コンテンツへスキップ

Harness Engineering Meetup Tokyo #1 参加記:5流派分類と「やりすぎた話」から見えた到達点

Harness Engineering Meetup Tokyo #1 参加記:5流派分類と「やりすぎた話」から見えた到達点 のアイキャッチ
Contents

「現在地」記事の答え合わせ

先日 ハーネスエンジニアリングの現在地 という記事を公開しました。11の記事・OSSを横断して、共通する5パターンと各リソース固有の切り口を整理したものです。

そのフォローアップとして、メルカリで開催された Harness Engineering Meetup Tokyo #1 に一参加者として聴きに行きました。テーマは「プロンプト一発でコードは出る。でも、本番に載せるまでが本当の勝負」。オンラインで集めた情報と現場の議論がどこでズレてどこで一致したかを書いておきます。

先に結論を書いておくと、「現在地」記事の大筋は間違っていませんでした(ホッ)。ただ、Meetupでしか聞けない3つのことがありました。

  1. Kinopeeさんによるハーネスエンジニアリングの5流派分類(理論的な地図として強力すぎ)
  2. Gotaさん(cc-sdd作者)の「ハーネスをやりすぎた話」の生々しい規模(スクリプト 25,000行 / マークダウン 10,000行 / フック 1,500行)
  3. 小説執筆へのハーネス適用(osushi_crさん)。コード以外のドメインにも方法論を広げられることを示す具体例

トップバッター: Kinopeeさんによる「ハーネスエンジニアリングとは?」

トップバッターのLTにして、内容は概念の整理そのものでした。資料: ハーネスエンジニアリングとは? 。

5流派

同じ「ハーネスエンジニアリング」でも、論者により実装重心が違うという整理です。

流派代表中核主張
Chase派Harrison Chase(LangChain、2025年10月のブログ「Agent Frameworks, Runtimes, and Harnesses」が起点)モデル以外のすべてをハーネスに畳み込む(旗印フレーズは Vivek Trivedy の "If you're not the model, you're the harness")
Hashimoto派Mitchell Hashimoto(HashiCorp創業者、2026年2月の自身のブログが起点)失敗を再発不能にする環境設計の累積(AGENTS.md に失敗防止ルールを1行ずつ追加)
Fowler派Martin Fowler(Thoughtworks)コンテキスト設計の特殊形としてハーネスを定義(guides × sensors の両輪)
Chawla派Avi Chawla(教育系)LLMのOS層、三重の入れ子(CPU/RAM/device driver 比喩)
Codex派Ryan Lopopolo(OpenAI Codexチーム)プロダクションスケール特有の故障モードを解くのがハーネス("Agents aren't hard; the Harness is hard"、3人で百万行・95%AI生成)

さらに包含関係の対立も指摘されていました。

  • Chase / Chawla派: harness ⊃ context
  • Fowler派: context ⊃ harness(harnessはcontextの特殊形)

「現在地」記事で僕は「5つの共通パターン」(エージェントループ / 生成評価分離 / ファイル知識 / 権限安全 / コンテキスト管理)を抽出したのですが、これは実装パターンの軸です。Kinopeeさんの5流派は「思想の系譜」で切っています。同じ現象を別の軸で見ている形で、競合ではなく補完関係にあります(むしろ「現在地」記事の冒頭で系譜整理から入るべきだったかなと思いました)。

ハーネス vs ガードレール の役割分離

これは「現在地」記事に明示的に書いていなかった整理軸でした。

要素比喩役割具体例
ハーネス馬具(轡と手綱)事前設計:走り方を指示カスタムインストラクション/スキル/サブエージェント
ガードレール防護柵事後検証:逸脱を検知リンター/型チェック/テスト/ビルド

