Act Operator – Open Source eines LangGraph-1.0+-Projektsteuerungs-Harnesses „für echte Produktion“
(github.com/Proact0)Warum fallen bei demselben AI-Modell und denselben Menschen die Ergebnisse unterschiedlich aus?
Jedes Mal wird die Basis neu aufgesetzt und alles erneut gebaut, Teams nutzen Agents jeweils auf ihre eigene Weise, wodurch Code-Konflikte entstehen, und am Ende stapeln sich nur Prototypen, die sich nicht betreiben lassen …
Dabei tritt immer ein chronisches anomales Phänomen auf, das bei der Zusammenarbeit von Fachkräften im Einsatz von AI-Tools entsteht.
Wenn ein technikaffiner Entwickler Claude Code die Implementierung eines Workflows aufträgt, entsteht hervorragender Code. Wenn jedoch ein Entwickler, der zum ersten Mal damit arbeitet, demselben Claude Code dieselbe Anfrage gibt, entsteht allgemeiner, inkonsistenter und subtil fehlerhafter Code. Es ist dasselbe Modell. Warum also?
Das Problem war nicht das Modell, sondern die Kontextlücke (Context Gap) – und das gilt gleichermaßen für Menschen und AI-Agents.
Dass neue Teammitglieder ohne Onboarding in derselben Codebasis herumirren, hat denselben Grund: Konventionen sind implizit, die Architektur existiert nur im Kopf einzelner Personen, und es gibt keine strukturierte Umgebung, die Orientierung gibt. Bei AI-Agents ist es nicht anders.
Auch erfahrene Leute stoßen an diese Wand. Wenn die Session wechselt, vergisst der Agent das frühere Design. Die Architektur von gestern kennt der Agent von heute nicht. Das Wissen steckt nur in den Köpfen der Menschen und nicht in der Codebasis. Wenn Menschen die Konventionen nicht finden können, kann der Agent sie ebenfalls nicht finden.
Um das zu lösen, braucht es keine besseren Prompts oder ein besseres Modell. Man muss die Umgebung selbst gestalten, in der Menschen und Agents gemeinsam arbeiten.
[ Das Harness gab es schon immer. ]
Das Wort Harness stammt vom altfranzösischen 'harnois'. Die ursprüngliche Bedeutung ist „militärische Ausrüstung, Kontrollwerkzeug“.
Seit den 1690er Jahren setzte sich die übertragene Bedeutung durch: „eine unkontrollierte Kraft in die richtige Richtung lenken und nutzbar machen (to control for use as power)“.
Im selben Sinn sagt man auch, dass ein Windkraftwerk den Wind „harnessed“, also in Energie umwandelt.
Im Engineering taucht dieses Prinzip immer wieder in anderer Form auf.
- Wiring Harness: Eine Vorrichtung, die komplex verflochtene Kabel zu einem einzigen Bündel zusammenfasst und so in eine kontrollierbare Einheit überführt. Seit Jahrzehnten Standard in der Automobilindustrie.
- Test Harness: Eine Laufzeitumgebung aus Stubs und Treibern, mit der sich bestimmte Komponenten isoliert ausführen lassen, ohne die gesamte Infrastruktur. Ein Kernkonzept des Software-Testings.
- CI/CD-Pipeline: Eine strukturierte Kontrollumgebung, in der Code nicht direkt in Produktion geht, sondern zuerst Build-, Test- und Validierungsebenen durchläuft. Auch das ist ein Harness.
Die Gemeinsamkeit ist genau eine.
Der Entwurf einer externen Umgebung, um etwas Unkontrolliertes (Kabel, Code-Komponenten, Deployment-Fluss) in die richtige Richtung zu steuern.
