Blank white background with no objects or features visible.

EMEA, hallo! TrueFoundry breidt zijn aanwezigheid uit in Europa, het Midden-Oosten en Afrika. Lees meer. →

Agent Harness vs Agent Framework: Wat is daadwerkelijk het verschil?

DoorSahajmeet Kaur

Bijgewerkt: november 20, 2026

Gepubliceerd: november 9, 2026

TL;DR:

Een agent framework geeft je de bouwstenen (primitives) om een agent te bouwen: nodes, edges, state en rollen. Jij schrijft de control flow. Een agent harness is de voltooide runtime: de loop werkt al en het regelt context, sandboxing, goedkeuringen en session state voor je.

↓ De eenvoudigste manier om erover te denken:
• Frameworks zijn voor het bouwen van agents. Jij definieert de flow en voegt de onderdelen samen.
• Harnesses zijn voor het uitvoeren ervan. De kernloop en het operationele mechanisme zijn al ingebouwd.

Wat is een Agent Framework?

Een agent framework geeft je de bouwstenen om een agent samen te stellen. Het biedt structuur en abstracties; jij levert de logica die ze met elkaar verbindt.

Een typisch framework geeft je:

  • Een manier om stappen te definiëren. Nodes in een graph, rollen in een crew, functies in een chain.
  • Een manier om ze te verbinden. Edges, condities, handoffs, sequenties.
  • Een state-model. Meestal een getypeerd schema dat je declareert en dat door elke stap wordt geleid.
  • Modelbindings. Adapters zodat dezelfde code kan worden uitgevoerd op verschillende providers.
  • Execution. Een runner die je structuur doorloopt totdat deze stopt.

LangGraph is het duidelijkste voorbeeld. Je declareert nodes, edges en een gedeeld state-schema, en het voert uit totdat een node END retourneert. CrewAI neemt een andere vorm aan met hetzelfde idee: declareer agents met rollen en taken, en laat het ze sequentieel of hiërarchisch uitvoeren. Microsoft Agent Framework, dat AutoGen en Semantic Kernel samenvoegde bij de 1.0-release in april 2026, doet hetzelfde voor .NET en Python.

Een framework werkt het beste wanneer:

  • Je workflow een verplichte vorm heeft en afwijken daarvan een probleem met de correctheid is
  • Je voorwaardelijke vertakkingen, parallelle fan-out of loops terug naar eerdere fasen nodig hebt
  • Verschillende stappen verschillende modellen, prompts of toolsets nodig hebben
  • Je wilt dat het uitvoeringspad leesbaar is in de code, in plaats van afgeleid uit een prompt
  • Een mens goedkeuring moet geven op één specifiek punt in de flow

Wat is een Agent Harness?

Een agent harness is de runtimelaag rondom een LLM die het verandert in een betrouwbare, langlopende agent. Geen primitives voor het bouwen van een loop, maar de al gebouwde loop zelf.

Een model op zichzelf redeneert wel, maar kan niet handelen. Geef het een taak en je krijgt een plan en niets anders. Het kan geen bestand openen, geen API aanroepen, de zojuist geschreven code niet uitvoeren en niet onthouden wat het drie slagen geleden heeft besloten. De harness dicht die kloof en blijft dat doen voor de duur van de run.

Een typische harness regelt:

  • De execution loop. Plannen, een tool aanroepen, het resultaat lezen, beslissen wat de volgende stap is, herhalen.
  • Context management. Compactie, vertraagd laden van tools (deferred tool loading), het verplaatsen van te grote tool-antwoorden naar externe opslag (offloading), zodat een lange run het window of het budget niet overschrijdt.
  • Sandboxing. Geïsoleerde uitvoering voor code, bestanden en shell-commando's.
  • Goedkeuringen. Pauzeren voor destructieve tool-aanroepen en wachten op een mens.
  • Session state. Persistentie over herverbindingen, herstarts en gesprekken met meerdere slagen heen.

TrueForge, Claude Agent SDK, opencode, Pi en OpenHands zijn allemaal harnesses. Jij levert tools en instructies; jij levert niet de loop.