自分のルールファイルでも無意識にこの2つを混ぜて書いていて、Kinopeeさんの整理で気づいてハッとしました。「これはハーネスだから事前設計で書く」「これはガードレールだから事後検証で機械化する」 を分けて運用すると、ルールの肥大化を抑えやすくなる気がします。自分の .claude/rules/ を見返したら事前と事後が普通に同じファイルに混ざっていました。

Kinopeeさんの3つの名言

  • 「実装が先、命名は後」(日本の現場は既に類似実践を行っていた)
  • 「定義より結果」
  • 「機械的な判定が強いほど、エージェントにハンドルを預けられる」

最後のは自律性の根本原理を一行で言い切っていて、めちゃくちゃ刺さりました。エージェントの自律度は信頼で決まり、信頼は機械検証の厚みで作る、というシンプルな理屈です。逆に言えば、機械検証が弱い領域で「エージェントに任せよう」と思った時点で、もう制御はできていないということ(耳が痛いです)。

Kuuさん: 各自の見解とポジションの比較

Kinopeeさんの直後に登壇された Kuuさん の発表は、「ハーネスエンジニアリング」という同じ語を使っているのに、論者によって何が違うのかを並列比較する内容でした。

Kinopeeさんの5流派分類が思想の系譜で切るのに対して、Kuuさんは現場の各自がどこに重心を置いているかという現場目線での座標づけです。同じ対象を、片方は系譜で、片方は現場の重心で見せている関係です。

同じ言葉を使っていても、想定スコープがズレていると会話が噛み合わない

という当たり前の事実を、最初の30分で会場全体に共有してくれたのは構成として絶妙でした。これがあったおかげで、後続発表の位置取りが全部読みやすくなりました(運営の采配がうまい)。

OpenAI 石田さん: タイトなフィードバックループを作る

3番手は OpenAI 石田さんによる「Harness Engineeringでタイトなフィードバックループを作る」。残念ながら本記事執筆時点では公開資料が見つかりませんでした( connpass の Media 欄 にも未掲載)。なので内容の詳細整理は割愛しますが、タイトル単体からも十分に系譜が読めます。

ベースになっている思想は、OpenAI が公式に出している エージェントファーストの世界における Codex の活用 です。「3人で100万行・数週間で出荷」という規模感の裏で何が起きているかを、観測スタック(ログ・メトリクス・トレース)をエージェントに丸ごと渡してフィードバックループを閉じる、という設計で説明している記事です。「現在地」記事でも触れた「Codexが見えないものは存在しない」の出典でもあります。

「タイトなフィードバックループ」というキーフレーズは、Kinopeeさんの「機械的な判定が強いほど、エージェントにハンドルを預けられる」とまったく同じ筋の主張です。検証が速く・正確で・自動化されているほど、エージェントは思い切って試行できる。この後の発表(Gotaさんの4エージェント化、藤川さんのモデルルーティング)も、このテーゼの異なる切り口の実装と読めます。資料の公開を待ちつつ、Meetup 全体の縦串にあたる発表だったと思います。

Gotaさん「ハーネスをやりすぎた話」:5万行/8時間の裏面

Meetupで最もインパクトがあったのはGotaさん( cc-sdd 作者)の発表でした。

定量的成果

まず 5万行 / 8時間 の長時間フィードバックループ(証跡付き)を達成した、という数字から始まります。人間エンジニアのプロダクションコードが 20〜50 行/日 だとすると、8 時間を 1 日分とみなして 1,000〜2,500倍 のスループットです(桁が変わりすぎていて実感が追いつきません)。

これは「現在地」記事で触れたAnthropicのテーゼ「ハーネスは効果的で、モデルを固定したまま環境を作るだけで精度が向上する」の、日本発の量的証明と言って良いと思います。

肥大化した具体規模

ここからが「やりすぎ」パートです。

要素規模
スクリプト25,000行
マークダウン10,000行
フック1,500行
設定ファイル300行超

症状は次の3つです。

  • タスクテンプレート1個の変更で 10箇所の整合性調整が必要
  • 全体テスト 1時間
  • 「ハーネスでなんでもやろうとすると、エージェント制御の仕組み自体が制御不能になる」

