概要
AI エージェント全盛時代に必須の設計手法。CLAUDE.md（入力層）、MEMORY.md（実行記録層）、Hooks（検証層）、Agent Skills（ワークフロー層）の4層で AI 出力の品質を決定論的に保証する。Anthropic 公式の推奨パターン。
4層構造
| 層 | 役割 | 実装 |
|---|---|---|
| 入力層 | AI への指示・制約 | CLAUDE.md |
| 記録層 | 学習・実行履歴 | MEMORY.md |
| 検証層 | 出力の事前/事後チェック | Hooks (PreToolUse/PostToolUse) |
| ワークフロー層 | 構造化タスク定義 | Agent Skills (SKILL.md) |
Anthropic vs OpenAI のハーネス戦略
両社はともにハーネスの重要性を認識しているが、アプローチが対照的だ。
| 観点 | OpenAI | Anthropic |
|---|---|---|
| ハーネスの位置づけ | エンジニアが設計する環境（Harness Engineering） | プラットフォームが提供する基盤（Managed Agent） |
| 人間の役割 | プロジェクトマネージャー | AI との協働者 |
| 製品 | Codex + Symphony | Claude Code + Managed Agent |
OpenAI は AI がソフトウェア開発を全面的に担う方向を目指し、Anthropic はエージェント実行基盤を「Agent OS」としてプラットフォーム化している。
ハーネスとメモリのロックイン
LangChain 創設者 Harrison Chase が指摘する通り、ハーネスとメモリは不可分だ。メモリはコンテキストの一形態であり、ハーネスの中核的な責任。クローズドなハーネスを使うことは、以下の4層すべての管理を第三者に委ねることを意味する:
- コンテキストウィンドウ内のメッセージ履歴 — 構成方法でモデルの応答が変わる
- コンパクション（会話の要約圧縮） — 何を残し何を捨てるかでエージェントの「記憶の質」が変わる
- 永続ファイル・データベース（長期メモリ） — エージェントの「人格」を形成する
- 設定・スキルのロード方式 — エージェントの能力を規定する
ハーネスの「内側」と「外側」の混乱
「ハーネス」という言葉は話者のポジションによって意味がズレる（watany 氏, 2026年4月）:
| 視点 | 定義 | 文脈 |
|---|---|---|
| 内側のハーネス | モデル呼び出し間でコンテキストを引き継ぐ機構（LangChain / Anthropic） | プラットフォーム・フレームワーク側 |
| 外側のハーネス | エージェントが同じミスを繰り返さないように設計する実践（Mitchell Hashimoto / OpenAI） | ユーザー・実践者側 |
Claude Harness v4.0.0 “Hokage” — Go ネイティブ化
Claude Code のハーネスエンジニアリングを 1 パッケージで組み込んだ外装プラグイン「Claude Harness」が v4.0.0 “Hokage” をリリース（2026-04-14）。
| 改善点 | Before | After |
|---|---|---|
| フック実行速度 | ~300ms（bash → Node.js → TypeScript 3段ロケット） | ~10ms（Go バイナリ 1 本、30 倍速） |
| 設定ファイル数 | 5〜6 本を手動整合（plugin.json / hooks.json / settings.json 等） | harness.toml 1 本（SSOT） |
| ガードレール | R12 warn | R12 deny + Bash bypass 二重防御 |
| Node.js 依存 | 必要 | 不要（ネイティブバイナリ 3 本） |
pure-Go SQLite（modernc.org/sqlite）採用で Node.js ランタイム要件を完全排除。bin/harness sync で plugin.json / hooks.json / settings.json が全て整合される。
AI ファースト運用の実績（CreaoAI, 25 名）
CreaoAI は「AIファーストハーネスエンジニアリング」を実践し、6 週間のリリースサイクルを 1 日に短縮した:
- コードの 99% を AI が生成
- 1 日 8 回デプロイ（14 日間平均 3〜8 回/日）
- モノレポへの統合（AI が全体を把握できるようにするため）
- 3 つの並列 Claude レビューパス（コード品質・セキュリティ・依存関係スキャン）
解消した 3 つのボトルネック: PM の計画サイクル、QA のテスト時間、ヘッドカウント不足。
RAG なしで高精度になる理由
コンテキストウィンドウの拡大（20k〜1M トークン）により、100 ファイル以下のコードベースはハーネスがファイルをそのまま読み込める。RAG の「断片的コンテキスト問題」を回避できるため、より正確な依存関係・型・インターフェースを参照できる。100 ファイルを超える場合は GraphRAG 等のインデックス戦略が有効。
関連ページ
- AI エージェント — ハーネスで品質保証される対象
- エージェントメモリのロックイン — ハーネスとメモリの不可分性とロックインリスク
- Claude Code — ハーネスエンジニアリングの主要実装環境
- Claude Managed Agents — Anthropic のマネージドハーネス
- 自己改善エージェント — ハーネス自体を AI が改善するパターン
- Graphite — AI ファースト開発での PR 管理ツール
- RAG — ハーネスとの組み合わせ判断
ソース記事
- ハーネスエンジニアリング — 2026-03
- AI エージェント QA 手法 — 2026-03
- Anthropic vs OpenAI：Harness 戦略はなぜ真逆なのか — 2026-04-13
- エージェントハーネスとメモリのロックイン問題 — 2026-04-12
- AI エージェントの「ハーネス」を巡る混乱 — 2026-04-16
- 「AIファースト」戦略の本当の意味 — ハーネスエンジニアリングで 25 人チームが 6 週間を 1 日に短縮した方法 — 2026-04-17
- RAG なしでも高精度に動く Agent Harness の秘密 — 2026-04-17
- Claude Harness v4.0.0 “Hokage” — Go ネイティブ化で 30 倍速、設定が harness.toml 1 本に — 2026-04-14