HarnessClaw recenzija: multi-Agent agregacija, Electron višeplatformski desktop AI radni sto

Ove dve godine AI alata je zaista mnogo. Svakog dana kad uključim računar, samo AI-vezanih tabova može da se izbroji sedam-osam. Jedan za ćaskanje, jedan za pisanje koda, jedan za pretragu baze znanja, jedan za Agent, plus konzole različitih provajdera modela. Prepčičeno, mozak nije na zadatku, već na traženju prozora.

Dok nisam video HarnessClaw. Prva reakcija: još jedan omotač za ćaskanje? Ako je samo prebacivanje modela na desktop, čime se razlikuje od razgovora na vebu? Ali kada sam ga instalirao i pokrenuo, otkrio sam da ambicija ove stvari mnogo prelazi moje očekivanje, ne želi da bude „još jedan AI alat za ćaskanje”, već „lokalni AI Agent radni sto”.

U ovom članku ću pričati o tri stvari. Multi-Agent agregacija upravljanja, zbogom danima kada jedan prozor znači jedan model; Electron višeplatformski desktop, Mac, Windows, Linux programeri mogu da ga koriste; Harness inženjersko razmišljanje, pretvara AI iz „ti pitaš, ja odgovaram” u platformu za raspored zadataka gde „čovek drži kormilo, Agent izvršava”.

01. Prvo pokrenite Engine

HarnessClaw se sastoji od dva dela: front-end je desktop klijent, back-end je Engine.

Desktop upravlja interakcijom, UI-jem, razgovorom između nas i Agent-a. Engine upravlja još više stvari, zahtevi modela, raspored zadataka, pozivi alatki, status rada — sve u Engine sloju. Između njih komunikacija ide preko WebSocket dugo-veze, pa se kontekst višekratnog razgovora glatko nastavlja, za razliku od HTTP poling-a koji se prekida na svakom koraku.

GitHub adresa Engine-a: harnessclaw/harnessclaw-engine

Klonirajte repozitorijum lokalno, preporučujem GitHub Desktop. Za one koji nisu upoznati sa komandnom linijom, direktno kliknite na dugme Code, izaberite Open with GitHub Desktop, gotovo u jednom koraku, bez komplikacija oko putanje i SSH ključa.

Nakon što povučete projekat, u korenom direktorijumu izvršite jednu komandu da pokrenete:

go run ./cmd/server

Niste ranije instalirali Go? Nije veliki problem. Nakon izvršenja ove komande, terminal će prikazati da nedostaje Go okruženje, pratite uputstva i instalirajte. Iskustvo instalacije Go-a je među najglatkijim u jezicima, uglavnom neće zapeti.

Nakon uspešnog pokretanja servisa, u terminalu ćete videti log Engine-a koji pokazuje da lokalni port sluša.

[Ovde ubacite snimak ekrana sa detaljima Engine log-a: cilj snimka: dokazati da je Engine pokrenut lokalno i sluša WebSocket port; ključne reči: server started, listening, WebSocket; predložena lokacija: terminal]

Ova arhitektura me podseća na jednu reč: razdvajanje front-end-a i back-end-a. Desktop upravlja samo UI-jem i interakcijom, Engine radi sav „prljavi posao”. Kasnije, za nadogradnju modela, dodavanje alatki, povezivanje projekata, ne morate dirati desktop, samo konfigurišite u Engine sloju. Ovo je mnogo fleksibilnije od onih AI klijenata kod kojih su „front-end i back-end izmešani”.

I Engine je pisan u Go-u. Go je prirodno pogodan za visoko-konkurentne mrežne servise, ako kasnije želite da deploy-ujete Engine na timski server, kako bi ceo tim delio istu AI servisnu osnovu, tehnički je potpuno izvodljivo.

02. Instalacija desktop-a i Electron višeplatformskost

GitHub release adresa desktop klijenta: harnessclaw/harnessclaw

I macOS i Windows imaju odgovarajuće instalacione pakete. Za macOS obratite pažnju na verziju čipa, Apple silicijum preuzima arm64, Intel silicijum preuzima x64. Ovde ne grešite, ako preuzmete pogrešno možda nećete moći da instalirate, ili će nakon instalacije raditi čudno.