「最悪の成功体験」(5万行/8時間の成功)が機能拡張を招いて制御不能になった、という流れです。「現在地」記事で引用したAnthropicの「各ガードレールはモデル限界の仮説をエンコードしている/定期的に仮説を問い直せ」というテーゼの失敗事例として、Gotaさんの話は生々しく響きました。他人事にできないやつです。

解体後の4エージェント構造

結論は機能分割です。

graph LR
    A[計画エージェント<br/>要求→タスク契約] --> B[実行エージェント<br/>タスク契約→TDD実装]
    B --> C[検証エージェント<br/>検証基準で完了判定]
    C --> D[適応エージェント<br/>失敗から改善提案]
    D -- 次の周回 --> A

これは PDCA と同型ですが、適応をひとつの役割として独立させたのがエージェント時代らしい。人間のPDCAは脳が勝手に学習しますが、エージェントは外部記憶に紐付けないと学習が揮発してしまいます。cc-sddでは tasks.md の ## Implementation Notes と brief.md でこれを実装しているそうです。

cc-sdd の思想ドキュメントにあった言葉

発表後に cc-sdd の思想ドキュメント を読みに行ったら、解体の思想が明文化されていました。

"Boundaries are not overhead. They are what lets you move freely inside while protecting the outside."

"If the discipline feels like overhead, your specs are probably too big. Break them smaller."

"cc-sdd is not trying to put a formal spec around every change, only the ones where the contract between parts of the system actually earns its cost."

3本目が特に印象に残りました。「すべての変更に仕様を書く必要はない。契約がコストを上回るときだけ書け」 という自己抑制が、ツール開発者自身の言葉で書かれている(作った本人がいちばん冷静というパターン)。「現在地」記事で批評した「ハーネスをやりすぎる癖」への処方箋です。

Bitkey: アーキテクチャ自体がハーネス

佐藤拓人さん(@takuuuuuuu777、Bitkey / homehub) の発表は「AIコードを信じられない問題」へのチーム開発視点での回答でした。

信頼ギャップ(Trust Gap)

AI生成コードに対してレビュアーはドメイン知識が不足していて、幻覚/コンテキスト不備にどう気づくかがいちばんの課題。プロンプトを書いた本人は自分の前提にバイアスがかかっていて、見落としが残ったまま通してしまう。

解決策は4つあります。

  1. 知識の構造化:ミッション / システム境界 / アプリケーション詳細 / チーム用語の体系化
  2. 責務の分離:Bounded Contexts / EDA / CQRS / 型ファースト / イベントソーシング
  3. プロセス再設計:上流で合意形成、QAがテスト分析に参加
  4. チーム分散:ペア / モブプログラミングで知識サイロ防止

「アーキテクチャ自体がハーネス」という見方

Bitkey 関連の 戦略的アーキテクチャ資料 も併せて読むと、アーキテクチャ自体がハーネスである という強い主張が見えてきます。

手法は6つあります。

  • Bounded Context:AI自律性の影響範囲を限定
  • イベント駆動アーキテクチャ(EDA):命令ではなくイベント通知で疎結合
  • CQRS:コマンド/クエリ分離で検査強度をコントロール
  • 常に妥当なドメインモデル:不正な状態を持たないモデル
  • 型ファースト:状態・制約を型で表現
  • イベントソーシング:事実の時系列記録

核心は 「細粒度のコンテキストほど単一ファイルのAI生成精度が向上する」 です。これまで CQRS の採用理由と言えば「読み書きのスケール分離」や「複雑ロジック管理」でしたが、ここに「AIフレンドリー」という新しい採用理由が加わった形です。

