Harness Adapters 하네스 어댑터
하네스 어댑터는 AI 모델이 여러 하네스(모델에 도구·프롬프트·실행 환경을 붙여 일하게 하는 틀) 안에서 잘 작동하도록 둘 사이를 맞춰 주는 연결 장치를 가리키는 말이다. 아직 새 용어라서 연결 코드를 뜻할 때도 있고, 하네스별로 따로 학습한 LoRA 어댑터를 뜻할 때도 있다.
무엇인가
AI 에이전트를 만든다는 것은 언어 모델 하나만 고르는 일이 아니라, 그 모델이 행동하는 하네스까지 함께 고르는 일이다. 하네스마다 도구를 부르는 형식, 오류를 알려 주는 방식, 프롬프트 구성이 다르다. 하네스 어댑터는 이런 차이를 메워 같은 모델을 여러 하네스에 꽂아 쓰거나, 특정 하네스에 더 잘 맞게 만드는 장치다. 용어의 뜻은 아직 하나로 굳지 않았으니 글마다 어떤 의미로 쓰는지 확인하는 편이 좋다.
어떻게 작동하나
쓰임새는 크게 두 갈래로 보인다. 첫째는 소프트웨어 연결 코드다. 2026년 10월 arXiv에 올라온 논문 "Finding the Right Fit"은 여러 모델을 여러 하네스에 붙여 시험하려고 만든 하네스 어댑터를 평가 코드와 함께 공개했다. 2026년 10월 29일에는 Infini-AI-Lab이 AI 에이전트용 오픈소스 하네스 어댑터 프레임워크 Hermit을 내놓았다는 보도도 나왔다. 둘째는 학습된 어댑터다. 한 커뮤니티 글은 작업마다, 하네스마다 모델에 LoRA 어댑터(모델 전체가 아니라 작은 추가 파라미터만 학습하는 방식)를 따로 붙이자는 아이디어를 제목으로 내걸었다.
하네스 어댑터의 두 가지 뜻
연결 코드소프트웨어 어댑터
- 모델을 여러 하네스에 꽂아 쓰게 함
- 모델 자체는 바꾸지 않음
- 공정한 비교 평가에 쓰임
LoRA 어댑터학습된 추가 파라미터
- 하네스·작업별로 따로 학습
- 모델이 하네스에 더 잘 맞게 함
- 어댑터 관리 부담이 늘어남
공통 둘 다 모델과 하네스 사이의 궁합을 맞추려는 장치다
왜 주목받나
같은 모델이라도 어떤 하네스에 넣느냐에 따라 성적이 크게 달라진다는 사실이 드러났기 때문이다. 위 논문은 하네스 4개와 모델 5개 등을 조합한 66개 구성을 시험했는데, Terminal-Bench 4에서 Claude는 OpenHands 하네스에서는 GPT보다 7.94점 앞섰지만 PI 하네스에서는 30.16점 뒤졌다고 보고했다. 모델을 만든 회사의 하네스가 늘 최선은 아니었고, 비용이 더 든다고 점수가 꼭 높지도 않았다. 연구진은 모델이 실패를 스스로 고치려 할 때 하네스가 오류를 모델이 쓸 수 있는 형태로 돌려주느냐가 중요하다고 해석했고, 모델·하네스·작업을 함께 평가해야 한다고 주장했다.
논문이 보여 준 궁합 차이
알아 둘 점(한계)
아직 업계에서 정의가 굳은 용어가 아니어서, 연결 코드와 LoRA 어댑터 중 어느 쪽을 말하는지 문맥으로 가려야 한다. 근거로 삼을 자료도 논문 한 편과 보도·커뮤니티 글 정도로 적다. LoRA 방식이라면 하네스마다 어댑터를 학습·관리해야 하므로 운영 부담이 늘어난다. 또 한 벤치마크에서 잘 맞던 조합이 다른 작업에서는 달라질 수 있으니, 내 업무와 비슷한 작업으로 직접 확인하는 것이 안전하다.
예시
사내에서 코딩 에이전트를 도입하려는 팀이 후보 모델 세 개를 두고 고민한다고 하자. 모델마다 공식 하네스만 써서 비교하면 하네스 차이가 모델 차이처럼 보일 수 있다. 그래서 팀은 하네스 어댑터로 세 모델을 같은 하네스 두세 개에 각각 꽂아 사내 작업으로 시험해 보고, 점수와 작업당 비용을 함께 보며 '모델 + 하네스' 조합을 고른다. "Finding the Right Fit" 논문이 공개한 어댑터와 채점된 Trajectory 6,204개는 이런 비교를 할 때 참고 자료가 된다.