Een harness werkt het beste wanneer:

  • Het pad ontdekt wordt in plaats van ontworpen, en de volgende stap afhangt van wat de vorige stap heeft gevonden
  • Je deze week al een werkende agent wilt in plaats van een workflowarchitectuur
  • Runs lang genoeg zijn dat context management het punt wordt waarop dingen breken
  • De agent code uitvoert of een bestandssysteem aanraakt en isolatie nodig heeft
  • Je liever prompts en tools afstemt dan dat je een state machine onderhoudt

Belangrijkste verschillen

Beide brengen je naar een werkende agent. Ze verschillen in waar jij verantwoordelijk voor bent.

Agent framework Agent harness
Wat je krijgt Primitives om samen te stellen Een voltooide runtime
Wie de loop schrijft Jij Wordt meegeleverd
Control flow Expliciet en zelf geschreven Model-gestuurd binnen een vaste loop
Context management Meestal door jou te bouwen Ingebouwd en niet optioneel
Sandbox Zelf meenemen Meestal inbegrepen
Goedkeuringen Jij bouwt de controlepoort Configureerbaar, klaar voor gebruik
Tijd tot eerste agent Dagen Uren
Plafond Wat je maar kunt ontwerpen Wat de loop toelaat
Faalt wanneer Eisen groter worden dan je graph Je flow een vorm nodig heeft die de loop niet aanneemt

Twee vragen om ze uit elkaar te houden

Productpagina's geven hier geen uitsluitsel over, dus gebruik in plaats daarvan deze vragen.

Schrijf jij de loop?

Als je edges, condities of een reeks stappen declareert, is dat een framework. Als je tools en instructies aanlevert en op start drukt, is dat een harness.

Beheert het de context voor je?

‍Frameworks geven je over het algemeen het state-schema en laten jou beslissen wat er in het window komt. Harnesses moeten dit wel beheren, omdat zij de eigenaar zijn van de loop en een lange run anders het window zal vullen en stopt met werken. Als er in de documentatie niets wordt vermeld over compactie, offloading of vertraagd laden van tools, kijk je waarschijnlijk naar een framework.

Waarom de termen worden verward

Er zijn drie redenen, en de eerste is de belangrijkste.

Sommige producten zijn echt beide. deepagents is de harness van LangChain gebouwd op LangGraph, wat een framework is. Het levert een complete loop met planning, een virtueel bestandssysteem, subagents en geheugen, dus het gedraagt zich als een harness. Onder de motorkap is het een graph. Microsoft Agent Framework doet iets vergelijkbaars door zowel de orchestratie-primitives als een uitgesproken (opinionated) harnesslaag daarbovenop mee te leveren.

Marketing volgt het zoekvolume. "Framework" is al jaren de gevestigde term en trekt meer zoekverkeer. "Harness" begon pas te verschijnen in 2026. Veel harnesses noemen zichzelf nog steeds frameworks omdat dat het woord is dat kopers typen.

De grens verschuift naarmate producten volwassener worden. Frameworks voegen kant-en-klare standaarden toe en beginnen aan te voelen als harnesses. Harnesses bieden hooks en beginnen aan te voelen als frameworks. Dat Microsoft een Agent Harness-laag levert binnen Agent Framework is hier een perfect voorbeeld van, en er zal meer van volgen.

Dit alles maakt het onderscheid niet nutteloos. Het betekent alleen dat je het gedrag moet controleren in plaats van het label.

Ze sluiten elkaar niet uit

De denkfout die teams maken, is dit zien als een keuze. De meeste productiesystemen gebruiken beide, op verschillende lagen.

Een harness regelt de agent loop en alles wat er bij elke slag moet gebeuren. Een framework regelt de orchestratie tussen agents, of de deterministische workflow waarin een door een harness aangedreven agent zich bevindt. Waaier uit naar vijf agents, wacht op ze allemaal, voer een validatiestap uit en draag het vervolgens over. Dat is het werk van een framework, en het onderdeel bij elke node kan een harness zijn.

De fout is een framework gebruiken om een loop te herbouwen die al bestaat. Het schrijven van een graph voor een agent wiens pad echt open is, betekent dat je een slechtere versie schrijft van wat een harness je gratis geeft, waar je voor altijd onderhoudskosten voor betaalt. De omgekeerde fout is net zo reëel: een harness dwingen een strenge compliance-workflow te volgen door de sequentie in een prompt te beschrijven en het beste ervan te hopen.

