**AIエージェント ハーネス設計（Harness Engineering）** — 2026年現在の決定版ガイド

### 1. ハーネスとは何か？

2026年現在、AIコミュニティでは明確なパラダイムシフトが起きています。

**Prompt Engineering（2022-24） → Context Engineering（2025） → Harness Engineering（2026〜）**

ハーネス（Harness）とは、**馬具（手綱・鞍）**のメタファーから来ており、AIエージェントの raw な能力を**制御・誘導・監視・改善**するための包括的な「足場・実行環境・OS」のことです。

有名な比喩として「**モデルはCPU、ハーネスはOS**」があります。[[1]](https://x.com/tetumemo/status/2037876018745385083)

同じ高性能モデル（Claude 4.5 OpusやGPT-5クラス）を使っていても、ハーネスの設計次第で性能が **78% vs 42%** になる事例が報告されています。プロンプトをいくら磨いても限界があり、次のレイヤーは「環境設計」なのです。

特に重要なのは**Long-horizon Agent**（長時間・多段階タスクをこなすエージェント）で、OpenAIが「人間が1行もコードを書かずに5ヶ月で100万行のプロダクトを構築した」事例も、ハーネス設計が鍵でした。[[2]](https://x.com/taimuhanashiro/status/2023008135464788127)

### 2. ハーネスの主要構成要素（2026年標準）

優れたハーネスは以下のレイヤーで構成されます：

- **System Prompt / Constitution Layer**
役割・行動原則・品質基準・禁止事項を体系的に定義。動的に更新可能にする。

- **Tool & Capability Layer**（最も重要）
- 厳格なスキーマ定義（Pydantic）
- 最小権限原則（Permission System）
- Sandboxing（特にコード実行・bash・ブラウザ操作）
- 出力検証・正規化

- **Control Loop / Orchestration Layer**
ReAct、Plan-Execute-Reflect、Supervisor-Specialist、Self-Correctionなど。**ここを状態機械として明示的に設計**することが成功の鍵。

- **Memory & State Layer**
- Short-term Memory
- Long-term Memory（Vector + Graph）
- **Belief / Progress / Experience**（いつ外部状態を参照するかのポリシー学習） — MetaのEvoHarness-RL論文で強く示唆されている

- **Translation / Abstraction Layer**
モデル非依存にする（Claude → Grok → Local Modelをシームレスに切り替え）。構造化出力の強制。

- **Observability & Evaluation Layer**
完全トレーサビリティ（OpenTelemetry）。コスト・レイテンシ・品質・失敗パターンの可視化。自動評価パイプライン。

- **Safety & Governance Layer**
Input/Output Guardrails、Human-in-the-Loop、Approval Gate、Escalation Policy、予算制御。

### 3. 設計原則（これを守らないと絶対に本番で死ぬ）

1. **Explicit State is King**
すべての状態をコードで定義する（LangGraphのStateGraphが現時点で最強）。

2. **Observability First**
トレースできないものは存在させてはいけない。LangSmith級の可視化を最初から入れる。

3. **Least Privilege + Sandbox by Default**
特にコード実行系エージェントでは必須。

4. **Feedback Loop as First-class Citizen**
失敗を検知→人間or自動で修正→学習する仕組みを最初から設計。

5. **Model Agnostic & Cost Aware**
特定のモデルにロックインせず、コストと安全を非機能要件として最初に設計。

6. **「人間が思考停止しない」バランス**
完全に任せすぎず、適度に介入できる手綱を残す。[[3]](https://x.com/i/status/2037876018745385083)

### 4. 2026年現在の推奨実装スタック

**最強組み合わせ（現時点）**:
- **LangGraph**（LangChain） — 状態管理・永続化・人間介入・チェックポイント機能が抜群
- **Pydantic AI / Instructor** — 構造化出力
- **LangSmith** — Observability（Toyotaがこれで50+の本番エージェントを運用中）
- Guardrails: LlamaGuard / NVIDIA NeMo / 自前ポリシー

**その他の有力選択肢**:
- DeepSeek Harness（オープンソースのAgent Runtime）
- OpenHands、Browser Use、smolagents
- Temporal.io + LangGraph（超長時間実行向け）

セキュリティ分析特化の実践例として、mizutaniさんのZenn記事は非常に参考になります（1年かけて熟成させたハーネス実装）。[[4]](https://x.com/i/status/2044195802319638785)

### 5. 設計を始める際のステップ

1. エージェントの**ゴールと成功基準**を明確化
2. 必要な**Toolとその権限範囲**を最小限に定義
3. **State Schema**を型安全に設計（これが一番大事）
4. Loopパターンを決める（Single Agent with heavy Reflection か Multi-Agent Supervisor か）
5. **Guardrails + Observabilityを最初に実装**
6. Evaluation Harness（LLM-as-Judge + 人間評価）を構築

### 今後の方向性

- Harnessは「Agent OS」へと進化中（NVIDIA AVOなど）
- MCP（Model Context Protocol?）のような標準化の動き
- RLによる「いつハーネスを使うか」のポリシー学習（EvoHarness-RL）

---

**具体的に何を作りたいですか？**

- コーディングエージェント向けハーネス
- 業務自動化（RPA的）エージェント
- セキュリティ分析特化エージェント
- Multi-agent orchestration
- LangGraphでの実装テンプレート

用途を教えていただければ、**より具体的なアーキテクチャ図・State定義例・コード構造**まで落とし込んでお答えします。

この分野はまだ発展途上ですが、「ハーネス設計力」が2026-2027年の最大の競争力の一つになるのはほぼ確実です。