Als OpenAI Anfang 2026 mit dem Codex-Agenten innerhalb von fünf Monaten ohne eine einzige manuell geschriebene Codezeile ein System im Millionen-Zeilen-Maßstab baute, war es daher eine natürliche Folge, die Anwendung dieses alten Prinzips auf AI-Agents Harness Engineering zu nennen. Dass Martin Fowler und auch das Engineering-Team von Anthropic zur gleichen Zeit dasselbe Wort verwendeten, war kein Zufall.
Auch LangChain verbesserte nur das Harness und schob sich damit im Terminal Bench 2.0 von Platz 30 auf Platz 5 vor.
Deshalb wurde act-operator als Harness zur Struktursteuerung für LangGraph 1.0+ entwickelt, das in echten Produkten eingesetzt werden kann.
[ Ultra-Quick Start ]}
In einer Umgebung mit installiertem uv ist mit der folgenden einen Zeile das Setup eines produktionsreifen LangGraph-1.0+-Projektharnesses abgeschlossen.
uvx --from act-operator act new
[ Die 3 Schichten von Act Operator ]
In der AI-gestützten Entwicklung ist ein Harness ein System aus Scaffolding, ausführbarem Wissen und Feedback-Loops, das Menschen und AI-Agents gleichermaßen so umschließt, dass unabhängig davon, wer arbeitet, zuverlässig die richtigen Ergebnisse erzeugt werden können.
Act Operator setzt dies in drei Schichten um:
- Scaffolding: Ein vollständiges Projektskelett, das noch vor dem ersten Agent-Prompt zusammengesetzt wird und modulare Konventionen sowie Basisklassen mit garantiert minimaler Kopplung und maximaler Kohäsion enthält
- Ausführbare SSOT: In lauffähigen Dateien kodiertes Wissen, das Agents und Menschen zur Laufzeit lesen
- Feedback-Loops: Spezifikationen, die Agents über Sessions hinweg im Alignment halten
[ Ausführbare SSOT ]
In typischen Teams wird Entwicklungs- und Designwissen über Wikis, Architekturdokumente und mündlich weitergegeben – oder manchmal auch gar nicht. Das Problem ist, dass Dokumente veralten, Wikis alt werden und mündlich überliefertes Wissen Teamveränderungen nicht überlebt.
Ein Harness kodiert dieses Wissen als funktionierende Dateien – nicht als statische Dokumente, sondern als ausführbare Referenz, die von Agents und Menschen direkt gelesen wird. Act Operator verwaltet dies unter Berücksichtigung von Kopplung und Kohäsion als drei komplementäre Ebenen von SSOT-Bausteinen:
- Act Template (scaffold): Das Projektskelett selbst – grundlegende CI-Workflows, Basisklassen, Teststruktur, Monorepo-Konfiguration, Umgebungsvariablen-Management und Nutzungshinweise
- Agent Skills: Insgesamt 5 Skills, mehr als 50 Referenzmuster, Entscheidungsbäume und Architektur-Templates
- Drawkit: Vordefinierte Act-Architektur-Shapes für draw.io – ein geteiltes visuelles Vokabular für die Kommunikation zwischen Menschen
Jeder Baustein richtet sich an ein anderes Ziel, verweist aber auf dieselben zugrunde liegenden Konventionen. Das Act Template etabliert die strukturelle Grundlage, in der sowohl Agents als auch Entwickler arbeiten. Die Skills zeigen dem Agenten, wie in dieser Struktur korrekt gebaut wird, und Drawkit zeigt dem Team, wie sich die Architektur visualisieren lässt.
[ Weitere Open-Source-Infos ]
- Neben Claude Code funktioniert es mit allen Tools, die ein Skill-Verzeichnis unterstützen, etwa OpenCode, Cursor und Gemini CLI.
- Unterstützung für koreanische und englische Dokumentation
- Apache 2.0 License – auf PIPY zu 200 % kostenlos verfügbar
Feedback und Contributions von allen sind herzlich willkommen (und GitHub-Stars★ auch ..!). Vielen Dank :)
Noch keine Kommentare.