AI-agentharnesses: drie repo's met elk een ander toepassingsgebied

Als je AI-agentharnesses onderzoekt voor je bedrijf of de klanten van je MSP, verdienen deze drie repo's elk een afzonderlijke blik. DeepSeek Harness beschrijft een architectuur op basis van plugins. Anatomy biedt een skill om interactieve technische figuren te maken. OpenClaw documenteert een assistent die op je apparaten en via berichtenkanalen werkt. Ze vormen het vertrekpunt voor verschillende vragen, niet één lijst met functies die je aan alle projecten kunt toeschrijven.

AI-agentharnesses: waar liggen de grenzen van de drie repo's?

deepseek-ai/deepseek-harness. De README presenteert DeepSeek Harness als een open source agentharness. Volgens de repo heeft het project een op Cordis gebaseerde everything-is-a-plugin-architectuur. Dat is de architectuur zoals de repo die beschrijft: op zichzelf zegt het nog niet welke onderdelen je kunt vervangen of hoe elke integratie werkt.

De README vermeldt ook dat DeepSeek Harness in developer preview is en waarschuwt voor wijzigingen die de compatibiliteit kunnen verbreken. Voor lokaal gebruik documenteert de repo het commando npx @deepseek-ai/dsh web, waarmee een Web UI wordt gestart. De README vraagt je vóór het uitvoeren een veiligheidswaarschuwing te lezen; de inhoud daarvan maakt geen deel uit van de hier geraadpleegde bronnen.

Aanbeveling: wil je DeepSeek Harness voor een project beoordelen, noteer dan welke versie je test en controleer wat updates voor je prototype betekenen. Controlevraag: welke uitbreidingspunten heb je voor jouw toepassing echt nodig, en waar zijn die gedocumenteerd? De architectuurbeschrijving in de README helpt je op weg, maar vervangt die controle niet.

Anatomy: een skill voor een specifieke taak

wheresryan22/anatomy. De README presenteert Anatomy als een skill voor Claude die een idee uitlegt door een werkend object te bouwen. Volgens de repo is de skill ook te gebruiken in OpenCode en Codex. De repo beschrijft interactieve isometrische figuren en onderscheidt SVG-output, SVG-figuren met WebGL en een 3D-modus die als bèta wordt aangeduid. Voor de SVG-modus noemt de repo onder meer een zelfstandige HTML-pagina, een SVG-bestand en React- of Next.js-componenten als mogelijke output.

Het gaat hier om de gedocumenteerde taak: een interactief beeld van een concept maken. Dat is geen belofte over de volledige workflow van een agent. De README bevat voorbeelden van figuren en instructies om de skill te starten. Dat zijn concrete aanknopingspunten als je uitleg voor een technisch team wilt maken.

Aanbeveling: kies een concept dat je collega's lastig vinden om uit te leggen en beoordeel het resultaat als leermiddel. Controlevragen: maakt de figuur duidelijk welk gedrag je wilde beschrijven? Kloppen de weergegeven details? Als je de figuur wilt publiceren, wie controleert dan de tekst, interacties en toegankelijkheid?

OpenClaw: begin bij de Gateway en de beveiliging

openclaw/openclaw. De README presenteert OpenClaw als een open source assistent die op de computer van de gebruiker draait en verbinding maakt met berichtenkanalen. De Gateway wordt beschreven als het lokale controlepunt voor sessies, tools, gebeurtenissen en verbindingen met die kanalen. Volgens de README zijn modellen en agentharnesses bovendien als plugins te vervangen zonder de rest aan te passen. Die claim heeft betrekking op die onderdelen; de lijsten met tools, skills en plugins in de README tonen niet aan dat dit voor elk genoemd onderdeel geldt.

Wat beveiliging betreft, vraagt de README om inkomende berichten als niet-vertrouwde input te behandelen. Ook staat erin dat tools voor de hoofdsessie op de host worden uitgevoerd, tenzij je sandboxing instelt. De README raadt aan de beveiligingshandleidingen te lezen voordat je andere gebruikers toegang geeft of de Gateway op afstand bereikbaar maakt. Die handleidingen worden in de README genoemd, maar behoren niet tot de pagina's die voor dit artikel zijn bekeken.

Aanbeveling: bepaal vóór een test met meerdere mensen wie berichten mag sturen en welke acties je wilt toestaan. Controlevragen: waar worden de tools uitgevoerd in de configuratie die je hebt gekozen? Welke inloggegevens zijn toegankelijk? Welke controles zijn nodig voordat je een kanaal aansluit dat het team gebruikt? Dit moet je in de daadwerkelijke installatie nagaan; een algemene beschrijving biedt daarover geen garanties.

Wat kun je met deze vergelijking?

Voor een mkb-bedrijf of MSP is de aanbevolen volgende stap om elke test aan een afgebakende vraag te koppelen: sluit de beschreven architectuur van DeepSeek Harness aan op je ontwikkelbehoeften? Levert de skill Anatomy een bruikbare, controleerbare uitleg op? Houdt je OpenClaw-configuratie zich aan de operationele grenzen die je hebt vastgesteld? Beoordeel de antwoorden afzonderlijk: een mogelijkheid die één repo beschrijft, geldt niet automatisch voor de andere.

Werk je aan een breder evaluatietraject, dan kun je de Altovar-pagina over kunstmatige intelligentie voor bedrijven raadplegen. Gebruik die om je verder in het onderwerp te verdiepen; raadpleeg voor de eigenschappen van de projecten hun eigen repo's.

Bronnen: README van deepseek-ai/deepseek-harness; README van wheresryan22/anatomy; README van openclaw/openclaw.