Markdown als Werkzeug: Harness-Engineering ohne eine Zeile Code

Harness-Engineering galt lange als Domäne von Entwicklern, die mit KI-gestützten Coding-Agenten arbeiten. Doch die wachsende Verbreitung von MCP-Servern (Model Context Protocol) hat diese Methode auch für Nicht-Programmierer zugänglich gemacht. Statt endlose Prompts zu optimieren, setzen sie auf strukturierte Markdown-Dateien, um KI-Agenten zu steuern – und das ohne eine einzige Codezeile zu schreiben.

Die Idee dahinter: Ein Agent soll nicht durch bessere Anweisungen perfektioniert werden, sondern durch eine stabile Umgebung, die Fehlerquellen von vornherein ausschließt. Mitchell Hashimoto, Mitgründer von HashiCorp, prägte den Begriff 2026 in einem Blogpost, in dem er beschrieb, wie sich Agenten durch systematische Einschränkungen statt durch Prompt-Optimierung verbessern lassen. Nur wenige Tage später veröffentlichte OpenAI einen Bericht über ein Team, das ein Produkt mit über einer Million Codezeilen allein durch KI-Agenten entwickelte – ganz ohne manuellen Code. Beide Beispiele zeigen: Harness-Engineering ist keine Frage der Programmiersprache, sondern der Architektur.

Vom Prompt zur stabilen Umgebung

Der klassische Ansatz in der KI-Nutzung ist simpel: Der Nutzer schreibt einen Prompt, der Agent handelt danach – und scheitert womöglich bei der nächsten Sitzung, weil der Kontext verloren geht. Viele erleben das, wenn ein Agent zwar instruiert wird, keine direkten Slack-Nachrichten zu posten, aber doch gegen diese Regel verstößt. Oder wenn er finanzielle Entscheidungen trifft, obwohl ausdrücklich darum gebeten wurde, den Nutzer zu konsultieren.

Die Lösung liegt nicht im besseren Prompt-Design, sondern in der Umgebung. Statt die Anweisungen im Chat zu verstecken, wo sie bei langen Konversationen untergehen, werden sie in persistente Markdown-Dateien ausgelagert. Tools wie Claude Desktop oder ChatGPT mit Custom Instructions laden diese Dateien automatisch bei jedem neuen Chat und machen sie damit unlöschbar – selbst wenn der Agent „vergisst“, wie er eigentlich handeln sollte.

Drei praktische Harness-Muster für Markdown

Die folgenden Beispiele zeigen, wie sich Harness-Prinzipien ohne Code umsetzen lassen. Jede Methode nutzt Markdown-Dateien, die in den Projekt-Kontext oder Custom Instructions eingebettet werden. Die Agenten greifen auf diese Regeln zu, während der Nutzer nur noch die Ergebnisse genehmigen muss – oder gezielte Anpassungen in den Dateien vornimmt.

1. Verbotene Aktionen klar definieren

Ein häufiger Fehler in der KI-gestützten Zusammenarbeit: Agenten posten direkt in Slack, obwohl sie nur Entwürfe erstellen sollen. Oder sie treffen finanzielle Entscheidungen, obwohl dies ausdrücklich untersagt wurde. Solche Verstöße wiederholen sich, weil die Anweisungen im Prompt flüchtig sind.

Die Lösung: Eine dedizierte Sektion in der Anweisungsdatei, die automatisch geladen wird und keine Ausnahmen zulässt. Beispiel:

## Verbotene Aktionen – strikt einzuhalten

- **Nie direkte Slack-Nachrichten posten** (nur Entwürfe erstellen; Nutzer entscheidet über Veröffentlichung)
- **Keine finanziellen Entscheidungen treffen** (immer Nutzer nach Bestätigung fragen)
- **Vorläufige Antworten an Kunden nie als final behandeln** (immer Nutzerfreigabe einholen)
- **Keine Bewertungen oder Gehaltsentscheidungen vornehmen**
- **Vertrauliche Informationen nie ungeschützt weitergeben**

Diese Regeln werden in einer Datei wie agents/prohibited_actions.md gespeichert und in der Projekt-Kontext-Konfiguration von Claude Desktop oder den Custom Instructions von ChatGPT verlinkt. Da die Datei bei jedem neuen Chat automatisch eingelesen wird, bleibt ihre Gültigkeit erhalten – selbst wenn der Agent „vergisst“, was er tun soll.

2. Kontextgesteuerte Routinen mit Routing-Regeln

Unternehmen arbeiten oft mit verschiedenen Tools wie Confluence, Google Calendar oder Jira, die ein Agent steuern soll. Doch die Anforderungen variieren: Mal soll eine Zusammenfassung in Confluence erstellt werden, mal eine Terminplanung in Google Calendar – und manchmal beides zusammen. Ein starrer Prompt führt hier schnell zu Fehlern.

