Karan Kurani опубликовал эссе «Structure of Third Party Agentic Apps» о новом классе приложений — third-party agentic apps (TPAA): сторонних приложениях, которые выполняются не как обёртки над LLM, а внутри агентского harness — Claude Code, Codex, Pi или OpenCode. В его схеме модель играет роль «железа», harness — «операционной системы», а TPAA — третьего классического слоя, собственно приложения. Разработчик поставляет лишь четыре компонента: динамические skills, готовые скрипты, конфигурацию среды с venv и пустой шаблон базы данных; всё остальное агент дописывает на машине пользователя. На примере локального health-приложения CareLoop автор показывает, что схема уже работает, но её поведение зависит от пары «модель + harness».

Что произошло

Автор блога Experiments with AI Karan Kurani опубликовал эссе «Structure of Third Party Agentic Apps», в котором вводит термин third-party agentic apps (TPAA) и описывает их архитектуру. Такие приложения исполняются внутри агентского harness — он называет Claude Code, Codex, Pi и OpenCode, — а не как самостоятельные обёртки над LLM. Разработчик TPAA передаёт агенту только четыре артефакта: полностью динамические skills, готовые к запуску скрипты для эффективности, конфигурацию среды выполнения с venv и пустой шаблон базы данных; остальной код, зависимости и поддержку дописывает сам harness. Кейс-иллюстрация — CareLoop, локальное health-приложение автора: агент без его участия установил DICOM-библиотеки, чтобы прочитать МРТ-снимки пользователя, и сам восстанавливает сломанные после обновлений ОС окружения и базу. База данных у каждого пользователя намеренно расходится по структуре, так что экземпляры одного приложения перестают быть одинаковыми.

Контекст

Рамка из эссе продолжает классическую трёхслойную схему вычислений: модель выполняет роль процессора, harness — операционной системы, а TPAA — прикладного слоя поверх них. Новых способностей модели для этого не требуется: задействованы уже существующие умения — кодогенерация, tool use, работа с окружением, — новизна состоит в архитектурной схеме использования. Продуктом становится не код с фиксированным интерфейсом, а спецификация, по которой агент собирает работающее приложение у пользователя на его провайдере модели. Стиль работы автор называет мета-программированием: поддержка сводится не к выпуску релизов, а к тому, чтобы агент не сходил с рельсов. Заодно меняется модель доверия: вопросы безопасности и приватности переезжают с серверов разработчика на машину пользователя, который работает со своим AI-провайдером. Ниши в привычном смысле пока нет — без витрины TPAA, стандартов форматов и заметного обсуждения.

Почему это важно для индустрии

Если приложение — это skills, скрипты и шаблон базы, то платформой дистрибуции программного обеспечения становится не ОС и не App Store, а агентский harness, и совместимость с Claude Code, Codex или Kimi Work начинает значить для такого продукта не меньше, чем совместимость с операционной системой. Экономика тоже меняется: себестоимость разработки и поддержки падает почти до нуля, потому что агент сам дописывает код, ставит зависимости и чинит среды, — но платой становится стохастичность, то есть поведение рантайма, которое нельзя зафиксировать релизом. Классические регрессионные тесты к этому плохо приспособлены: вместо проверки «падает ли код» нужно проверять «сходит ли агент с рельсов», а уникальность каждой пользовательской базы данных делает прямое сравнение экземпляров невозможным. Отсюда вероятный ближайший дефицит — методики тестирования агентского поведения и метрики «несходимости с рельсов», без которых TPAA-паттерн трудно применять где-то шире личных инструментов. Если harness-платформы начнут стандартизировать упаковку skills и конфигураций среды, паттерн может оформиться в нишу дешёвых вертикальных прототипов на локальных данных без серверного бэкенда.

Почему это важно для пользователей

Собрать себе приложение можно уже сегодня и без программирования: достаточно описать happy path в виде skills, готовых скриптов и пустого шаблона БД, а harness допишет окружение и код на лету. Целевая аудитория рецепта — те, у кого уже стоит агентский harness и оплачен доступ к своему AI-провайдеру. Реалистичный стартовый продукт по шаблону CareLoop — личный инструмент на локальных данных: приём сырых данных вроде МРТ-снимков, таймлайны и циклы «вопрос — следующий шаг», при этом данные не покидают вашу машину. Главный подводный камень — качество работы зависит от пары «модель + harness»: в августе 2026 автор наблюдал, что модель Fable в Claude Code иногда отказывала health-запросам из-за внутренней категории «bio», так что отказ может означать не ошибку приложения, а фильтр на уровне модели, ограничивающий сценарий незаметно для пользователя. Отдельная осторожность нужна в медицине: CareLoop — альфа-версия, и воспроизводить её рецепт на собственных медицинских данных стоит с поправкой на это.

Что пока неизвестно / ограничения

В источнике подтверждён только happy path одного самописного приложения: CareLoop создан самим автором, и независимых репликаций третьими сторонами нет. Это демонстрация n=1 без измерений — в эссе нет частоты успеха, статистики отказов, данных о стоимости инференса, задержках и доле заблокированных запросов, поэтому о готовности к нагрузкам с SLA говорить нельзя. Тезис «четырёх артефактов» не следует читать как работающую схему дистрибуции ПО: подтверждено лишь то, что один автор собрал и поддерживает так одно личное приложение. Резонанс пока отсутствует: HN-пост набрал 1 балл и 0 комментариев, витрины TPAA и стандартов не существует, так что это разведочный сигнал, а не рынок. Прогнозы уровня «harness как платформа дистрибуции наравне с ОС», траекторные evals и конвенции совместимости между harness — гипотезы для проверки, а не установленные факты.

Источники

Автор

Look at AI, редакция