδιος ο βρόχος. Έτσι μπορείτε να αλλάξετε ένα συστατικό χωρίς να ξαναφτιάξετε τα υπόλοιπα.

Η ανταλλαγή είναι ότι ο έλεγχος είναι τόσο ισχυρός όσο και τα plug-ins που συνθέτετε. Εκεί όπου το Pi δίνει έναν λιτό πυρήνα για να χτίσετε πάνω του, το DeepSeek Harness δίνει ένα σύνολο από κομμάτια για συναρμολόγηση.

Η πρακτική περίπτωση που περιγράφεται στο κείμενο αφορά τη μετάβαση μιας παλιάς εφαρμογής Python 2.7 με τρόπο αξιόπιστο, χωρίς να αλλάξει συμπεριφορά που έχει συσσωρευτεί για χρόνια ή να καταστραφούν τα αποθηκευμένα δεδομένα. Η μεταφορά του κώδικα σε Python 3 ήταν μόνο ένα μέρος του προβλήματος. Χρειαζόταν επίσης να διατηρηθεί η συμπεριφορά, να επαληθευτούν τα δεδομένα και στα δύο runtime, να ελεγχθεί τι μπορούσαν να αλλάξουν οι coding agents και να αποφασιστεί τι θα συμβεί όταν αποτύχει ένα test ή ένα βήμα επαλήθευσης.

Γι’ αυτό η επιλογή των harnesses έγινε με διαφορετικό κριτήριο: όχι ποιο ήταν καλύτερο, αλλά τι έδινε το καθένα σε έλεγχο, απομόνωση και διαχείριση κύκλου ζωής. Η λύση που προέκυψε ήταν συνδυαστική. Το Claude Code χρησιμοποιήθηκε για το port, επειδή χρειαζόταν εσωτερική καθοδήγηση, ειδικά skills, hooks και πολλαπλά subagents για υλοποίηση και έλεγχο. Το Codex χρησιμοποιήθηκε για επαλήθευση σε απομονωμένες εκτελέσεις, με ανεξάρτητο context, καθαρά workspaces, περιορισμένες εγγραφές και δομημένα ευρήματα. Το Pi ανέλαβε τον εξωτερικό κύκλο ζωής, με μόνιμη κατάσταση, επικύρωση στοιχείων, κανόνες bounded repair, επανασχεδιασμό και κλιμάκωση σε άνθρωπο.

Τα frozen acceptance checks, όπως τα Playwright και τα Python 2/3 differential checks, εκτελούνταν έξω από τους agents, ώστε ούτε ο builder ούτε ο verifier να μπορούν να επαναορίσουν τι σημαίνει επιτυχία.

Ο συντάκτης δεν χρησιμοποίησε το DeepSeek Harness στην περίπτωση αυτή, επειδή ήθελε έναν πολύ μικρό εξωτερικό κύκλο ζωής που να μπορεί να διαβαστεί από άκρη σε άκρη, και όχι επειδή δεν θα μπορούσε να καλύψει την ανάγκη. Για να ελέγξει αν αυτό το σχήμα έκανε διαφορά, έστησε ένα μικρό Python 2 application με αντίστοιχες παγίδες και το συνέκρινε με μία μόνο συνεδρία Claude Code, όπου το ίδιο το Claude μπορούσε να επαληθεύει και να δοκιμάζει τον κώδικά του.

Και τα δύο σενάρια πέρασαν και τα 25 hidden behavior tests. Ωστόσο, η ενιαία συνεδρία κατέρρευσε σιωπηρά δύο διαφορετικά dictionary keys της Python 2, το Unicode u’é’ και το byte string ‘é’, σε ένα μόνο Python 3 string. Μόλις αποθηκεύτηκαν τα δεδομένα, μία εγγραφή χάθηκε οριστικά. Η ίδια ενιαία ρύθμιση μετέτρεψε επίσης μια Unicode τιμή της Python 2 σε bytes χωρίς να το τεκμηριώσει.

Το test suite δεν το εντόπισε. Ούτε τα δικά του tests. Ούτε οι εκατοντάδες καταγραφές συμπεριφοράς. Ακόμη και η χειροποίητη reference port είχε το ίδιο κενό.

