Paul Iusztin opublikował otwarty kurs Building a Coding Agent From Scratch, który buduje agenta Pythona o nazwie Decode i wyodrębnia trzy różne tryby uruchamiania pętli agenta. Każdy tryb ma inny profil opóźnień i dlatego wymaga innego dostawcy wnioskowania. To praktyczne podejście pokazuje, jak różne architekturalne decyzje wpływają na sposób działania systemów agentów.
Centrum całej architektoniki stanowi headless harness - oprawy bez własnego interfejsu, która uruchamia podstawową pętlę dzielną dla wszystkich haressów. W tej pętli model LLM wybiera akcję, narzędzie ją wykonuje, a obserwacja wraca do kontekstu. Sam agent w implementacji Decode to zaledwie około 20 linii definicji Pydantic AI łączącej model, narzędzia i typ wyjścia. Pozostałą część stanowi harness - pamięć, umiejętności, sandbox, uprawnienia, feedback LSP oraz kompresja danych. Badania z LangChain's Terminal-Bench eksperymentu wykazały, że zmiana tylko harnessu przy tym samym modelu przesunęła agenta kodującego z około 30. miejsca do top 5. Ten wynik zmienia perspektywę - jeśli harness decyduje o jakości, to sposób uruchamiania pętli staje się architektoniczną decyzją, a nie szczegółem wdrożenia.
Trzy tryby obejmują interfejsy plug-in do rdzenia systemu. Pierwszym jest tryb interaktywny online - terminal UI podłączony do jednej aktywnej sesji w pamięci w tym samym procesie, gdzie zdarzenia przesyłają się z powrotem przez async generatory jako tokeny. To podejście ma znaczące implikacje dla zespołów - tradycyjnie pytanie które pytanie stawiali na pierwszym miejscu to wybór modelu, ale literatura inżynierii harensu konsekwentnie wskazuje w innym kierunku. Zrozumienie, że architektura harensu może mieć większy wpływ niż sam model, otwiera nowe możliwości optymalizacji systemów agentów i bardziej efektywnego doboru dostawców wnioskowania dla poszczególnych zastosowań.