**AIエージェントハーネス設計指針（2026年8月版）**

「AIエージェント ハーネス 設計」について、現在の最先端の知見を基に実践的な設計をまとめます。

### 1. AIエージェントハーネスとは

現在、エージェントは以下の3要素で整理されています：

- **Model（脳）**：LLMそのもの。推論能力を担う
- **Context（記憶・データ）**：社内ドキュメント、過去履歴、業務ファクト、ベクトルDB
- **Harness（手綱・神経網・OS）**：モデルとコンテキストを繋ぎ、**ループを制御・コンテキストを適切なタイミングで注入・ツール実行を管理**する実行基盤

ハーネスこそが「エージェントの挙動の予測可能性と信頼性」を決める最も重要な部分です。特に法務・金融・医療などの専門ドメインでは、**モデルをファインチューニングするだけでは不十分**で、カスタムハーネス（認知アーキテクチャ）が必要になります。[[1]](https://x.com/TANANY_VC/status/2088090558845894791)

2022年のPrompt Engineering → 2025年のContext Engineering → **2026年のHarness Engineering**が現在のパラダイムです。AnthropicやOpenAIも公式にこの考え方を展開しており、同じモデルでもハーネスの質で性能が大きく変わります（例: 78% vs 42%）。[[2]](https://x.com/kawai_design/status/2037313908969750831)

OpenAI内部では、Harness Engineeringを活用して人間が1行もコードを書かずに5ヶ月で約100万行（1,500 PR）の社内プロダクトをエージェントだけで構築した事例もあります。[[3]](https://x.com/taimuhanashiro/status/2023008135464788127)

### 2. 全体アーキテクチャ（推奨）

```mermaid
graph TD
subgraph Harness ["AI Agent Harness Kernel"]
direction TB

API[API / Session Layer
FastAPI + WebSocket]

Kernel[Orchestration Kernel
State Graph or Plugin Kernel
LangGraph / DeepSeek Cordis]

subgraph Core ["Core Engines"]
ContextEngine[Context & Memory Engine
Short-term + Long-term + Procedural]
Reasoning[Reasoning Engine
ReAct / Plan-and-Execute / Domain-specific Architecture]
ToolSystem[Tool & Execution System
Registry + Parser + Sandbox]
end

subgraph Safety ["Safety & Control"]
Guardrails[Guardrails & Constitutional Checker]
Permission[Permission & Escalation System]
Sandbox[Execution Sandbox
Firecracker / e2b / Docker-gVisor]
end

subgraph Observability ["Observability & Eval"]
Trajectory[Trajectory Logger
Append-only Event Stream]
Visualizer[Trajectory Viewer
Replay / Fork / Search]
Evaluator[Evaluator & Self-Improvement Loop
LLM-as-Judge + Human Feedback]
Metrics[Metrics & Telemetry]
end
end

User[User / Application] --> API
LLM[LLM Providers
多モデル抽象化] <--> Reasoning
External[External APIs / Tools] <--> Sandbox
VectorDB[(Vector + Graph DB)] <--> ContextEngine
```

**2つの主流アプローチ**：
1. **State Graph型**（LangGraph中心）：状態遷移を明示的に設計。デバッグ性・再現性が高い
2. **Plugin型**（DeepSeek Harnessが2026年8月にリリースした新潮流）：Model/Tool/Sandbox/Loop/UIまですべてプラグイン化。「Everything is a plugin」の極致。MITライセンスでオープンソース。[[4]](https://x.com/AGTPinsights/status/2088328838769983988)

### 3. 主要コンポーネント詳細設計

#### (1) Orchestration Kernel（最も重要）
- 有限状態機械 or 有向グラフでエージェントのライフサイクルを厳密に管理
- 推奨：**LangGraph**（2026年現在も最も成熟）。状態をPydanticモデルで厳格に型付け
- DeepSeek Harnessを選択する場合、Cordis Kernel上で全てをプラグインとしてマウント

#### (2) Context & Memory Engine（コミュニティで最も議論されている部分）
単なるRAGでは不十分。以下の階層設計が推奨：
- **Short-term Memory**：現在のタスクに特化した動的コンテキスト（ミクロハーネス設計が重要）
- **Long-term Memory**：Vector + Graph DB（Entity Memory + Procedural Memory）
- **Domain-specific Knowledge Injection**：業務ルール・チェックリスト・禁止事項を「適切なタイミング」で注入するエンジン
- 設計のポイント：コンテキストが肥大化しないよう「忘却戦略」と「要約戦略」を入れる

#### (3) Tool & Sandbox System
- Tool Callingは複数形式を抽象化（OpenAI Function, Anthropic Tools, JSON mode, Guidance）
- **Sandboxは必須**：コード実行・ブラウザ操作・ファイル操作はすべて隔離
- 推奨技術：Firecracker（軽量VM）、e2b、またはDeepSeek HarnessのプラグインSandbox
- 権限システム：ツールごとに「Human Approvalが必要か」を定義

#### (4) Safety & Guardrail Layer
- Input/Output Guardrails（Llama Guard系 + 自社ポリシー）
- Constitutional Principlesの実行時チェック
- 逸脱検知 → Human Escalationフローの自動化
- 特に企業ユースでは「予測可能性」を最優先に設計

#### (5) Observability & Trajectory System
これが2026年のハーネス設計の差別化ポイントです。
- すべての思考・行動・観測を**Append-only Event Stream**としてログ
- Trajectory Viewerで「Replay / Fork / Search / Resume」が可能に
- これによりデバッグ、評価、継続学習（RL）が可能になる

#### (6) Evaluation & Self-Improvement Loop
- 単一ベンチマークではなく、多角的評価（成功率、効率性、安全性、プロセス品質）
- LLM-as-Judge + 人間専門家の評価データをフライホイールに
- 失敗トレースを自動でハーネス改善にフィードバック（関連論文多数）

### 4. 設計原則（これを守る）

1. **Determinismを可能な限り高める**（特に企業向け）
2. **Observability First** — 見えないものは改善できない
3. **Memory > Prompt** — 短期記憶の設計がハーネスの質を決める
4. **Plugin化・抽象化**を徹底（モデルベンダー非依存に）
5. **Human Steering**を明確に設計（「Humans steer, agents execute」）

### 5. 技術スタック提案（2026年8月現在）

- **ベースフレームワーク**：LangGraph（安定） or DeepSeek Harness（先進的）
- **Observability**：LangSmith + 自前Trajectory Viewer
- **Memory**：PGVector / Neo4j / LanceDB + カスタム階層管理
- **Sandbox**：e2b or Firecracker
- **Guardrails**：NVIDIA NeMo + 自社ポリシー
- **多モデル抽象化**：LiteLLM or 自前アダプター

### 次のアクション

- **PoC段階**：LangGraphでシンプルなState Graph + Trajectory Loggingから始める
- **本格企業ユース**：ドメイン特化認知アーキテクチャを定義 → 独自ハーネス開発
- **最先端を試したい**：DeepSeek Harness v0.1を今すぐ触ってみる（`npx @deepseek-ai/dsh web`）

必要であれば、**特定ドメイン（例：法務・金融・ソフトウェア開発）特化ハーネス**のより詳細な設計、状態遷移図、Memory設計パターン、またはコードスケルトンも提供できます。

どのようなユースケースでハーネスを設計したいか教えてください。より深く具体的な設計に落とし込みます。