Αυτό που ακολούθησε ήταν πιο ενδιαφέρον. Δύο απομονωμένοι verifiers Codex αναπαρήγαγαν ανεξάρτητα το σφάλμα. Το Claude δεν το αποδέχθηκε αμέσως· το αμφισβήτησε. Τότε το Pi εκκίνησε μια νέα εκτέλεση Codex που έλαβε μόνο το εύρημα και το επιχείρημα του Claude. Ο ανεξάρτητος επανέλεγχος επιβεβαίωσε το σφάλμα και το Claude το αποδέχθηκε. Το Pi δρομολόγησε το πρόβλημα σε bounded repair και ο επόμενος γύρος επαλήθευσης έδειξε ότι και τα δύο keys, μαζί με τους αρχικούς τύπους τους, διατηρούνταν πλέον σωστά.

Το κείμενο επισημαίνει και μια ειρωνεία: τα μοντέλα συχνά κατηγορούνται ότι είναι υπερβολικά συγκαταβατικά, ότι ζητάτε μια διευκρίνιση και αμέσως ξαναγράφουν λειτουργικό κώδικα. Εδώ συνέβη το αντίθετο. Το Claude αμφισβήτησε ένα σφάλμα που είχαν ήδη αναπαράγει δύο ανεξάρτητοι verifiers. Το δικό του context περιείχε την υλοποίηση και τα tests που περνούσαν, στοιχεία που ενίσχυαν την αρχική του θέση. Ένα νέο, ανεξάρτητο context έσπασε αυτόν τον αυτοενισχυόμενο κύκλο. Η ανεξάρτητη επαλήθευση έχει σημασία όχι επειδή το δεύτερο μοντέλο έχει πάντα δίκιο, αλλά επειδή δεν στηρίζεται στην ίδια ιστορία.

Η ουσία είναι ότι κανένα μεμονωμένο harness δεν αξίζει όλη την πίστωση. Το καλύτερο αποτέλεσμα ήρθε από τον συνδυασμό των ελέγχων που χρειάζονταν: εσωτερική καθοδήγηση, ανεξάρτητη εκτέλεση, «παγωμένα» αποδεικτικά συμπεριφοράς και ντετερμινιστική πολιτική κύκλου ζωής.

Όταν κάποιος επιλέγει coding harness, το σημείο εκκίνησης πρέπει να είναι το επίπεδο ελέγχου που χρειάζεται και πόσο από το υπόλοιπο σύστημα είναι έτοιμος να χτίσει μόνος του. Χρήσιμα ερωτήματα είναι αν θέλει να διαμορφώσει έναν υπάρχοντα coding loop, να τον επεκτείνει ή να αντικαταστήσει μέρη του, αν μπορεί να ελέγχει εργαλεία, context, μνήμη και επιλογή μοντέλου στο επίπεδο που απαιτεί το έργο, πού επιβάλλονται δικαιώματα και πολιτικές, αν μπορεί να παρεμβαίνει πριν και μετά από ενέργειες και γεγονότα του κύκλου ζωής, πόσο από την ενορχήστρωση και τη διαχείριση κατάστασης μπορεί να αλλάξει και τι παρέχει για παρατηρησιμότητα, επαλήθευση και δομημένα στοιχεία.

Δεν πρόκειται για εξαντλητική λίστα, αλλά για αφετηρία. Οι απαντήσεις εξαρτώνται από το τι χτίζετε, πόση αυτονομία θέλετε να δώσετε στον agent και για τι θα παραμένετε εσείς υπεύθυνοι όταν κάτι αποτύχει.

Οι απαντήσεις μπορεί να οδηγούν στο Claude Code, στο Codex, στο Pi, στο DeepSeek Harness ή σε κάποιο άλλο coding harness. Στο τέλος, το όνομα του δημιουργού δείχνει μόνο ποιος πακετάρισε το runtime, όχι πού βρίσκονται οι εγγυήσεις σας. Είτε επιλέξει κανείς ένα harness είτε συντονίσει περισσότερα, η αρχή μένει η ίδια: διαλέξτε το εργαλείο με βάση το όριο ελέγχου που σας δίνει και εξετάστε αν θέλετε ο agent να ορίζει μόνος του τους όρους της επιτυχίας του.

Πηγή: oreilly.com.