Zašto istaći višeplatformskost? Zato što je to lakše reći nego uraditi.

Mnogi AI desktop alati imaju samo Mac verzicu, ili samo Windows verziju, Linux korisnici su naprosto napušteni. HarnessClaw koristi Electron + React + Vite tehnički stek, Electron je prirodno rođen za višeplatformski rad, pišete jedan kod u veb tehnologijama i pakujete desktop aplikacije za Mac, Windows i Linux.

Iz stvarnog iskustva, instalacija na Mac-u je bila glatka, interfejs tečan. I Windows kolega je instalirao, iskustvo uglavnom istovetno. Iako Linux trenutno nema prekompajlirani paket na Release stranici, pošto je osnova Electron, zajednica sasvim može sama da ga izgradi. Za open source projekte „tehnički stek podržava” važnije je od „prekompajlirani paket kompletan”, jer prvo znači da su vrata otvorena.

Interfejs nakon prvog pokretanja izgleda ovako:

Čisto. Sa leve strane su funkcionalni ulazi, u sredini radni prostor, bez onog komplikovanog osećaja pozadine pune dugmića koji zbunjuje. Pri prvom otvaranju znate gde da kliknete, što je retkost među open source AI alatima.

Zatim će nas pitati da izaberemo način pristupa API-ju. Pošto većina LLM provajdera danas podržava OpenAI ili Anthropic protokol, bilo koji je dobar.

Ovog puta sam prvo povezao DeepSeek. Base URL https://api.deepseek.com/anthropic, API Key napravite u DeepSeek konzoli i prekopirajte, Model ID izaberite deepseek-v4-pro.

Za profil zadatka sam izabrao „razvoj i automatizovani ops”.

Nakon konfiguracije, ulazite direktno u glavni interfejs HarnessClaw-a.

[Ovde ubacite snimak ekrana završene konfiguracije modela: cilj snimka: dokazati da je DeepSeek model konfigurisan i ušao u glavni interfejs; ključne reči: deepseek-v4-pro, API Key, Connected; predložena lokacija: HarnessClaw stranica za podešavanja]

Do ovog koraka, čitav proces instalacije je završen. Engine se pokreće jednom komandom, desktop preuzima instalacioni paket i dvoklik, pristup modelu traži tri parametra. Za open source projekat, ovaj prag ulaska je već jako nizak.

03. Multi-Agent agregacija upravljanja je ubica

Nakon instalacije, prvo što me nateralo da pomislim „ovo nije običan prozor za ćaskanje” jeste upravljanje više modela.

U stranici za podešavanja, mogu istovremeno omogućiti DeepSeek i Zhipu GLM. U konfiguraciji Agent-a postoje dve ključne opcije: Primary model i Fallback model. Postavio sam glavni model na zhipu:glm-5.1, rezervni model na deepseek:deepseek-v4-pro, a zatim omogućio fallback.

[Ovde ubacite snimak ekrana konfiguracije više modela: cilj snimka: dokazati da se glavni i rezervni model mogu konfigurisati i omogućiti fallback; ključne reči: Primary model, Fallback model, glm-5.1, deepseek-v4-pro; predložena lokacija: HarnessClaw Agent stranica za podešavanja]

Ova funkcija ne izgleda upečatljivo, ali rešava jedan vrlo stvarni problem.

Ranije sam u pisanju uz AI nailazio na „iznenadni kvar glavnog modela” više puta. Bilo da provajder modela održava, mreža varira, ili preveliki obim zahteva biva ograničen. Svaki put u toj situaciji imao sam samo dve opcije: čekati, ili ručno prebaciti na drugi alat i početi ispočetka. Kontekst potpuno izgubljen, pola sata razgovora uzalud.

