メインコンテンツへスキップ
見出し画像

【プロンプト3% vs ハーネス47%】ハーネスエンジニアリング実践ガイド2026——CLAUDE.md・MCP・マルチエージェント設計

    2026年4月に紹介したStanford「Meta-Harness」研究の「性能6倍差」は、その後2ヶ月で業界の共通認識になった。プロンプトだけでは3%しか改善しない時代に、ハーネス設計が28-47%の改善をもたらしている。

    この記事でわかること: 2026年4月のStanford研究から2ヶ月で起きた変化——新たな定量データ(プロンプト改善3%未満 vs ハーネス改善28-47%)、Cursor・Anthropic・Google・OpenAIの実装戦略、そしてCLAUDE.md・MCP・マルチエージェント設計を使った実践手法。前回の概念解説から一歩進んだ「実践編」です。

    TL;DR(3行まとめ)

    • Stanford HAIの12本番ケース検証で、プロンプト改善単体は3%未満の効果。ハーネス設計変更は28-47%の品質向上——ハーネスの効果がさらに裏付けられた

    • Cursor(85%ポストトレーニング投資)、Anthropic(Managed Agents)、Google(Antigravity 2.0)がハーネス設計を競争戦略の中核に据えた

    • 私がCLAUDE.md+MCPサーバー+7種サブエージェントで1年間運用してきた実践パターンを体系化した

    「性能6倍差」のその後:2ヶ月で何が変わったか

    前回の記事でStanford「Meta-Harness」研究を紹介してから2ヶ月。この期間に、ハーネスエンジニアリングは概念から実践へと急速に移行しました。

    最も重要な新データは、Stanford HAI(Human-Centered Artificial Intelligence)グループの追加検証です。12の本番ユースケースで検証した結果は明確でした。

    • プロンプト改善単体: 品質向上3%未満

    • ハーネス変更(RAG+ツールアクセス+構造化検証を追加): 品質向上28-47%

    前回の「6倍差」はベンチマーク環境での結果でしたが、今回のデータは本番ユースケースでの検証です。プロンプトを磨いても3%しか上がらないのに、ハーネスを変えると47%上がる。この差は、プロンプトの微調整に時間を費やすより、ハーネス設計に投資する方が効果的であることを示しています。

    さらにLangChainチームがTerminalBench 2.0で実証した結果も注目に値します。モデルを一切変更せず、ハーネスの最適化(セルフ検証、トレーシング、適応的リトライ、構造化終了ルール)だけでランキングを30位から5位に引き上げ、スコアは52.8から66.5(約26%向上)に改善しました。

    参考: Frank's World — The Art and Science of Harness Engineering、Faros.ai — Harness Engineering

    プロンプト→コンテキスト→ハーネス:3つの設計階層

    ハーネスエンジニアリングを理解するには、プロンプトエンジニアリングとの関係を整理する必要があります。2026年の業界では、以下の3層が明確に区別されるようになりました。

    1. プロンプトエンジニアリング: モデルに「何をすべきか」を伝える

    • 入力テキストの構造化、Few-shot例示、Chain-of-Thought指示

    • 効果: 品質向上3%未満(Stanford HAI、12本番ケース検証)

    2. コンテキストエンジニアリング: モデルに「知る必要があること」を与える

    • RAG(検索拡張生成)、ドキュメント取得、セッション履歴管理

    • 効果: 中程度(コンテキストの質に依存)

    3. ハーネスエンジニアリング: エージェントが「確実に仕事を遂行できる」ようにする

    • オーケストレーション、エラーハンドリング、マルチエージェント連携、ツール統合、検証ループ

    • 効果: 品質向上28-47%(Stanford HAI検証)

    プロンプトエンジニアリングは「1回の入出力」を最適化する技術です。ハーネスエンジニアリングは「ワークフロー全体」を最適化する技術です。モデルがどれほど賢くても、複数ステップのワークフロー、ツール使用、外部データ取得、エラーリカバリー、人間の承認チェックポイントを、プロンプトだけでエンコードすることはできません。

    参考: Medium — Prompt vs Context vs Harness Engineering

    Cursor・Anthropic・Google・OpenAIのハーネス戦略

    2026年5月時点で、主要4社がハーネス設計を競争戦略の中核に据えています。

    Cursor Composer 2.5:85%のポストトレーニング投資

    Cursorは計算バジェットの85%をポストトレーニングに投入しました。ベースモデル(Kimi K2.5)は変えず、ポストトレーニングで性能を引き上げる設計です。これはモデルレベルのハーネスエンジニアリングと解釈できます。