TrueForge: Beste Agent Harness voor productieteams

TrueForge is de onder de MIT-licentie uitgebrachte harness die we in augustus 2026 open-source hebben gemaakt, en dezelfde runtime achter onze eigen AskTFY-agent. We hebben het gebouwd omdat we de ergonomie van een beheerde agent wilden zonder de beslissing over het model uit handen te geven aan een leverancier, en niets in de open-sourcewereld het hele spectrum dekte.

Het wordt geleverd als drie onderdelen in plaats van één. Een core-server voert de loop uit: streaming, goedkeuringspoorten voor gevoelige acties, delegatie naar subagents, compactie en sessies die herverbindingen overleven. Een HTTP API met een TypeScript SDK (@truefoundry/trueforge-sdk) geeft je code alles wat de UI kan doen. En een chat-UI met een eigen SDK (@truefoundry/trueforge-ui) is er om direct te gebruiken, aan te passen aan je huisstijl of in te bedden. Dat derde onderdeel is wat het onderscheidt van het meeste op deze lijst, wat stopt bij de terminal.

De ontwerpkeuze die het meeste invloed heeft op je rekening: TrueForge behandelt de sandbox als een tool. Het start er pas een op wanneer de agent daadwerkelijk code moet uitvoeren, in plaats van de hele sessie in een container te verpakken. Eén server verwerkt veel agents tegelijk, en slagen die nooit code aanraken blijven goedkoop.

Wat het toevoegt bovenop de loop is het werk aan de context, want dat bepaalt of langlopende runs betaalbaar blijven. Vertraagd laden van tools betekent dat MCP-tool-schema's pas op verzoek worden geladen in plaats van het window vooraf te vullen. Met Code Mode kan de agent meerdere tool-aanroepen ketenen binnen één sandbox-script, zodat alleen de afgedrukte samenvatting in de context komt. Te grote tool-antwoorden worden naar een sandbox-bestand geschreven en vervangen door een pad en een voorbeeld. Compactie wordt geactiveerd bij 80% van de contextlengte van het model en vervangt oude geschiedenis door een gestructureerde samenvatting. Subagents draaien met hun eigen schone context en retourneren alleen het resultaat.

Op de Enterprise-Bench van DevRev, bestaande uit 14 systeemoverstijgende taken over drie MCP-servers met telkens een verse sessie en een blinde LLM-beoordelaar, loste TrueForge op Opus 4.8 dezelfde taken op als Claude Managed Agents voor $8,5 per run vergeleken met $11,8, met 3,8M tokens vergeleken met 10M. Overschakelen naar GLM-5.2 bracht het naar $2,9 per run. Vergeleken met deepagents op hetzelfde model gebruikte het minder dan een kwart van het aantal tokens.

Het heeft een MIT-licentie, wordt door ons onderhouden en openbaar ontwikkeld. De sterke punten zijn die drie interfaces, op-aanvraag sandboxing, een gedocumenteerd pad van npx tot aan Helm met Postgres, Redis, replica's en OIDC, en gepubliceerde benchmarkcijfers die je kunt controleren. Het duidelijke zwakke punt is de leeftijd. Het is het jongste project hier, dus het ecosystem van extensies van derden is nog dun vergeleken met wat opencode heeft.

Probeer het in 60 seconden: npx @truefoundry/trueforge of geef het een star op GitHub.

Een open-source alternatief voor Claude Managed Agents, tot 75% goedkoper

Draai productieklare AI-agents op je eigen infrastructuur met TrueForge, met je eigen keuze aan modellen, tools en sandbox-providers.

Veelgestelde vragen (FAQ)

V: Wat is een agent harness?

‍A: Een agent harness is de runtimelaag rondom een LLM die het veranderd in een betrouwbare, langlopende agent. Het is de eigenaar van de execution loop en regelt context management, sandboxing, goedkeuringen en session state, omdat een model op zichzelf wel kan redeneren, maar niet kan handelen, uitvoeren of onthouden over meerdere slagen heen.

V: Wat is het verschil tussen een agent harness en een agent framework?

‍A: Een framework geeft je primitives om een agent te bouwen en verwacht dat jij de control flow schrijft. Een harness is de voltooide runtime waarvan de loop al is geschreven, zodat jij alleen tools en instructies aanlevert. Frameworks zijn voor het bouwen van agents; harnesses zijn voor het uitvoeren ervan.