Fallback mehanizam HarnessClaw-a je kao dodavanje osiguranja AI toku rada, glavni model pada, rezervni model automatski uskače. Za rad koji zahteva kontinuitet kao što su kreiranje sadržaja, code review, priprema materijala, stabilno završavanje zadatka važnije je od bilo koje upečatljive funkcije.

U prvom testu sam zaista naišao na greške tipa bifrost: stream request failed. Kasnije, kada sam podesio konfiguraciju, tražio sam „odgovori samo dvema rečima: primljeno”, zaista je odgovorio „primljeno”.

Ne potcenjujte ovaj test. Koliko god AI radni sto hvata koncept, ako osnovni zahtev modela nije stabilan, svi kasniji Agent-i i Skill-ovi padaju u vodu.

Ali upravljanje više modela je samo površina. HarnessClaw više želi da izrazi koncept „multi-Agent agregacija upravljanja”. Ne „podržavam mnogo modela”, već „mogu da stavim više modela, više Agent-a, više veština u jedan radni sto i njima objedinjeno upravljam”.

[Ovde ubacite snimak ekrana statusa omogućenih više modela: cilj snimka: prikazati da su DeepSeek i GLM u omogućenom statusu; ključne reči: DeepSeek, GLM, Enabled; predložena lokacija: HarnessClaw stranica za podešavanje modela]

Ranije smo možda bili ovakvi: u jednom tabu otvorena veb verzija DeepSeek-a, u jednom tabu veb verzija GLM-a, u jednom ChatGPT, u jednom Claude. Za pisanje članka pitate jednog, za kod drugog, za pripremu materijala trećeg. Mozak ne radi na zadatku, već na „u koji prozor da odem sa ovim pitanjem”.

Pristup HarnessClaw-a je: svi modeli su konfigurisani u jednom interfejsu, koji želite njega birate, ako glavni model padne rezervni automatski uskače. Koga pitati, kako pitati, kako upravljati kontekstom — sve se rešava u jednom radnom sto.

To je prava vrednost „agregacionog upravljanja”. Nije u tome da imate više opcija modela, već u tome što štedi nebrojena prebacivanja prozora.

04. Specialists teraju Agent-a da zaista radi

Sledeći deo koji me najviše zanima: da li Agent zaista može da radi?

HarnessClaw ima funkciju koja se zove Specialists. Nije kao običan model koji samo časka, Specialists ima jasnu podelu uloga, na primer writer odgovoran za pisanje, researcher za pretragu materijala, analyst za analizu, developer za kod.

Testirao sam, poslao glavnom asistentu Emma sledeći tekst:

Pozovi Specialists developer-a, neka objasni šta može da radi u jednoj rečenici; ne piše datoteke.

Rezultat je zanimljiv. Ovog puta nije u pitanju običan tekstualni odgovor, već se u interfejsu pojavila kartica Specialists, status zadatka se promenio iz „u izvršenju” u „završeno”, odgovor developer specialist-a je vraćen u glavni prozor za ćaskanje.

[Ovde ubacite snimak ekrana poziva Specialists: cilj snimka: dokazati da je glavni asistent rasporedio developer specialist-a i dobio rezultat; ključne reči: Specialists, developer, completed, tool card; predložena lokacija: HarnessClaw stranica za ćaskanje]

Zašto je ovaj rezultat ključan? Zato što potvrđuje jednu stvar: Agent HarnessClaw-a nije samo chatbot sa promenjenom temom, već zaista može da „raspoređuje zadatke”.

Razmislite, ako se ova sposobnost primeni u stvarnom razvojnom scenariju, sasvim je moguće dizajnirati sledeći tok. Prvo researcher traži pozadinske materijale, zatim developer analizira implementaciju koda, onda analyst sumira rizike, konačno writer prepravlja zaključke u dokument za korisnike. Svaki korak ima posebnog stručnjaka, glavni asistent samo raspoređuje.

To se veže za „AI asistent za razvoj”. Nije jedan Agent od početka do kraja, već centar za raspoređivanje koji na osnovu tipa zadatka predaje različite delove najprikladnijem stručnjaku.