「現在地」記事では「共通パターン」として機能面の5つを抽出しましたが、こちらはアーキテクチャ設計そのものがハーネスになり得るという異なるレイヤーの切り口でした。CQRSを「今さら?」と敬遠していたモジュラモノリス界隈の一部は、AI時代の再評価があるかもしれません(採用理由って後付けで増えていくんだなと普通に感心しました)。

osushi_crさん: 小説執筆のハーネスエンジニアリング

個人的にいちばん面白かった発表が osushi_crさんの小説執筆事例 でした。

プロジェクト規模

項目規模
本編10万字(18話)
設計書23万字(本編の2.3倍)
伏線47本

設計書が本編の2倍超え、というのが普通に強烈で、もはや設計書こそが本体じゃないかという気すらしてきます。

4段階ワークフロー

graph LR
    A[設計 → ブリーフ<br/>各話 約3000字の発注書] --> B[ブリーフ → 執筆<br/>Claude Opus Agent]
    B --> C[執筆 → 品質管理<br/>機械採点 + 独立Agentレビュー]
    C --> D[インフラ支援<br/>sdcoh + OpenViking]

使用ツール

  • sdcoh(自作):設計書間の依存関係管理
  • OpenViking (volcengine / ByteDance製):ファイルシステム流のAIエージェント用コンテキストDB。viking:// URIスキームでL0(要約)/L1(概要)/L2(詳細)の3層オンデマンド配信
  • Claude Opus:執筆エージェント

キーフレーズ

「一発の精度より、揮発しない手順」

これがエージェント時代の方法論を一行で表していて、Meetup全体を通して最も持ち帰りたい一言でした。プロンプトに賭ける勝負から、手順の設計に賭ける勝負へ。この移り変わりは、コードでも小説でも同じように起きています。

意義

小説執筆でハーネスが機能するなら、ハーネスエンジニアリングはコーディング固有の方法論ではなく、長時間かつ主観評価を含む知的作業全般への方法論 と主張できます。企画書、ADR、設計ドキュメント、マーケコピー、法務ドラフトなど、どれにも転用できます。

「現在地」記事ではコーディング文脈に閉じていましたが、osushi_crさんの事例は、コード以外の領域にも適用できる証拠として強力です。

藤川裕一さん(Alibaba): モデルルーティングによるコスト最適化

モデルルーティングの話は、シンプルにお金の話です。

  • Opus全投げ vs タスクごとに使い分けるルーティングで 10〜50倍のコスト差
  • ルーティングパターン: カスケード(安いモデルで試行 → 失敗時に高級モデルへ)/タスク分類器/専用モデル/プロンプトキャッシング
  • 評価側が堅いほど、生成側で安いモデルを選べる

最後の点が特に重要で、ハーネスエンジニアリングはコスト最適化の前提条件だということです。検証層が弱いと安いモデルの失敗を検知できないので、結局 Opus 全投げに戻るしかなくなる(戻った時の請求書が普通に怖い)。「現在地」記事で触れた「生成と評価の分離」は、品質の話だけでなく予算の話でもあるという見方が加わりました。

Anthropic提唱のエージェントの2つの限界

Meetup全体を貫く整理軸として、Anthropic が提示している記憶と評価の2軸が繰り返し引用されていました。

  • 記憶の限界として、コンテキストウィンドウが有限でセッション間で失われる
  • 評価の限界として、自己採点ができず較正された不確実性が弱い

発表群を2軸で並べると、次のようになります。

発表記憶評価
Kinopee — 5流派 / 役割分離◯◯
Bitkey — アーキテクチャ自体がハーネス◯◯
osushi_cr — 小説執筆 (sdcoh/OpenViking)◎◯
藤川 — モデルルーティング◯(キャッシュ)◯(カスケード判定)
Gota — やりすぎた / 4エージェント◯(適応エージェント)◎(検証エージェント)

全施策がこの2軸のどちらか(両方)に関わるという整理は、診断に使いやすいです。「現在地」記事では「5つの共通パターン」で並べましたが、2軸に圧縮すると、より少ない軸で全体を見渡せる枠組みになります。

