Company harness для агента: куда встроить веб-поиск

#Что известно про пять компонентов harness

В ленте блога LangChain есть пост под названием The five components of building a "company harness" от 24 октября 2026 года, авторы H. Chase и C. Broekhuizen.

Полный текст не открылся: прямые адреса поста отдали 404. Названия пяти компонентов я не привожу, чтобы не приписать авторам чужие слова. Дальше - моя схема размещения поиска, а не пересказ поста. Сверить её с оригиналом стоит, когда пост станет доступен.

#Почему внутренний harness упирается во внешние данные

Внутренние знания компании лежат в вики, тикетах и репозиториях. Всё остальное агент берёт снаружи: цены конкурентов, реестры, новости, документацию чужих сервисов.

Если harness не даёт для этого штатного канала, разработчики вшивают поиск в промпт или в отдельный скрипт. Такой скрипт сложно ограничивать по числу вызовов, логировать и заменять. Для русскоязычных задач добавляется своя проблема: общие поисковые API хуже знают российские реестры и СМИ.

#В каком слое harness поселить поиск

Harness удобно разложить по функциям. Схема ниже моя, не из поста LangChain.

Нативный поиск модели проще в подключении, потому что включается одним флагом, но проигрывает там, где нужен контроль над числом вызовов, чтением страниц и языком выдачи.

#Как подключить срезAI к Deep Agents по MCP

Агент получает инструменты web_search, read_url, extract, deep_research и image_search. Дальше он сам решает, какой вызвать. Заголовок авторизации сверьте с документацией: ключ берётся в личном кабинете.

import asyncio
import os from deepagents import create_deep_agent
from langchain_mcp_adapters.client import MultiServerMCPClient async def main(): client = MultiServerMCPClient( { "srezai": { "transport": "streamable_http", "url": "https://srezai.ru/docs "headers": { "Authorization": "Bearer " + os.environ["SREZAI_API_KEY"] }, } } ) tools = await client.get_tools() agent = create_deep_agent( tools=tools, system_prompt=( "Для фактов о российских компаниях и ценах сначала вызывай web_search. " "Страницу читай через read_url только если сниппета мало. " "Не делай больше пяти поисковых вызовов на один вопрос." ), ) result = await agent.ainvoke( {"messages": [{"role": "user", "content": "Какие тарифы у Яндекс Облака на GPU?"}]} ) print(result["messages"][-1].content) asyncio.run(main())

Пять вызовов в промпте - лимит мягкий: модель может его нарушить. Жёсткий ставьте на стороне harness, в оркестрации или в трейсах.

#Как не засорить контекст найденным

• Начинайте с web_search без полного текста страниц: заголовки и ссылки стоят в контексте дёшево.
• Когда нужны два-три значения, зовите extract со схемой вместо чтения страницы целиком.
• Крупные результаты выгружайте в файл и передавайте субагенту. Паттерн Retrieve, Offload, Delegate описан в блоге.

Шаг с лимитом вызовов легко пропустить. Без него агент в нашем опыте охотно повторяет один и тот же поиск с чуть изменённой формулировкой.

#Что не сработает

Схема выше не заменит чтение оригинального поста: если в нём пять компонентов выделены иначе, слои придётся переразложить.

Поиск не поможет, если данных нет в открытом вебе: внутренние документы остаются за собственным retrieval компании. На бенчмарке GAIA срезAI занимает 2-е место с 87,3 %, Tavily впереди с 91,2 %. Если задача англоязычная и важна точность, учитывайте эту разницу.