Dodao sam još jedan test:

Neka developer analizira implementaciju thread safety u Java ConcurrentHashMap, istakni tri ključna dizajna.

Developer specialist je zaista dao prilično profesionalan odgovor, od segmentnih brava do CAS operacija do volatile promenljivih, vrlo pregledno.

To me je uverilo u jednu stvar: Specialists nije ukras, zaista može u specifičnoj oblasti dati fokusiraniji odgovor od opšteg modela. Zato što je system prompt svakog specialist-a ciljano podešen, neće biti kao opšti model koji „malo zna o svemu, ali ništa dovoljno duboko”.

05. Skill marketplace daje Agent-u prošireni komplet alatki

Osim ugrađenih Specialists, HarnessClaw ima i Skill marketplace.

Kada sam prvi put otvorio Skill marketplace, instalirano veština je bilo 0, repozitorijum takođe 0. Sasvim normalno, HarnessClaw ne dolazi sa gomilom unapred instaliranih dodataka za koje ne znate da li rade, već korisnicima ostavlja da sami dodaju izvore veština. Ja čak mislim da je to čišće.

Dodao sam openclaw/clawhub kao izvor veština:

https://github.com/openclaw/clawhub

Granu izaberite main, putanja skeniranja .agents/skills, ime za prikaz ClawHub.

[Ovde ubacite snimak ekrana dodavanja Skill repozitorijuma: cilj snimka: dokazati da korisnik može ručno da doda Skill repozitorijum; ključne reči: ClawHub, .agents/skills, main, Add Repository; predložena lokacija: Skill stranica za konfiguraciju marketplace]

Nakon klika na osvežavanje, Skill marketplace je skenirao ukupno 11 veština, uključujući autoreview, clawhub-moderation, clawhub-pr-maintainer, clawhub-ui-proof, convex seriju i crabbox.

[Ovde ubacite snimak ekrana Skill liste: cilj snimka: dokazati da je Skill marketplace uspešno skenirao veštine iz ClawHub repozitorijuma; ključne reči: autoreview, clawhub-ui-proof, convex, 11 skills; predložena lokacija: Skill stranica liste marketplace]

Ovde želim da kažem iskreno: Skill marketplace je trenutno u fazi „može da otkrije, može da prikaže”, da li će konkretna veština nakon instalacije biti automatski pozvana od strane Agent-a u razgovoru, zahteva dalje testiranje. Ali to ne utiče na njegovu poziciju vrednosti, Skill marketplace nosi ulogu „ulaza u ekosistem”.

Pokazuje da HarnessClaw ne želi samo da bude zatvoreni desktop klijent, već želi da korisnicima omogući da Agent-u dodaju alatke kao što se IDE-u dodaju dodaci. Danas može ClawHub, sutra može interni timski repozitorijum veština. Ovaj prostor mašte je mnogo veći od „imatam ugrađeno 30 funkcija”.

Nakon što sam iskoristio Claude Code-ov web-access Skill, dobio sam novo poimanje „proširenja sposobnosti Agent-a”. Dobar Skill nije samo još jedan API poziv, već Agent-u daje kompletan skup strategija i iskustava. Ako Skill marketplace HarnessClaw-a krene tim pravcem, potencijal je prilično veliki.

06. Harness inženjersko razmišljanje

Govoreći o ovome, želim da razgovaramo o problemu nižeg nivoa: u čemu je suštinska razlika između HarnessClaw-a i običnih AI alata za ćaskanje?

Ako gledate samo interfejs, zaista liči na lep desktop alat za ćaskanje. Ali posle korišćenja, sve više osećam da ključ nije u „desktop-u”, već u reči „Harness”.

Englesko originalno značenje Harness je „upravljati”. U AI kontekstu, znači: staviti sposobnosti AI u kontrolisanu strukturu izvršenja, čovek upravlja, Agent izvršava.

