Harness et Scaffold : les termes techniques des AI agents expliqués

Si vous travaillez sur des projets d'AI agents ou suivez l'actualité du domaine, vous avez forcément entendu parler de termes comme Harness, Scaffold, Policy et vous ne savez pas exactement ce qu'ils signifient. Ces termes sont utilisés par les entreprises et les laboratoires de recherche, mais chacun les interprète différemment.

Après la conférence ICLR 2026, un groupe de chercheurs a remarqué cette confusion et a décidé de rédiger un glossaire pour clarifier ces concepts. Cet article en est une explication, comme un ami qui vous expliquerait les bases.

Quels sont les composants fondamentaux d'un AI Agent ?

Tout AI agent se compose de 3 éléments :

1. Le modèle (Model)

C'est le LLM (Large Language Model — un modèle d'IA capable de comprendre et générer du texte comme un humain) : Claude, GPT, Qwen ou DeepSeek. Le modèle seul répond à une question unique et s'arrête. Il n'a pas de mémoire entre les réponses, pas de boucle. Si vous lui posez une question, il répond. Si vous lui en posez une deuxième, il ne se souvient pas de la première.

2. Le Scaffolding (structure de support)

C'est tout ce qui entoure le modèle : les instructions et les outils : le system prompt (le message qui définit le rôle du modèle), la description des outils qu'il peut utiliser, comment interpréter les réponses, ce qu'il doit retenir à chaque étape (Context Engineering — concevoir ce que le modèle voit à chaque étape).

Le Scaffolding est la base. C'est lui qui détermine comment le modèle perçoit le monde.

3. Le Harness (cadre d'exécution)

C'est la boucle qui fonctionne : elle appelle le modèle, lit sa réponse, exécute les outils qu'il a demandés, et décide quand arrêter. Le Harness est ce qui fait fonctionner l'Agent concrètement.

La différence simple : le Scaffolding dit au modèle « ce que tu dis ». Le Harness dit « ce que tu fais ».

Agent = Model + Harness + Scaffolding

Quand vous assemblez ces trois composants, vous créez un Agent — un système intelligent capable de gérer des tâches complexes de manière autonome.

Exemple concret : un Coding Agent

• Le modèle : Claude ou GPT
• Le Scaffolding : un texte qui dit au modèle « Tu es un ingénieur logiciel. Voici tes outils : écrire du code, exécuter des tests, lire des fichiers »
• Le Harness : la boucle qui appelle le modèle, exécute le code qu'il a écrit, lui dit le résultat, décide quand arrêter

Quand vous assemblez tout, vous obtenez Claude Code ou Cursor — des outils qui existent déjà sur le marché.

Qu'est-ce qu'une Policy ?

La Policy (comportement) est l'ensemble des choix que fait l'Agent. Autrement dit : si le problème est X, quelle est la probabilité de choisir la solution A et quelle est celle de choisir la solution B ?

Une partie du comportement est intégrée au modèle (ses données d'entraînement). Mais l'autre partie est intégrée au Scaffolding et au Harness (les prompts, les outils, la mémoire). Le même modèle peut se comporter de façons complètement différentes selon le Scaffolding et le Harness.

Exemple : le même Claude, mais :

• Si vous ajoutez un system prompt qui dit « Tu es un avocat », il se comporte comme un avocat
• Si vous ajoutez « Tu es un ingénieur logiciel », il se comporte comme un ingénieur

Cette différence est la Policy.

Tool Use, Skills et Sub-agents : quelle est la différence ?

Ces trois termes créent beaucoup de confusion :

Tool Use

L'outil est une action unique : « exécuter le code », « lire le fichier », « chercher sur le web ». Le modèle dit « je veux utiliser cet outil » de manière structurée (par exemple en JSON), et le Harness l'exécute et dit au modèle le résultat.

Skill

La Skill est un ensemble organisé de connaissances pour accomplir une tâche complète. Par exemple : « corriger un bug dans le code » — la Skill contient tout ce qui est nécessaire : comment analyser, comment écrire la solution, comment tester. La Skill peut être réutilisée avec n'importe quel agent.

Sub-agent

Le Sub-agent est un agent complètement indépendant : il a son propre modèle, son propre scaffolding et son propre harness. L'Agent principal lui dit « résous ce problème », et le Sub-agent travaille de manière autonome et retourne le résultat.

La différence clé : l'outil est une fonction simple. La Skill est une connaissance. Le Sub-agent est un esprit complet.

Context Engineering : qu'est-ce que le modèle voit à chaque étape ?

C'est la partie la plus importante du Scaffolding. La question simple : « Qu'est-ce que je dis au modèle à chaque étape ? »

Le Context (contexte) comprend :

• System prompt : le message initial qui définit le rôle
• Tool descriptions : la description des outils disponibles
• Conversation history : l'historique de la conversation
• Retrieved knowledge : des connaissances récupérées depuis une base de données

Il y a deux types de mémoire :

• Short-term memory : existe seulement dans le run actuel (conversation, résultats)
• Long-term memory : persiste entre les runs (fichiers, connaissances sauvegardées)

Ces décisions sont cruciales : si vous choisissez mal le contexte, le modèle se comportera mal.

Training vs Inference : quelle est la différence ?

Il y a deux situations :

Inference (utilisation normale)

Le modèle fonctionne, dit « je veux utiliser cet outil », le Harness l'exécute, et la boucle se répète. Les modifications sont faciles : changez le Prompt et c'est tout.

Training (entraînement)

C'est plus complexe. Le Harness exécute l'Agent des milliers de fois sur différentes tâches, enregistre les résultats (Rollout — l'historique complet de ce que fait l'Agent), calcule une reward (le score qui dit si l'Agent a réussi ou échoué), et met à jour les poids du modèle.

Il y a 4 termes clés dans l'entraînement :

1. Environment : ce avec quoi l'Agent interagit (système de fichiers, base de données, etc.)
2. Rollout : un run complet du début à la fin
3. Reward : le score qui dit si l'Agent a réussi
4. Trainer : la classe qui exécute tout ce processus et met à jour le modèle

Qu'est-ce que cela signifie pour vous ?

Ces termes ne sont que des outils pour penser. Si vous construisez un agent simple (par exemple un chatbot avec des outils basiques), vous n'avez pas besoin de connaître tous ces détails. Mais si vous construisez un système complexe ou entraînez un modèle, comprendre ces termes vous aide énormément.

Sur le marché marocain, les entreprises qui travaillent sur les AI agents — comme les fintech, les entreprises de services, même les cabinets juridiques — auront besoin de développeurs qui maîtrisent ces bases. Les développeurs marocains avec cette connaissance seront très demandés, particulièrement en remote pour les entreprises européennes. Les ingénieurs et professionnels indépendants peuvent aussi bénéficier de cette compréhension — comme des avocats qui construisent un agent pour les aider à analyser les documents, ou des architectes qui construisent un agent pour gérer les projets. Ce domaine créera des centaines d'opportunités dans les années à venir.