Harness представляет автономных AI-агентов для автоматизации DevOps-процессов

01Введение

Компания Harness предоставила DevOps-командам возможность создавать и развертывать автономных AI-агентов, автоматизирующих доставку кода в production-среды.

02Как работают автономные агенты

Trevor Stuart, старший вице-президент и генеральный менеджер Harness, пояснил, что Autonomous Worker Agents устраняют необходимость в фиксированных скриптах. Вместо этого используются кастомные AI-агенты или готовые агенты от Harness, работающие в изолированной sandbox-среде.

Через Harness Model Context Protocol (MCP) Server разработчик, использующий AI-инструмент для написания кода, может поручить задачу Worker Agent. Результат возвращается туда, где был инициирован запрос. Каждый агент имеет собственную идентичность и набор разрешений, гарантирующий выполнение только разрешенных задач — независимо от того, кто его запускает или какой промпт используется.

После запуска агент обращается к Harness Software Delivery Knowledge Graph — связанной карте сервисов, пайплайнов, развертываний, инфраструктуры, инцидентов и результатов безопасности. Это позволяет агенту понимать уникальный контекст DevOps-процесса.

03Поддержка разных моделей и централизованное управление

Autonomous Worker Agents работают с несколькими провайдерами AI-моделей. Это дает возможность переключать модель для каждого агента, окружения или пайплайна без переписывания самого агента.

Каждый AI-агент централизованно управляется через LLM Gateway, который применяет те же политики управления, что и для людей-инженеров. Создаются аудиторские следы для многокомпонентных процессов, что позволяет использовать агентов в строго регулируемых средах. Потребление токенов и расходы отображаются для каждого агента и пайплайна, чтобы DevOps-команды могли контролировать затраты.

04Маркетплейс агентов

Harness запустила Harness Agent Marketplace, где доступны готовые AI-агенты:

• Autofix agent — читает логи, определяет первопричину сбоя сборки, вносит исправление в ветку PR и перезапускает сборки до успешного прохождения.
• Code Review agent — проверяет PR на качество кода, проблемы безопасности и покрытие тестами.
• Code Coverage agent — выявляет непротестированные строки и генерирует тесты для закрытия пробелов в покрытии.
• Feature Flag Cleanup agent — обнаруживает устаревшие флаги и проверяет безопасность их удаления.
• Manifest Remediator agent — анализирует неудачные развертывания Kubernetes и исправляет проблемы в манифестах.
• IaCM Remediation agent — исправляет конфигурационный дрейф, проблемы безопасности и затраты на облако путем редактирования конфигураций инфраструктуры.

Кроме того, каждый агент в Marketplace можно форкнуть. DevOps-команды могут создать собственного агента, клонировав существующего и настроив промпт, инструменты или триггеры под свою среду.

05Цели и перспективы

По словам Stuart, общая цель — упростить координацию действий AI-агентов в множестве асимметричных процессов, охватывающих весь жизненный цикл разработки ПО. Каждый инженер в будущем будет функционировать скорее как архитектор ПО.

Естественно, каждой DevOps-команде предстоит определить свой уровень комфорта при использовании AI-агентов для автоматизации задач. Однако очевидно, что необходимость создавать, поддерживать и обновлять скрипты с каждым днем становится все менее актуальной.