Režim običnog prozora za ćaskanje je „ti pitaš, ja odgovaram”. Korisnik svaki put sam mora da proceni koga da pita, kako da pita, gde kontekst stavi, kako rezultat sačuva. Otvoreno, brine čovek, radi čovek, model samo odgovara.

Režim HarnessClaw-a je više „organizacija AI izvršenja”. Korisnik odlučuje o cilju, procenjuje rezultat, kontroliše granice — to je držanje kormila. Agent poziva model, koristi veštine, obrađuje zadatke, vraća rezultat — to je izvršenje.

[Ovde ubacite dijagram inženjerskog razmišljanja: cilj snimka: uporediti razlike u režimu rada između običnog prozora za ćaskanje i HarnessClaw-a; ključne reči: pitanje-odgovor vs organizovano izvršenje, Model+Agent+Skill; predložena lokacija: ilustracija u članku ili mozaik snimaka proizvoda]

Na primer. Za istu analizu koda projekta, tok običnog prozora za ćaskanje je: otvorite veb stranicu nekog modela, prekopirate pozadinu projekta, prekopirate isečak koda, tražite od modela da analizira, pogledate rezultat pa otvorite drugi alat za pripremu. Svaki korak zahteva prebacivanje prozora, prenošenje konteksta, ručno povezivanje.

Tok HarnessClaw-a može biti: u desktop klijentu konfigurišete model, organizujete kontekst preko ulaza projekta, preko Specialists podelite zadatak, proširite sposobnosti preko Skill marketplace, rezultat se čuva u sesiji i projektu. Svaki korak ima odgovarajući funkcionalni modul, čovek samo donosi odluke u ključnim tačkama.

To je prelaz sa „postavljanja pitanja modelu” na „tera Agent-a da završi zadatak u kontrolisanom okruženju”.

Ranije sam više koristio AI Coding alate kao što su Claude Code i Codex, oni idu sličnim putem, ne teraju korisnika da stalno časka sa modelom, već sposobnost modela pakuju kao izvršenje zadatka. HarnessClaw prenosi ovu ideju u opštije scenarije: ne samo kod, već dokumentacija, istraživanje, analiza, kreiranje — sve se može organizovati istim režimom „čovek drži kormilo, Agent izvršava”.

07. Poređenje sa konkurentima

Da bi svima bilo jasnije pozicioniranje HarnessClaw-a, uporedio sam ga sa dva uobičajena tipa alata.

Prvi tip su „čiste aplikacije za razgovor sa velikim modelom”, to su ChatGPT, DeepSeek veb verzija, GLM veb verzija. Njihovo jezgro je odgovaranje na pitanja. Pitate pitanje, dobijete odgovor. Uglavnom je jedna sesija, bez sposobnosti Agent orkestracije, bez proširenja veština. Sposobnost modela zaista jaka, ali način korišćenja prilično jednoličan.

Drugi tip su „pojedinačni IDE dodaci”, na primer razni AI dodaci za dovršavanje koda, AI prevod. Obično su vezani za određeni IDE ili aplikaciju, sposobnost je fiksna, zatvorena. Dobro je što se brzo uči, loše što su granice sposobnosti krute, može samo ono što može, ne može joj se dodati nova alatka.

HarnessClaw želi trećim putem: multi-Agent desktop konzola + back-end motor za izvršenje. Open source, podržava privatni deploy, može da primi više modela, više Agent-a, više veština, a back-end ima Engine za hard-core raspoređivanje zadataka i kontrolu prava.

Dimenzija	HarnessClaw	Čist aplikacija velikog modela	Pojedinačni IDE dodatak
Jezgro pozicije	Multi-Agent desktop konzola + back-end motor	Odgovaranje na pitanja	Specifičan zadatak
Forma deploy-a	Open source, podržava lokalni/oblak privatni deploy	Zavisi od cloud hosting-a	Vezan za IDE, delimično zatvoren
Sposobnost Agent-a	Multi-Agent orkestracija + rutiranje veština	Uglavnom jedna sesija	Fiksna sposobnost
Integracija alatki	Može se povezati sa lokalnim/eksternim alatkama	Malo zvaničnih dodataka	Ekosistem unutar IDE-a
Proširivost	Skill marketplace, prilagodljiv	Ograničena	Ograničena

Naravno, HarnessClaw je još uvek mlad open source projekat, mnoge funkcije se još iteriraju. Ali smer je jasan: ne želi da bude N-ti prozor za ćaskanje, već desktop „kontrolni centar” ere AI Agent-a.