V: Is LangGraph een agent harness of een framework?

‍A: LangGraph is een framework. Je declareert nodes, edges en een state-schema, en het voert je graph uit. deepagents, dat is gebouwd op LangGraph, is een harness, omdat het een complete loop meelevert die je niet hoeft te schrijven. Een product kan beide lagen bevatten.

V: Heb ik ze allebei nodig?

‍A: Vaak wel, maar op verschillende lagen. Gebruik een harness voor de agent loop en een framework voor orchestratie tussen agents of voor een deterministische workflow waar de agent in zit. Wat je niet moet doen, is een framework gebruiken om handmatig een loop te bouwen die een harness je voor niets zou geven.

V: Kan ik een agent harness in mijn eigen VPC of on-premise draaien?

‍A: Ja, met een open-source variant. TrueForge draait vanaf een enkel npx-commando lokaal, of via Docker Compose en Helm voor team-deployments met Postgres, Redis, replica's en OIDC-inlog. De beheerde versie van TrueFoundry draait ook self-hosted, on-premise, air-gapped of hybride, zodat er geen data buiten je eigen domein treedt.

V: Hoe beheer ik modellen en MCP-servers over meerdere agents heen?

‍A: Via een gateway-laag. TrueFoundry's AI Gateway plaatst meer dan 1.000 LLM's achter één OpenAI-compatibele API met slechts ~3–4 ms extra latency en 350+ RPS op een enkele vCPU, met RBAC, budgetten, guardrails en credential-rotatie, plus een MCP Gateway voor toegangsbeheer op tool-niveau en OpenTelemetry-traces naar Grafana, Datadog of Prometheus.

Gerelateerde artikelen

Conclusie

De korte versie: een framework is voor het bouwen van een agent, een agent harness is voor het uitvoeren ervan. Als je merkt dat je de loop aan het schrijven bent, heb je een framework gekozen. Als de loop er al bij zat, heb je een harness gekozen. Veel teams hebben beide nodig, op verschillende lagen, en de duurste fout is de een gebruiken om te herbouwen wat de ander al doet.

Als je de loop wilt hebben zonder deze te schrijven, staat TrueForge op GitHub en npx @truefoundry/trueforge duurt ongeveer een minuut. Als je wilt zien hoe dezelfde harness beheerd draait, met budgetten, RBAC en gecentraliseerde traces, kijk dan naar de TrueFoundry Agent Harness.

Probeer het nu.

Eén gateway voor al je modellen, MCP-servers en agents. Geen creditcard nodig.

Start gratis
Inhoudsopgave

Eén gateway voor elk LLM, elke agent en elke MCP-server

Boek een gesprek van 30 minuten met onze AI-expert

Demo aanvragen

De snelste manier om je AI te bouwen, beheren en schalen

Demo boeken
Samenvatten met
ChatGPT logo by OpenAI
Perplexity AI logo
Blurry red snowflake on white background, symmetrical frosty design with soft edges and abstract shape.

Ontdek meer

september 18, 2026
|
5 min leestijd

TypeSafe AI's Jev en "System One Models": wat er daadwerkelijk is uitgebracht

augustus 26, 2026
|
5 min leestijd

Portabiliteit van AI-agents: Wissel van model zonder je agents opnieuw te bouwen

november 20, 2026
|
5 min leestijd

Bifrost AI Gateway Review: Performance Benchmarked op 1 vCPU

Geen items gevonden.
november 20, 2026
|
5 min leestijd

OpenRouter rate limits: je gratis tier hangt af van wat je al hebt betaald

Geen items gevonden.
november 20, 2026
|
5 min leestijd

Agent-sandboxes uitgelegd: Waarom TrueForge de sandbox als een tool behandelt

Geen items gevonden.
TrueFoundry AI gateway is an enterprise alternative to Bifrost and Portkey
november 20, 2026
|
5 min leestijd

Bifrost vs Portkey: prijzen, gateway-functies en geschiktheid voor enterprise vergeleken

Geen items gevonden.
Geen items gevonden.

Recente blogs

Black left pointing arrow symbol on white background, directional indicator.
Black left pointing arrow symbol on white background, directional indicator.
Volg een korte producttour
Start producttour
Product Tour