Как собрать AI-харнесс для SaaS-разработки: связка Orca, Pi Agent и GitHub

Un développeur a publié sur Habr en juillet 2026 une analyse détaillée de son propre système d'IA pour le développement SaaS — un soi-disant agent harness, ou harness. La thèse principale: dans le travail réel de production, ce n'est pas le modèle de langage le plus puissant qui gagne, mais l'infrastructure correctement construite autour de lui, incluant l'orchestrateur Orca, le léger Pi Agent, GitHub et un pipeline VPS personnalisé.

Pourquoi le harness est plus important que le choix du modèle?

Le débat sur la sélection des LLM ne cesse jamais: GPT-5 ou Claude Opus 4.6, Gemini ou Codex. Mais l'auteur pose une thèse radicale: dans le développement réel, la question "quel modèle choisir" est secondaire. Primaire est la question "comment le modèle est-il intégré dans le flux de travail".

Agent harness est une couche entre le développeur et le modèle de langage qui gère le contexte, l'acheminement des tâches, l'exécution de code isolée, la journalisation et les boucles de rétroaction. Sans lui, même le modèle le plus puissant reste un chatbot intelligent, incapable de fonctionner de manière fiable dans un environnement de production.

De quels composants est composée la configuration?

L'auteur décrit une architecture spécifique composée de cinq éléments:

• Orca — orchestrateur central: reçoit une tâche, la divise en sous-tâches et l'achemine vers l'agent ou l'outil approprié
• Pi Agent — agent d'exécution léger pour les tâches ponctuelles: corrections de code, refactorisation, vérification de logique
• GitHub — référentiel comme la "source unique de vérité" du système et point de synchronisation pour les agents
• VPS — environnement d'exécution isolé: les agents exécutent du code sur un serveur distant sans risque pour la machine locale
• Pipeline personnalisé — décrit le flux des tâches de l'assignation à la fusion

Orca et Pi Agent fonctionnent en tandem: l'orchestrateur voit l'ensemble du tableau et distribue le travail, Pi Agent exécute une instruction spécifique et clairement définie sans avoir besoin de maintenir tout le contexte du projet.

GitHub joue un double rôle dans ce schéma. Premièrement — le familier référentiel de code. Deuxièmement — point de synchronisation: les agents écrivent dans des branches, créent des pull requests, et le développeur examine les modifications dans une boucle classique d'examen de code, sauf que maintenant l'IA est du côté de l'exécution.

Comment cette approche diffère-t-elle du ChatGPT ordinaire?

La plupart des développeurs utilisent LLM en mode "question-réponse": collent du code dans le chat, obtiennent une correction, la copient en arrière. Cela fonctionne pour les tâches isolées, mais échoue dans le développement de systèmes.

Le harness change le paradigme: le modèle devient partie d'un flux automatisé où chaque étape est vérifiée, versionnée et enregistrée. Une erreur d'agent n'est pas perdue — elle est capturée dans le système et peut être déboguée. Isolation VPS: plusieurs agents peuvent travailler en parallèle sans conflits sur la machine locale.

"Dans le travail réel, ce n'est pas seulement le modèle le plus fort

qui gagne, mais un système correctement assemblé autour de lui" — thèse clé de l'auteur.

Qu'est-ce que cela signifie?

L'article capture un changement important dans la pratique du développement d'IA: le point de croissance cesse d'être la qualité du modèle, mais la maturité de l'infrastructure autour de lui. Les développeurs qui investissent dans le harness — orchestration, exécution isolée, versionnement — obtiennent des résultats stables en production. Ceux qui alternent simplement entre ChatGPT et Claude travaillent plus lentement et de manière moins prévisible.