「現在地」記事に追加したい4つのこと

Meetupを踏まえて、 「現在地」記事 に補足したい論点を書いておきます(本文には追記しません、本記事で差分として残します)。

1. 5流派の系譜分類を「共通パターン」と並立して紹介する

「現在地」記事は実装パターンの抽出で、Kinopeeさんの分類は思想の系譜です。どちらも有用で、実装を語るか思想を語るかで使い分ける必要があります。

2. ハーネス vs ガードレール の用語分離

事前設計(ハーネス)と事後検証(ガードレール)の混同が、ルール肥大化の遠因になっていた自分の気づきです。この2語を意識的に使い分けると、ルールファイルの整理がしやすくなります。

3. アーキテクチャ自体がハーネス

「現在地」記事は外部ハーネス(CLAUDE.md やフック)に閉じていましたが、Bitkeyの発表はアーキテクチャ自体がハーネスという異なるレイヤーでした。CQRS / EDA / 型ファーストをAIフレンドリーの理由で採用するという視点は、「現在地」記事では触れていません。

4. ドメイン横断の適用性

osushi_crさんの小説執筆事例は、ハーネスエンジニアリングがコーディング以外にも適用可能であることの最初の具体例だと思います。「現在地」記事は11のリソースがすべてコーディング中心でしたが、今後は「長時間 × 主観評価を含むあらゆる知的作業」に拡張していく気配があります。

逆方向:「現在地」記事からMeetupに持ち込みたい3つの論点

ここまでは「Meetup → 「現在地」記事」の補強でしたが、せっかくなので逆方向、「現在地」記事に書いたけれどMeetupでは正面から扱われていなかった論点も整理しておきます。発表者の方々の話と組み合わせると、さらに役に立ちそうな気がしたものです。

1. Gotaさんの肥大化と、IFScale / Chroma の量的接続

「現在地」記事では IFScale の「150〜200指示で先頭優先バイアス(primacy bias)による性能劣化が始まる」という研究と、 Chroma の context rot 研究 (18のフロンティアモデルすべてで長コンテキスト性能劣化)を引用しました。

Gotaさんのマークダウン 10,000行 / フック 1,500行という規模は、これらの数字から見ると先頭優先バイアス領域の真ん中に入っています。「やりすぎたから壊れた」というより、これらの研究から予想できる壊れ方が現実に起きた、と僕は読んでいます。ただし、マークダウンの行数と指示の数は同じ単位ではないので、この対応づけは推論です。

そう読むと、Gotaさんの話は「やりすぎ警告」の経験談であると同時に、「指示が 150〜200 を超えると性能が落ちる」という研究結果を現場で裏づける事例にも見えてきます。この見方に立つと、4エージェント化(計画/実行/検証/適応)は単なる機能分割ではなく、各エージェントのコンテキスト窓を150〜200指示以下に保つための量的設計として再解釈できます(Gotaさん本人がそこまで意図していたかは分かりませんが)。

2. MCP税という、モデルルーティングの隣にある盲点

藤川さんのモデルルーティングは生成側のコスト軸(Opus全投げ vs カスケード)でした。一方、「現在地」記事で逆瀬川ちゃんが指摘していた「MCP税」はコンテキスト側のコスト軸です。具体的には、Playwright MCP は1タスクあたり約114,000トークンを消費するのに対し、Playwright CLI は約27,000トークン、agent-browser は約5,500トークン相当という数字でした。

この2つを並べると、ハーネスのコスト最適化は 2軸構造になります。

軸削減対象代表手法
生成側モデル単価 × 呼び出し回数カスケード/タスク分類器/プロンプトキャッシュ
コンテキスト側1呼び出しあたりのトークン量MCP→CLI置換/段階開示

