HarnessEngineering

Latent SpaceによるShunyu Yaoへのinterviewを基に、ReAct、Reflexion、Tree of Thoughts、memory、benchmark、ACI、Agent UXを整理し、AI agentを実用化する際のツール、環境、評価、interface設計の重要性をまとめます。

基礎的なRAGパイプラインがプラットフォームに吸収されつつある流れを起点に、評価と可観測性、データガバナンスとアクセス制御、エージェント型ワークフローの高度なエンジニアリング能力など、2026年にAIアプリケーションエンジニアが重点的に身につけるべき高付加価値スキルを分析します。

優れたAI agentシステムの中核設計フレームワークとして、Spec-Driven Development、三層アーキテクチャ、Resolver、LatentとDeterministicの境界、Diarization、自己進化する学習ループを体系的に整理し、補完ツール中心の発想からAI強化型ソフトウェアエンジニアリングへの転換を支援します。

データパイプライン、Scaling Law、システム制約、合成データ、蒸留、ポストトレーニング、評価体系、Agent 学習まで、大規模言語モデル学習の全工程を体系的に整理し、それらの仕組みが AI アプリケーションエンジニアのモデル選定、評価、harness 設計にどう影響するかを解説する。

AI coding agentの実行機構を起点に、agent-native文書が「参考資料」から「基盤」へ変わった理由を体系的に説明し、AGENTS.md、PRD、Architecture、Spec、Planなど各文書層の責務と構成原則を整理します。Context EngineeringとSpec-Driven Developmentの実践を踏まえ、contextを節約しながらagentの行動を安定して導く文書体系の設計方法も示します。

OpenAI、Anthropic、HumanLayerなどのチームがAI coding agentプロジェクトの文書化で得た実践経験を体系的に整理し、入口ファイル、階層化された知識ベース、状態追跡ファイル、局所文書がAgentの性能へ直接影響する理由を説明します。最小限の文書体系から継続的な保守へ進む、実行可能な道筋も示します。

一つの比較から始める ChatGPT に「KV Cache とは何か」と聞くと、モデルが答えて会話は終わります。 Codex CLI に「このプロジェクトへテスト付きのユーザー認証 module を追加して」と伝えると、agent は自律的に作業を始めます。プロジェクト構造を読む → 既存コードを理解する → 実装を計画する → 認証ロジックを書く → テストを書く → テストを実行する → 失敗を見つける → 修正する → テストを通す → PR を作る、という流れです。数十 step に及ぶ間、あなたが介入しないこともあります。 ...

LangChain による Agent Harness の分解は、context engineering、memory、MCP、agent loop を一枚の地図として結び付けています。