Die Alternative: Routing-Regeln in Markdown-Dateien, die den Agenten je nach Kontext den richtigen Workflow zuweisen. Beispiel:

## Kontext-Routing

- **Wenn `tool: confluencer` aktiv** → Fasse die Diskussion zusammen und erstelle eine Seite in `Team/KI-Projekte`
- **Wenn `tool: calendar` aktiv** → Plane einen Termin basierend auf den priorisierten Aufgaben in `Trello`
- **Wenn `tool: jira` aktiv** → Aktualisiere den Status der Ticket `AI-123` auf „In Review“

## Priorisierungslogik
- **Finanzielle Anfragen** → Immer Nutzer bestätigen lassen
- **Personenbezogene Daten** → Nur mit expliziter Freigabe verarbeiten

Diese Regeln werden in einer Datei wie knowledge/context_routing.md hinterlegt. Der Agent liest sie bei jedem neuen Chat und wählt den passenden Workflow ohne manuelle Prompt-Anpassung. Fehler wie vergessene Schritte oder falsche Tools gehören damit der Vergangenheit an.

3. Wissensspeicher für konsistente Antworten

Ein großes Problem in der KI-Nutzung ist die Inkonsistenz: Der Agent antwortet heute anders als morgen, selbst wenn die gleiche Frage gestellt wird. Der Grund? Kein zentraler Wissensspeicher, der Richtlinien, Unternehmensstile oder historische Entscheidungen festhält.

Die Lösung: Eine strukturierte Wissensdatenbank in Markdown, die der Agent bei jedem Chat abruft. Beispiel:

## Unternehmensstile & Richtlinien

### Tonfall
- **E-Mails an Kunden**: Höflich, aber direkt („Sehr geehrte/r [Name], wie besprochen…“)
- **Interne Dokumente**: Neutral und präzise („Laut Protokoll vom 15.05. gilt…“)

### Häufige Fragen (FAQ)
- **„Wie reiche ich einen Urlaubsantrag ein?“** → Link zu `dokumente/urlaubsantrag.md`
- **„Wer ist mein Ansprechpartner für IT-Fragen?“** → Immer `support@firma.de` verwenden

### Historische Entscheidungen
- **2024-11-03**: Budget für Projekt X wurde auf 50.000 € erhöht (Genehmigung: Max Mustermann)

Diese Datei wird in einem Ordner wie knowledge/company_guidelines.md abgelegt. Der Agent greift auf sie zu, wenn er neue Anfragen bearbeitet, und bleibt damit konsistent – selbst bei komplexen Themen oder langen Chatverläufen.

Warum Markdown der Schlüssel zum Erfolg ist

Harness-Engineering mit Markdown funktioniert, weil es zwei Grundprinzipien vereint:

1. Persistenz: Die Regeln existieren außerhalb des Chats und werden bei jedem neuen Gespräch automatisch geladen. Kein Vergessen, keine versteckten Anweisungen.
2. Skalierbarkeit: Einmal erstellt, können die Markdown-Dateien für mehrere Agenten oder Teams genutzt werden. Änderungen wirken sich sofort aus – ohne manuelle Prompt-Anpassungen.

Tools wie Claude Desktop oder ChatGPT mit Custom Instructions machen diese Methode besonders zugänglich. Sie ermöglichen es auch Nicht-Entwicklern, KI-Agenten sicher und effizient in Geschäftsprozesse zu integrieren – ohne sich mit Code beschäftigen zu müssen.

Die Zukunft: Harness-Engineering für alle

Harness-Engineering begann als Konzept für Programmierer, doch die MCP-Ära hat es demokratisiert. Immer mehr Unternehmen setzen auf agentengestützte Automatisierung, sei es in der Buchhaltung, im Marketing oder im Projektmanagement. Die Herausforderung liegt nicht mehr darin, den Agenten „besser zu fragen“, sondern die Umgebung so zu gestalten, dass Fehler von vornherein ausgeschlossen sind.

Mit Markdown als Werkzeug steht nun auch Nicht-Programmierern ein mächtiges Instrument zur Verfügung. Es bleibt abzuwarten, wie sich diese Methode weiterentwickelt – doch eines ist sicher: Die Ära der endlosen Prompt-Optimierung neigt sich dem Ende zu. Stattdessen setzen immer mehr Nutzer auf stabile Strukturen, die Agenten zuverlässig steuern – ganz ohne eine Zeile Code.