**AIエージェントハーネスの設計（2026年最新思想対応版）**

「モデルはエンジン、ハーネスは車（またはOS）」という考え方が主流になっています。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 → **ハーネスエンジニアリング** への明確な進化です。

良いハーネス設計により、モデルを交換しても成果が安定し、長期実行（数ヶ月・数百万行規模）でも信頼性が保たれます。以下に、実践的なアーキテクチャ設計を示します。

### 1. 設計原則（最重要）

1. **Intelligence Externalization（知能の外部化）**
LLMは「薄く」保つ。記憶・スキル・判断基準・プロトコルはハーネス側に持つ。

2. **Environment Design First**
モデル能力より環境（ハーネス）が進捗を決める（OpenAIの実例より）。

3. **Human Steer, Agent Execute**
人間は「地図（ゴール・制約・品質基準）」を渡し、AIは実行。失敗時は「何が足りないか」を人間が特定。

4. **Self-Review & Iterative Loops**
セルフレビュー、自動テスト実行、修正ループをハーネスに組み込む。

5. **Plugin-First & Observability-First**
モデル・ストレージ・サンドボックス・スケジューラ・UIまで全てプラグイン化。全ての行動をトレース可能にする。

6. **Protocol & Permission Centric**
Agent-User、Agent-Agent、Agent-Tool間の契約を明確に定義。

### 2. 全体アーキテクチャ

```mermaid
graph TD
Kernel[Harness Kernel
Execution Engine + Plugin System] --> Memory[Memory Hierarchy]
Kernel --> Skills[Skills & Tools Registry
+ Sandbox]
Kernel --> Protocols[Protocols & Interfaces]
Kernel --> Mediators[Operational Mediators]

Mediators --> Evaluator[Evaluator & Self-Critic
Quality Gates]
Mediators --> Observer[Observability & Tracing]
Mediators --> Orchestrator[Orchestrator
Multi-Agent / Workflow]
Mediators --> Guardrails[Guardrails & Permissions]

Memory --> STM[Short-term Working Context]
Memory --> Semantic[Semantic Memory
Vector DB]
Memory --> Episodic[Episodic Memory
Trajectory Store]
Memory --> Procedural[Procedural Memory
Skills & Heuristics]

subgraph "Thin LLM"
Kernel
end

classDef core fill:#3b82f6,stroke:#1e40af,color:white
class Kernel core
```

**Harness Kernel**を中心に、全てがプラグインとしてマウントされる設計（DeepSeek dshの思想に近い）です。

### 3. 主要コンポーネント詳細

#### **1. Harness Kernel（中核）**
- メインループの制御（Observe → Reason → Act → Critique → Continue）
- プラグインシステム（モデル、メモリ、ツール、サンドボックス全てを動的にマウント/アンマウント）
- 状態機械（LangGraph風だが、より汎用的なWorkflow Engine）

#### **2. Memory Hierarchy（4層メモリ）**
- **Short-term Working Context**: 現在のタスクに必要な最小情報（「地図を渡す」思想）
- **Semantic Memory**: Vector DB（Qdrant/Chroma）+ 自動圧縮
- **Episodic Memory**: 過去の成功・失敗トレース（RAGで類似事例検索）
- **Procedural Memory**: スキル・ヒューリスティック・規範（再利用可能なプレイブック）

#### **3. Skills & Tools Layer**
- ツールに豊富なメタデータ（権限、事前条件、事後条件、例）
- サンドボックス必須（E2B推奨 or Firecracker）
- スキルは「手順書」としてバージョン管理

#### **4. Evaluation & Self-Review System**
- 専用Critic Agent（別モデルでも可）
- 自動テスト生成 → 実行 → 修正のループ
- LLM-as-Judge + ルールベース検証のハイブリッド
- Quality Gate（一定基準を満たさないと次に進まない）

#### **5. Protocols & Multi-Agent Layer**
- 明確な通信プロトコル定義（JSON Schema厳格）
- Hierarchical（Supervisor + Workers）、Debate、Sequentialなど複数パターンサポート

#### **6. Operational Mediators**
- **Observability**: OpenTelemetry + 専用ダッシュボード（思考・ツールコール・レビュー履歴全て可視化）
- **Guardrails**: 権限チェック、出力検証、コスト/ステップ制限
- **Approval Loops**: 重要なアクションはHuman-in-the-Loop

### 4. 実装のポイント（Pythonスケルトン）

```python
from pydantic import BaseModel
from typing import Protocol
from enum import Enum

class MemoryType(Enum):
SHORT_TERM = "short_term"
SEMANTIC = "semantic"
EPISODIC = "episodic"
PROCEDURAL = "procedural"

class HarnessPlugin(Protocol):
def mount(self, kernel: 'HarnessKernel'): ...
def unmount(self): ...

class HarnessKernel:
def __init__(self):
self.plugins: dict[str, HarnessPlugin] = {}
self.state = AgentState()
self.tracer = Tracer()

def register_plugin(self, name: str, plugin: HarnessPlugin):
self.plugins[name] = plugin
plugin.mount(self)

async def run(self, task: Task) -> Result:
self.tracer.start_trace(task)
# メインループ（Self-Review付きReAct + Critique）
while not self.state.is_complete():
observation = await self.get_observation()
thought = await self.llm.reason(observation, self.state)
action = await self.decide_action(thought)

result = await self.execute_with_sandbox(action)
critique = await self.evaluator.critique(result)

if critique.needs_revision:
self.state.add_revision(critique.feedback)
continue

self.state.update(result)

self.tracer.end_trace()
return self.state.final_result
```

### 5. 推奨技術スタック（2026年現在）

- **Core**: Python 3.11+ + Pydantic v2 + LangGraph（ベースとして）または自前Kernel
- **Memory**: PostgreSQL + PGVector or Qdrant
- **Sandbox**: E2B（最もおすすめ）または Modal / Firecracker
- **Observability**: OpenTelemetry + Phoenix or LangSmith + 自前ダッシュボード
- **Model Layer**: 完全スイッチャブル（OpenAI, Anthropic, Grok, DeepSeek, vLLMローカル）
- **Workflow**: LangGraph or Temporal（長時間実行向け）

### 構築の推奨順序

1. Kernel + Plugin System
2. Observability & Tracing（これを最初に固めると後が楽）
3. Memory Hierarchy
4. Sandbox + Tool Registry + Guardrails
5. Evaluator & Self-Review Loop（これが差別化要因）
6. Multi-Agent Protocols

---

この設計は、OpenAIのハーネス事例、AnthropicのLong-running App Harness、Harrison Chaseらの議論、DeepSeek dshなどの最新動向を統合したものです。

具体的に「コーディングエージェント向け」「Web操作エージェント向け」「社内業務自動化向け」など、**用途を限定**してさらに詳細設計（クラス図、状態遷移、具体的なPlugin APIなど）が必要であれば教えてください。すぐに深掘りします。