08. Kako pakovati u biografiju

Ako neko želi da praktično iskustvo sa HarnessClaw-om zapiše u biografiju, sasvim je moguće. Ali treba pisati kao stvarno urađen projekat, ne samo nizati imenice.

Naziv projekta: Izgradnja i verifikacija lokalnog AI razvojnog radnog sto na bazi HarnessClaw-a

Kratak opis projekta: Na bazi HarnessClaw Engine (Go) + desktop klijenta (Electron) izgrađen lokalni AI Agent radni sto, završena integracija više modela, verifikacija Agent raspoređivanja i Skill marketplace pristupa, potvrđena izvodljivost inženjerske ideje „čovek drži kormilo, Agent izvršava” u razvojnom scenariju.

Tehnički stek: Go, Electron, WebSocket, DeepSeek API, Zhipu GLM API, Agent Specialists, Skill Marketplace

Ključne odgovornosti:

• Završen lokalni deploy HarnessClaw Engine-a, na bazi Go i WebSocket implementirana dugo-veza komunikacija između front-end-a i back-end-a, verifikovan nastavak konteksta višekružnog razgovora
• Integrisani DeepSeek, GLM i drugi multi-model Provider, konfigurisan fallback mehanizam glavnog i rezervnog modela, obezbeđena stabilnost AI servisa
• Testirana ugrađena sposobnost raspoređivanja Specialists, verifikovano da developer specialist može biti automatski pozvan od strane glavnog asistenta i vratiti rezultat
• Povezan ClawHub Skill repozitorijum, verifikovana sposobnost otkrivanja i prikaza veština Skill marketplace-a, istražena putanja proširenja sposobnosti Agent-a
• Sagledana pozicija diferencijacije proizvoda multi-Agent agregacionog upravljanja, višeplatformskog desktop-a i Harness platforme za inženjersko izvršenje

[Ovde ubacite referentni snimak biografije: cilj snimka: prikazati kombinovanu upotrebu HarnessClaw projekta, Agent-a, konfiguracije modela; ključne reči: Projects, Agent Settings, Model Provider; predložena lokacija: mozaik stranice HarnessClaw projekta ili konfiguracione stranice]

Ovako zapisano, mnogo je ubedljivije od jednostavnog „koristio AI alate za povećanje efikasnosti razvoja” u biografiji. Jer ima deploy, ima konfiguraciju, ima testove, ima procene. Možeš da proveriš upotrebljiv deo, možeš da objasniš deo koji je trenutno ograničen — to je samo po sebi najvrednija sposobnost u sprovođenju tehnologije.

ending

HarnessClaw još uvek nije „super platforma koja sve radi automatski”.

Ali smer je već jasan.

Lokalni Engine preuzima sposobnosti, desktop objedinjeno upravlja modelima, Agent-ima i veštinama, Specialists deli zadatke, Skill marketplace proširuje komplet alatki.

Ranije smo koristili AI kao da u različitim sobama tražimo različite ljude za pomoć. Sada HarnessClaw želi da sve pozove u istu komandnu sobu.

Mi donosimo odluke, Agent radi.

Multi-Agent agregacija upravljanja: zbogom „jedan prozor, jedan model”. Electron višeplatformski: Mac, Windows, Linux programeri svi imaju mesto. Harness inženjersko razmišljanje: ovo nije običan prozor za ćaskanje, već platforma za izvršenje koja organizuje alatke i tokove zadataka oko AI-ja.

[Čovek drži kormilo, Agent izvršava. To je kako AI radni sto treba da izgleda.]

Vidimo se u sledećem.