Harness-1은 검색과 정보 수집을 전담하는 20B급 검색 서브에이전트로 소개된 모델이다. 핵심 포인트는 모든 일을 하나의 범용 모델에 맡기기보다, agent-harness 안에서 검색·탐색·근거 수집만 잘하는 하위 모델을 배치하는 분업 구조다.
왜 검색 서브에이전트인가
에이전트 실패의 상당수는 추론 능력 부족보다 잘못된 정보 수집에서 시작된다. 검색 쿼리를 잘못 만들거나, 근거 없는 페이지를 읽거나, 최신 문서와 오래된 문서를 구분하지 못하면 이후 계획과 코드 작성도 틀어진다. 검색 전용 서브에이전트는 이 단계를 별도 최적화 대상으로 분리한다.
하네스 관점의 의미
| 설계 | 장점 |
|---|---|
| 범용 모델 단독 | 구현이 단순하지만 검색 실패가 전체 작업 실패로 전파 |
| 검색 서브에이전트 분리 | 근거 수집·출처 평가·쿼리 확장을 별도 정책으로 관리 |
| 평가 하네스 결합 | 검색 성공률, 근거 다양성, 최신성, 인용 정확도를 독립 측정 |
적용할 만한 곳
- 딥리서치 리포트의 출처 수집 단계
- 코딩 에이전트가 API 문서와 이슈를 찾는 단계
- RAG 시스템에서 질의 확장과 근거 후보군을 만드는 단계
- 기업 지식 베이스에서 최신 정책 문서를 탐색하는 단계
주의점
Analytics Vidhya 글은 Harness-1을 소개하지만, 모델 카드·공식 저장소·재현 가능한 벤치마크가 공개된 형태인지 별도 확인이 필요하다. 현재는 “검색 서브에이전트 설계 패턴”으로 읽는 편이 안전하다.
관련 문서
- agent-harness — AI 에이전트 성능을 결정하는 스캐폴딩 설계
- agentic-search — 검색을 계획·반복·검증하는 에이전틱 검색
- rag — 검색 증강 생성 기술 개요
- deep-research-max — 자율 리서치 보고서를 생성하는 Google AI 에이전트
참고 자료
- Harness-1: The 20B Retrieval Subagent That Beats GPT-5.4 at Search — Analytics Vidhya (2026-06-25)