**AIエージェント ハーネス設計（Harness Engineering）** — 2026年現在の実践的ガイド

「ハーネス（Harness）」とは、**馬具（手綱・鞍）**の意味から来ています。AIエージェントの raw な知能（馬の力）を、人間が意図した方向に安全かつ高品質に引き出すための「制御・足場・環境一式」のことです。

プロンプトエンジニアリング → コンテキストエンジニアリングの次のレイヤーとして、2025〜2026年に急速に重要視されるようになった概念です。OpenAIが社内プロダクトを人間が1行もコードを書かずにCodexエージェントだけで約100万行・1,500 PR規模で構築した事例が象徴的です。[[1]](https://x.com/taimuhanashiro/status/2023008135464788127)

有名な比喩として「**モデルはCPU、ハーネスはOS**」があります。モデルがどれだけ賢くなっても、ハーネス（実行環境・ガバナンス・フィードバック機構）が貧弱だと信頼できる成果は出ません。

### 1. ハーネス設計の全体像（推奨アーキテクチャ）

良いハーネスは以下の**7層**で構成します。

| 層 | 役割 | 主要技術/パターン（2026年推奨） | 重要度 |
|---|------|-------------------------------|------|
| **1. Goal & Rubric Layer** | 人間がゴール・制約・品質基準を明確化 | 構造化PRD、Acceptance Criteria as Code、Rubric定義 | ★★★★★ |
| **2. Orchestration Layer** | エージェントの制御ループ | **LangGraph**（状態機械）、Supervisor + Specialist多剤構成、Hierarchical Agent | ★★★★★ |
| **3. Memory & Trajectory Layer** | 長期記憶と過去の成功パターン | Vector DB + Graph Memory、Successful Trajectory Store、Reflexion記憶 | ★★★★ |
| **4. Tool & Execution Layer** | 安全なツール実行 | Sandboxed Executor（VM/Container）、Tool Schema自動生成、Timeout & Resource Limit | ★★★★★ |
| **5. Evaluation & Feedback Layer** | 自動品質判定と改善ループ | LLM-as-Judge（Rubricベース）、Regression Test Suite、Human-in-the-Loopゲート | ★★★★★ |
| **6. Governance & Safety Layer** | セキュリティ・コスト・コンプライアンス | Permission Model、Cost Guardrail、Llama Guard / Nemo Guardrails、PII検知 | ★★★★ |
| **7. Observability Layer** | 完全な可観測性 | OpenTelemetry + LangSmith/Phoenix/Helicone、Trace可視化、Anomaly Detection | ★★★★★ |

このレイヤリングが「ハーネス」の本質です。特に**Layer 1（Goal/Rubric）とLayer 5（Evaluation/Feedback）**が弱いと、どんなに良いオーケストレーションをしても長期運用で崩壊します。

### 2. コア設計原則（これを守る）

- **Humans steer, Agents execute**：人間は「何を達成したいか」「何を許容しないか」を定義し続ける。実行はエージェントに任せる。
- **Quality is a system property, not a prompt property**：品質はプロンプトで頑張るものではなく、ハーネス全体で保証する。
- **Fail fast, learn fast**：1ステップごとに自動評価し、失敗パターンをTrajectory Storeに蓄積して次に活かす。
- ** observability by default**：すべての思考・行動・観測・評価をトレース可能にする。
- **Progressive Autonomy**：最初はHuman-in-the-Loopを多めに置き、信頼スコアが上がるにつれて自動化を増やす。

### 3. 具体的な実装パターン例

**基本ループ（LangGraph推奨）**
```python
class AgentHarness:
def __init__(self):
self.graph = StateGraph(AgentState)
self.graph.add_node("planner", self.planner_node)
self.graph.add_node("executor", self.tool_executor)
self.graph.add_node("evaluator", self.rubric_evaluator)
self.graph.add_node("reflector", self.self_reflection)

# 重要なのは条件分岐と人間介入ポイント
self.graph.add_conditional_edges("evaluator", self.decide_next)
```

**特に重要な3つのメカニズム**

1. **Rubric-based Evaluation**
単なる「正しいか？」ではなく、複数の軸（正確性、セキュリティ、保守性、ビジネス適合度など）で0-100点で採点する。採点根拠も生成させる。

2. **Trajectory Memory**
「この種のタスクで成功した過去の思考→行動→結果」のセットを検索可能にしておく。RAGを超えた「経験学習」。

3. **Quality Gates**
- コード生成後 → 自動テスト + lint + セキュリティスキャン
- 一定スコア未満 → 自動的に上位モデルにエスカレーション or 人間レビュー
- PR作成前 → 複数エージェントによる相互レビュー（ensemble）

### 4. 用途別ハーネス設計のポイント

- **Coding Agent**：最も成熟している領域。Anthropicの「Harness design for long-running application development」が参考になります。
- **Business Process Agent**：人間承認ゲートを戦略的に配置。監査証跡を自動生成。
- **Research / Analysis Agent**：中間成果物のバージョン管理と比較評価が重要。
- **Multi-Agent Team**：Supervisor Agentに「チーム全体の進捗とリスク」を監視させる。

### 5. 導入時の推奨ステップ

1. 小さなスコープから始める（1週間で終わるタスク）
2. 徹底的にトレースを残して「どこで崩壊したか」を分析
3. 崩壊パターンをRubricとTrajectory Memoryに反映
4. 徐々にタスク期間と複雑度を上げる

現在（2026年9月）、**ハーネス設計力**が個人の生産性だけでなく、企業としてのAI活用成熟度の最大の差別化要因になっています。「どれだけ良いモデルを使うか」より「どれだけ良いハーネスを設計できるか」が勝負です。

必要であれば、以下をさらに深掘りできます：
- LangGraphを使った具体的な状態設計図
- Rubricの具体例テンプレート
- コーディングエージェント特化ハーネス
- 評価指標の設計方法

どのようなユースケース向けのハーネス設計をお探しですか？