LongHorizon-Harness

Coding-Agenten sind gut bei begrenzten Aufgaben, verlieren aber leicht die Orientierung, den Zustand oder schlicht den Kontext, sobald etwas Stunden statt Minuten dauert, besonders bei Arbeit, die sowohl Desktop-Apps mit grafischer Oberfläche als auch ein Terminal umfasst. LongHorizon-Harness vom AMap-ML-Team bei Alibaba wurde gezielt gegen genau dieses Fehlerbild gebaut, statt ein weiterer Agent zu sein. Es trainiert kein neues Modell und ersetzt nicht Claude Code, Codex, OpenCode oder DeepSeek Harness, sondern umschließt, was du davon schon nutzt, mit einer Schicht, die das Projekt Loop Engineering nennt und die den Agenten über eine lange laufende Desktop-und-CLI-Aufgabe hinweg auf ein Ziel ausgerichtet hält.

Die Schleife folgt einem festen Zyklus: Ziel und letzten verifizierten Zustand wiederherstellen, einen einzelnen, begrenzten nächsten Schritt planen, ihn mit einem frischen Kontextfenster statt einer immer länger werdenden Konversation ausführen, prüfen, ob das reale Ergebnis auf dem Desktop oder im Terminal tatsächlich dem Erwarteten entspricht, und dann entweder den Fortschritt als Checkpoint sichern oder die Fehlerbelege in die nächste Runde einspeisen. Weil die Verifikation gegen den echten Computerzustand erfolgt und nicht gegen die eigene Erfolgsmeldung des Modells, wird ein Schritt, der still fehlgeschlagen ist, nicht als erledigt gewertet. Der Harness berichtet seine Ergebnisse auf benannten, öffentlichen Benchmarks, darunter WeaveBench, OSWorld 2.0 und Terminal-Bench 2.1, und dokumentiert den Ansatz in einem begleitenden arXiv-Paper.

Das passt zu Teams und Einzelpersonen, die Claude Code, Codex, OpenCode oder DeepSeek Harness bereits für echte Arbeit nutzen und wollen, dass genau diese Agenten unbeaufsichtigt über Dutzende Stunden an Aufgaben weiterlaufen, die Desktop-Anwendungen mit Kommandozeilen-Schritten mischen, etwa eine mehrstufige Datenmigration, ein langer Recherche-Durchlauf oder ein durchgängiger App-Workflow, den ein einzelner Agenten-Turn nicht abschließen kann. Weil es Backend-agnostisch ist, müssen Teams, die sich schon auf einen Coding-Agenten festgelegt haben, für die längere Schleife nicht das Werkzeug wechseln, sie installieren LongHorizon-Harness einfach über das, was sie heute schon einsetzen.

Der Start des Projekts war intensiv (acht Releases und Dutzende gemergte Pull-Requests zwischen dem 4. und 20. August 2026), aber seit dem 20. August gab es keinen Commit und kein Release mehr, mehr als einen Monat vor dieser Auswertung, trotz 40 offener, unbearbeiteter Issues. Die berichteten Gewinne auf WeaveBench, OSWorld 2.0 und Terminal-Bench 2.1 sind eigene Projektangaben, nicht unabhängig reproduziert. Weil LongHorizon-Harness einen bestehenden Agenten nur orchestriert statt sein Urteilsvermögen zu ersetzen, bleibt die Qualität jedes einzelnen Schritts an das jeweilige Backend-Modell gebunden, und ein systematisch falscher Verifikationsschritt könnte schlechten Fortschritt fälschlich als Checkpoint absegnen.

LongHorizon-Harness adressiert eine reale und konkrete Lücke, Agenten, die bei langen Desktop-plus-CLI-Aufgaben die Orientierung oder den Zustand verlieren, mit einem glaubwürdigen, benchmark-gestützten Ansatz von einem echten Engineering-Team statt einem Solo-Nebenprojekt. Einen Einsatz wert ist es, wenn du bereits Claude Code, Codex oder einen ähnlichen Agenten betreibst und ihn über viele Stunden echter Arbeit mit Checkpoint-Wiederherstellung laufen lassen willst. Zu früh ist es für alles Geschäftskritische, angesichts der mehr als einmonatigen Stille seit dem letzten Push. Behandle den intensiven Start über drei Wochen als vielversprechend und beobachte, ob die Entwicklung wieder aufgenommen wird, bevor du produktiv darauf setzt.