藤川さんの発表は前者だけでしたが、後者がザルだと前者の節約は秒で吸い取られます。「Opus全投げのコストは下げたけど、MCP経由で1リクエスト10万トークン食ってます」みたいな状態は、節約した気になる典型的な失敗パターンだと思います(普通にやらかしそう)。

3. ハーネス自体の最適化:研究は先行、現場(Meetup)が追いついていない

「現在地」記事で「ハーネス自体のテストを体系的に語っている資料がほとんどない」と書きましたが、Meetupでもこの論点は正面からは扱われませんでした。検証エージェントや独立エージェントレビューはあくまで生成物のテストであって、ハーネス(ルール・スキル・フック)自体が機能しているかの評価ではありません。

ただ、研究側ではすでに先行している領域です。たとえば Meta-Harness: End-to-End Optimization of Model Harnesses (Chelsea Finn / Omar Khattab らによる、2026年3月)は、まさに「ハーネスコード自体を外側から最適化する」outer-loopシステムの論文で、過去のハーネス候補のソースコード/スコア/実行トレースをファイルシステム越しに参照する agentic proposer がハーネスを探索する設計です。報告されている結果は、オンラインテキスト分類でコンテキストトークン使用量を 4分の1 に削減しつつ精度を 7.7 ポイント改善、IMOレベル200問のRAG数学推論で +4.7 ポイント、TerminalBench-2 で手作りベースラインを上回る、という結果になっています。

つまりメタハーネス(ハーネスを最適化するハーネス)は 2026年3月時点で既に学術的に始まっているテーマで、Meetupに足りなかったのは問題意識ではなく現場実装レベルでの言語化です。Gotaさんの「やりすぎた話」が起きた理由のひとつは、 メタハーネスに相当する評価関数がなかったから とも言えます。25,000行のスクリプトと10,000行のマークダウンが「本当に意図通りエージェントを誘導できているか」をスコアで返す仕組みがあれば、肥大化の臨界点はもっと早く検知できたはずです。

個人レベルでは superpowers が「スキルにもTDDを適用する」という発想(スキルなしで失敗パターンを記録 → ブロックするスキルを書く → エッジケースで破られないか検証)でこのテーマに取り組み、研究側のMeta-Harnessは自動最適化アルゴリズムで取り組んでいる。この2つの間にある「自前メタハーネスの最小構成」あたりが、次回 Meetup の本命テーマになりそうと勝手に予想しておきます。

ここから先の課題:チームでハーネスを回すこと

Meetupの内容を自分の現場に持ち帰ろうとすると、最大の壁は個人ハーネスからチームハーネスへの拡張だなと改めて感じています。モデル+ハーネスの精度は明確に上がっていて、ここから先の伸びしろは「精度を支えるコンテキスト注入を、チーム・組織でどう回していくか」に移ってきている気がします。

レビューがそのままハーネス更新速度の上限になる

PRレビューを丁寧にやっているチームほど、ナレッジ(ドキュメント/ルール)の更新にもレビューが必須という構造になります。CLAUDE.md や .claude/rules/ を雑に書き換えてエージェントが暴走したら誰も責任を取れないので、レビュー必須そのものは妥当な設計です。ただ代償として、レビューのリードタイムがそのままハーネス更新速度・ナレッジの難易度の上限になります。

  • 失敗パターンを発見したら即ハーネスに反映、というのが個人レベルでの強み
  • チームではここに常にレビューが挟まる
  • 結果、 ハーネス更新速度がコードレビュー速度に律速される

Gotaさんの「やりすぎた話」は個人(か少人数)だからこそ10,000行のマークダウンまで一気に積み上がったわけで、チーム運用ではむしろ積み上がる前に詰まるという逆方向の問題が顔を出します(どっちにしろ詰まるんかい)。

監査要件(SOCなど)があるとさらに厳しい

ここに変更管理・アクセス制御の監査要件(SOC 2など)が乗ると、ハーネス更新を個人裁量で回すこと自体が難しくなります。「失敗パターン発見 → 翌日ハーネス反映」が、「変更チケット → レビュー → 承認 → デプロイ」になるので、コントロールが難しそうだなと感じています。

