**AIエージェントのハーネス設計（2026年現在のベストプラクティス）**

「AIエージェント ハーネス設計」は、現在最も重要なテーマの一つです。多くの専門家が指摘しているように、**「モデルは薄く（thin）、ハーネスが本当の知能を構成する」**時代になっています。良いモデル＋悪いハーネスより、普通のモデル＋優れたハーネスの方が遥かに高いパフォーマンスを出します。

### 1. ハーネスとは何か（定義）

ハーネス（Harness）とは、**LLMの周囲の実行基盤全体**を指します。単なるツール呼び出しラッパーではなく、以下のものを含みます：

- 制御ループ（ReAct, Plan-and-Execute, Reflectionなど）
- コンテキスト・メモリ管理
- 失敗検知・回復・検証ロジック
- ツールの契約（schema, permission, idempotency, timeout）
- 終了判定と検証（verification）
- 観測可能性（tracing, logging, cost tracking）
- ガードレール・承認フロー

評価用途の**Evaluation Harness**と、本番実行用の**Runtime Harness**の2種類がありますが、理想は同じ基盤で両方実現することです。

### 2. 推奨アーキテクチャ（3レイヤー）

Meta/Stanfordの論文や各種議論で共通して出てくる構造です：

**Layer 1: Harness Interface**
- LLMと現実の実行環境の橋渡し
- Stateful File System / Workspaceモデル
- ツール呼び出しの正規化（統一されたTool Contract）
- 状態の永続化（checkpointing）

**Layer 2: Harness Mechanisms（最も重要）**
- 長期horizon計画
- メモリシステム（Working Memory, Semantic Memory, Episodic Memory）
- フィードバック駆動制御（失敗を次のアクションに変換）
- 検証エンジン（LLM-as-Judge + Rule-based + Code Executor）

**Layer 3: Harness Scaling**
- マルチエージェント協調
- ピアレビュー機構
- 自動PR検証 / Human-in-the-Loopゲート
- 実験管理・A/Bテスト

### 3. 具体的な設計コンポーネント

#### 必須要素
- **AGENT.md / harness.yaml**（強く推奨）
- 企業固有の判断基準・許可される行動・禁止事項・成功定義をすべてここに書く
- これをコードとして扱い、バージョン管理する（これが「自社ルール」の実体）

- **Memory Hierarchy**
- Short-term: 現在のtrajectory（圧縮必須）
- Mid-term: セッション内エピソード（vector + graph）
- Long-term: スキル・企業知識（RAG + Skill Library）

- **Protocol Layer**
- Agent ↔ User
- Agent ↔ Agent
- Agent ↔ Tool（特に重要：明確なエラー意味論を持つ）

- **Mediator（仲介層）**
- Sandbox / Execution Environment（Docker/Firecracker推奨）
- Observability（OpenTelemetry準拠）
- Evaluation Engine（多段検証：高速な規則チェック → LLM Judge → Human）
- Approval Gateway（自動承認閾値 + 人間承認）

#### 状態管理の鉄則
状態は**コンテキストに押し込めない**。外部のコード（State MachineやWorkflow as Code）で管理する。これが「Prompt Engineering」から「Harness Engineering」への最大の転換点です。

### 4. 設計時のチェックリスト

**良いハーネスの条件**：
- 同じモデルでもハーネスを変えると性能が劇的に変わる
- 1つの失敗パターンを検知したら、即座に再利用可能なIntervention（ハーネス側の修正）に変換できる
- モデルを変更しても大部分のハーネスがそのまま使える（モデル依存を最小化）
- 全ての行動に「なぜその行動を取ったか」と「検証結果」がトレース可能

**避けるべき失敗パターン**：
- 全てをプロンプトに押し込む
- 終了条件が曖昧（「done」と言ったら本当に終わっているか検証しない）
- 失敗後の回復戦略が弱い
- 権限が coarse-grained（全部許可 or 全部拒否）

### 5. 実装おすすめ（2026年現在）

- **基盤として検討すべきもの**：
- `inspect-ai`（評価ハーネスとして非常に強い）
- LangGraph + カスタムMediatorレイヤー
- 自前実装（最小の didactic harnessを最初に作るのがおすすめ）
- OpenAI Codex Agent Harness（APIとして提供され始めたもの）

- **評価戦略**：
- 高速Behavioral Eval（ツール使用パターン検証）
- End-to-End Goal達成検証
- Regression Suite（過去に失敗したタスク群）
- Adversarial / Red Teaming Harness

### 参考資料（優先度順）

1. Tenable Hexa AIの「How Agentic Harness Works」（日本語話者には特にオススメ）
2. kinopeeeさんのSpeakerDeck「ハーネス設計入門」（AGENT.mdの書き方、Skill設計が具体的）
3. Meta/StanfordのCode as Harness論文
4. HarnessDev論文（ByteDance Seed, 2026）- LLMがハーネス自体を作れるかの研究
5. Google "The Anatomy of Harness Engineering"

---

**最後に**

ハーネス設計の本質は**「モデルに依存しない、検証可能な企業ルールと制御機構をコードとして表現すること」**です。

最初は小さく始めましょう。最小限の実行ループ + 強力なトレーシング + AGENT.mdから始めて、失敗するたびにハーネスを強化していくのが最も効果的です。

具体的に「うちのユースケース（営業、コーディング、データ分析、SREなど）」向けのハーネス設計を深掘りしたい場合は、詳細を教えてください。より具体的なアーキテクチャ図やコード構成を提案します。