**AIエージェント ハーネス設計（2026年最新プラクティス）**

2026年現在、AIエージェントの性能を決める最大の要因は「モデル」ではなく「ハーネス（Harness）」であるという認識が業界のコンセンサスになっています。

> 「The model is not the agent. The harness is.」

優秀なモデルを使ってもハーネスが弱いと信頼性は低く、逆に**ハーネスだけを最適化**しただけでSWE-benchが6.7%→68.3%に跳ね上がった事例が報告されています。モデルを大きくする前に、ハーネスを systematically に設計することが最もレバレッジが高いです。[[1]](https://x.com/beamnxw/status/2082746025958150333)

### 1. 設計哲学（最も重要）

#### Externalization（外部化）の原則
知能をLLMの重みやコンテキストウィンドウに閉じ込めない。以下の3つを外部化する：

- **Memory**：Working Context / Semantic / Episodic / Personalized Memory（それぞれライフサイクルが違う）
- **Skills**：Operational procedures、decision heuristics、normative constraints（タスク固有の「やり方」と「境界」）
- **Protocols**：Agent-User、Agent-Agent、Agent-Toolsの契約（失敗モードがそれぞれ異なる）

#### Mediators（仲介層）
上記とコアモデルの間に置く層：
- Sandboxing
- Observability
- Compression
- Evaluation
- Approval loops
- Sub-agent orchestration

新しい機能を追加するときに「それはMemoryに入れるべきか？Skillsか？Protocolか？Mediatorか？」と問う習慣が重要です。[[2]](https://x.com/akshay_pachaar/status/2045510648474530263)

#### Thick vs Thin Harnessの選択
- **Thin Harness**（Anthropic寄り）：モデルに多くを任せる。モデルが賢くなればハーネスを削れる。
- **Thick Harness**（LangGraph寄り）：決定論的グラフで厳密に制御。企業ユースではこちらが現実的。
- **現実的な落とし所**：最初は厚めに作り、モデル改善とともに徐々に薄くする（Scaffolding that disappears）。

Anthropicは積極的にplanningステップを削除し続け、OpenAIはcode-firstで構造を残し、LangGraphは明示的グラフを重視しています。

### 2. 推奨アーキテクチャ：ETCLOVG 7-Layer Harness

2026年で最も注目されているフレームワークです。[[3]](https://x.com/i/status/2082746025958150333)

1. **Execution Sandboxes**（実行サンドボックス層）
- すべての行動を隔離して実行
- 特にコード実行・ブラウザ操作・ファイル操作で必須
- ロールバック・リカバリ機構を必ず入れる

2. **Tool Protocols**（ツールプロトコル層）
- 統一インターフェース + スキーマ検証 + バージョン管理
- 各スキルに「contract」「versioning」「dedicated eval suite」を付ける
- 将来的にMCP（Model Context Protocol）的な発見性もここ

3. **Context State**（コンテキスト状態管理層）
- 記憶の種類ごとにバックエンドを分ける（Vector / Graph / KV Store）
- 自動圧縮機構
- 状態破損防止（long-running agentで最も頻発する失敗）

4. **Lifecycle Graphs / Orchestration**（ライフサイクル・オーケストレーション層）
- 実行ループの定義（ReAct、Plan-Execute-Verify、Hierarchicalなど）
- 停止条件、retry policy、escalation logic、sub-agent handoff
- ここが「厚いハーネス」の本体

5. **Observability**（可観測性層）← **最も重要**
- 完全なTrajectory（thought → action → observation）の構造化ログ
- Replay機能（任意の時点から再実行可能）
- リアルタイムダッシュボード + アラート

6. **Verifiers**（検証層）
- LLM-as-Judge + Rule-based + Consequence-based review
- 「Three-part blocker test」など具体的なチェックリスト
- Human-in-the-Loopのトリガールール

7. **Governance**（ガバナンス層）
- 権限管理、承認ワークフロー、予算・トークン制御
- ポリシーエンジン（後から交換可能に設計）
- 監査ログ・コンプライアンス

この7層を**疎結合**に設計することが成功の鍵です。将来的に各層をmicroservice化（イベントバス経由）するチームも増えています。

### 3. 実践的な設計ステップ

**Phase 1: 要求定義**
- 対象ドメイン（Coding / Web / Enterprise / Long-running）
- 許容失敗率と必要な信頼性レベル
- Human-in-the-Loopの閾値

**Phase 2: 最小ハーネス構築（おすすめ）**
多くの優秀なエンジニアが「最小の didactic なハーネス」を最初に自作しています。これによりフレームワークのブラックボックスを理解できます。

基本ループの骨格例：
```python
class AgentHarness:
def __init__(self):
self.sandbox = Sandbox()
self.memory = MemoryHierarchy()
self.verifier = Verifier()
self.observer = TrajectoryLogger()
self.governance = GovernancePolicy()

def run(self, task):
trajectory = []
while not self.should_stop():
observation = self.get_observation()
thought = self.model.think(observation, self.memory.get_context())

action = self.governance.validate(thought.action)
safe_action = self.sandbox.wrap(action)

result = self.sandbox.execute(safe_action)
verified = self.verifier.check(result, task.goal)

self.memory.update(result)
self.observer.log(thought, action, result, verified)
trajectory.append(...)

if not verified.ok:
if verified.needs_human:
self.escalate_to_human()
else:
self.recover(verified)
```

**Phase 3: 各層の強化**
- Observabilityを最初に本気で作る（後から追加すると地獄）
- Skillsを「再利用可能 + 評価可能」に設計
- 数千回の合成マルチターンシミュレーションで事前検証

### 4. 技術スタック例（2026年時点）

- **高速開発**：OpenAI Agents SDK + LangSmith
- **制御重視**：LangGraph（状態機として最高）
- **企業ガバナンス**：自前Harness + 独立したPolicy/Approval/Observabilityレイヤー
- **Observability**：LangSmith, Phoenix, OpenTelemetry for Agents
- **Sandbox**：専用ツール（agentosなど）

### 5. よくある失敗パターン

- モデルに過度に依存したThin Harness（モデルが変わると全部壊れる）
- 状態破損・レースコンディション（特に並列ツール呼び出し）
- ハーネスが肥大化してメンテ不能になる
- 評価が「最終結果」だけを見ていて、過程の失敗を捉えられない

---

**次のアクションとしておすすめ**

1. まず「最小の didactic ハーネス」を1週間で自作してみる（これが一番勉強になる）
2. ETCLOVG論文（https://openreview.net/pdf?id=3hXEPbG0dh）を精読
3. 具体的なユースケース（例：社内業務自動化エージェント、コード生成エージェント、長期監視エージェント）を教えてくれれば、その用途に特化した詳細設計図とコード構成をお渡しします。

必要であれば：
- 各レイヤーの詳細設計
- コード例（Python/LangGraph）
- 評価スイートの作り方
- 企業ガバナンス特化版

を深掘りします。どの方向を掘りたいですか？