設計フェーズの厚みで吸収する、という仮説

ここに対して今のところ自分が考えている方向は、設計段階に1〜2日しっかりかけて前提・境界・契約を固めきり、その後は開発しながら短いフィードバックループを回すという形に、開発手法そのものを生成AIに合わせて変えていくことです。

Bitkeyの「上流で合意形成」「QAがテスト分析に参加」と同じ方向の話で、ハーネスを毎日いじる代わりに設計を細かく詰めて精度を担保する(頻度ダウン × 一発の強度アップ)戦略になります。設計が薄いまま走り出すと、後段でハーネスを毎日いじって帳尻を合わせる羽目になり、それは前述のレビュー律速問題にぶつかります。

Stacked PR は根本的な解決になるか?

GitHubが提案している Stacked PR (執筆時点では private preview)は、PRを積み重ねたチェーン状に並べて、各PRが直前のPRのブランチをターゲットにする形でレビュー単位を小さく刻む方向の解です。GitHubのUIにスタックマップが出て、ブランチ保護やCIは最終ターゲットブランチ基準で評価される、という地味だけど運用では役に立つ統合になっています。

AIエージェント統合が機能の柱として最初から並んでいる点も気になりました。gh skill install github/gh-stack でエージェントに「大きな差分をスタックに分解する/最初からスタックで開発する」ことを教える、という設計になっていて、これは明らかにハーネスエンジニアリングと地続きの方向です。PR分割という認知負荷の高い作業を、エージェントに任せようとしています。

ただ、チーム規模のレビュー律速問題を根本から解決するかは、今のところ判断がつきません。

  • レビュー粒度を細かくしても、レビュアーの認知コストの総量は減らないことが多い
  • むしろ「PRが大量に来た」という気持ち悪さだけ増える可能性もある
  • エージェントが切ったスタック単位とレビュアーの認知単位がズレる懸念がある(機械的にきれいに分割されても、人間が読む順序として自然かは別問題)
  • 最終的には「誰がどの粒度で何をレビューするか」という運用設計の問題に収束しそう

というのが今の見立てです。Stacked PR + エージェント統合は打ち手の一つではあるけれど、本丸はレビューを誰に / 何のために / どこまでやらせるかの運用設計だと思っていて、ここはツールよりチームの規律で決まる領域です。private preview が外れて実運用が出回り始めるあたりで、このへんの実例も Meetup で聞けるようになるんじゃないかと期待しています。

このあたり、次回以降の Meetup でチーム/組織レベルのハーネス運用を語る人が出てきてくれると、個人的にはとても聞きたいテーマです。

個人的に良かった2つのこと

参加者の視点から、特に持ち帰りになった2点を記録しておきます。

1. 考え方の軸が(予想通り)ブレていなかったことの再確認

僕は普段ソフトウェア開発者なので、「ハードウェア/組込み/安全クリティカル系の現場で培われてきた厳密な手法」とは少し距離があります。でもHarness Engineering という語自体が馬具に由来していて、Sam Akadaさん(SONY/リーダー電子で組込み出身)のような方まで同じ会場で同じ言葉を使っている。

Meetup 全体を通して、扱うレイヤー(ソフト/ハード/組込み/AIエージェント)が違っても、長時間タスクを安全に回すための骨格は共通という感覚がありました。

  • 「事前に契約を書く / 事後に機械検証する」という二段階(Bitkey / Kinopee)
  • 「境界を引いて、外からは壊れないようにする」(cc-sdd の思想)
  • 「結果を記録して次周に渡す」(osushi_crさんの"揮発しない手順"、Gotaさんの適応エージェント)

どれも、組込みやミッションクリティカル系では当たり前の発想です。AIエージェントに向き合うときに自分が使っていた直感が、他の分野でも同じように通用していたことを再確認できました。これは安心感があります。

2. Codex 側エコシステムに触れられたこと

僕は Claude Code 中心で、Codex や OpenAI 系のツールを直接触った経験がほとんどありませんでした。今回Kinopeeさんの5流派で Codex派(Ryan Lopopolo)の位置付けを整理してもらえたのと、藤川さんのモデルルーティング発表で実運用上の GPT / Qwen との組み合わせ方を具体的に聞けたのが大きかったです。

後追いで調べた中では、次の2つが特に学びになりました。

ただ、OpenAI Codex の実装の流れや Claude Code の変更履歴を見ていると、良い設計は両者の中心に比較的早く反映される傾向があります。Codex のフック機構には rust-v0.117.0 で shell-only の PreToolUse / PostToolUse が追加され(既存のフック仕組みへの拡張)、逆に OpenAI のスキル方面を Claude Code 陣営が取り込む、といった双方向の流入があります。

なので、どちらが今月時点で優れているかで乗り換えることにはやや懐疑的です。機能差は一時的で、数ヶ月単位で埋まっていく。むしろ投資すべきは ツール非依存のハーネス設計スキル(仕様の切り方、境界の置き方、評価層の厚み)のほうで、そこが厚ければツールを乗り換えてもコストが比較的小さく済みます。

Kinopeeさんが「実装が先、命名は後」「定義より結果」と言っていたのと同じ筋の話で、どのツールを使うかより何を動かせるかが重要、という整理に落ち着きそうです。

Meetupで繰り返し言及された主張

最後に、Meetup全体で繰り返し言及された主張を書いておきます。

「ハーネスは効果的で、モデルを固定したまま環境を作るだけで精度が向上する」

これは Anthropic のハーネス設計記事が提示していた主張ですが、Gotaさんの 5万行/8時間という数字で量的に裏打ちされた形です。経済面で言えるのは次の3点です。

  • Sonnet + 良ハーネス > Opus + 粗ハーネス が普通に成立する
  • ハーネス投資は、モデル投資(Opus固定)より ROI が高い場合が多い
  • ハーネスを整えるスキルは、プラットフォームエンジニアリングの次の形になる

スキル論として捉え直すと、プロンプトエンジニアリングから環境エンジニアリング(PE)への重心移動が今まさに進行中なのだと思います。Mitchell Hashimoto が AI 導入の旅路(adoption journey)のステージ5を明確に "Harness Engineering" と名付けているのも、同じことを別の角度から言ったものです。うっかりステージ1のままプロンプト芸を磨いていると、ある日急に時代に置いていかれそうで普通に怖いです。

まとめ

2026年春時点の日本のハーネスエンジニアリング論を、切り口ごとにまとめます。

  • 理論整理は Kinopeeさんの5流派分類と、Anthropic 記憶/評価2軸で十分
  • 実装パターンは「現在地」記事の5つの共通項で押さえられる
  • 失敗事例は Gotaさんの「やりすぎた話」が最も生々しい教材
  • 越境事例は osushi_crさんの小説執筆で「全知的作業への転用可能性」が示された
  • 経済面は藤川さんのモデルルーティングが10〜50倍のコスト差を定量化

これだけ切り口の違う発表を一晩で続けて聞けたのは、参加者として普通に贅沢な時間でした。

「現在地」記事の最後に僕は「ハーネスエンジニアリングの本質は、ガードレールを足す技術ではなく、仮説を管理する技術なのかもしれません」と書きました。Meetupを経て、この見方はさらに固まりました。各発表者は暗黙に異なる仮説を管理していて、仮説が変われば採用する手法も変わる。「何を前提にしているか」を問い直し続けること が、ハーネスエンジニアリングの本体です。

それでは、またね。

参考リンク

当日の登壇資料

理論的バックボーン

実装・ツール

関連

X Facebook B! Hatena