    具体的には、「Textual Feedback RL」と呼ばれる手法で、失敗したツール呼び出しの箇所に直接フィードバックを挿入し、局所的な改善を積み重ねています。従来の「エピソード終了時の報酬」ではなく、失敗地点での即時フィードバックという設計は、ハーネス的思考そのものです。

    Anthropic Managed Agents:三者分離パターン

    AnthropicのManaged Agentsが提示する設計パターンが興味深いです。

    • Planner: 構造とゴール設計

    • Generator: 実行

    • Evaluator: 独立した品質評価

    エージェント間の連携は「共有コンテキスト」ではなく「構造化アーティファクト」で行います。さらに「Advisor戦略」として、小型モデル(Haiku)が通常タスクを処理し、難題のみ大型モデル(Opus)を呼び出す設計により、Opusレベルの性能を低コストで実現しています。

    Google Antigravity 2.0:マネージドエージェントランタイム

    Google I/O 2026で発表されたAntigravity 2.0は、複数エージェントの並列オーケストレーションとスケジュールタスクに対応したスタンドアロンデスクトップアプリです。Gemini APIのManaged Agentsでは、単一APIコールでリモートLinux環境をプロビジョニングし、エージェントが推論・計画・ツール呼び出しを実行します。

    OpenAI Agents SDK:ガードレールパターン

    OpenAIは2026年2月にベストプラクティスガイドを公開し、「レイヤー化ガードレールパターン」を提唱しました。入力検証→出力フィルタリング→ツールリスク評価→人間介入トリガーの4層で、エージェントの安全性を担保する設計です。

    4社に共通するのは「モデルの性能競争」から「ハーネスの設計競争」への移行です。

    参考: Anthropic Engineering Blog、NxCode — Harness Engineering Guide

    Claude Code+MCPで1年間運用して確立したハーネス設計パターン

    私はClaude Code Proを12ヶ月運用し、ハーネス設計を継続的に改善してきました。前回の記事では概要のみ触れましたが、今回は体系化した設計パターンを共有します。

    パターン1:CLAUDE.mdによるルールベースハーネス

    CLAUDE.mdに約20のルールを定義しています。Cursorの.cursorrulesやCopilotの.github/copilot-instructions.mdと同じ役割ですが、重要なのはルールの粒度です。

    SitePointのベンチマーク比較によれば、200-400トークンの集中的で関連性の高いルールが最も効果的です。私の経験でも、ルールを詳細に書きすぎると逆効果で、判断の遅延と予測不能な挙動が増えました。現在は以下の構造に落ち着いています。

    • 必須ルール(常時適用): コミット規約、セキュリティ制約、ファイル命名規則(5-6個)

    • 委譲ポリシー: タスク種別ごとのエージェント選択基準(7種類のサブエージェント)

    • エラーハンドリングフロー: 1回目→debugger、2回目→problem-solver、3回目→外部AI並列相談

    パターン2:MCPサーバーによるツール統合ハーネス

    MCP(Model Context Protocol)は2026年3月時点で月間9,700万SDKダウンロードを記録し、「AIのUSB-C」と呼ばれるまでに普及しました。私はGoogle Drive MCPサーバーを接続し、リサーチデータの取得と記事生成を自動化しています。

    MCPのハーネス的価値は「ツール接続の標準化」です。モデルを変えても、MCPサーバー経由のツール統合はそのまま使い回せます。これはハーネス設計の重要な原則——モデルに依存しないオーケストレーション——を体現しています。

    パターン3:マルチエージェント委譲パターン

    7種類のサブエージェント(debugger、quality-reviewer、security-reviewer、researcher、strategist、critic、analyst)を定義し、タスクの性質に応じて自動的に委譲する設計です。

    Anthropicの三者分離パターン(Planner→Generator→Evaluator)と比較すると、私の設計は「ロール特化型」に近いです。arXivの研究("The Last Harness You'll Ever Build")によると、マルチドメインシナリオではSubagentsパターンがSkillsパターンより67%少ないトークンで処理できることが示されています。コンテキスト分離によるドメイン横断のブロート防止が効いているためです。

    1年間の運用で得た教訓:

    • 過剰設計は逆効果: 委譲ルールを15個以上書いた時期に、エージェントの判断が遅くなり、予測不能な経路選択が増えた。現在は7種類に絞り、判断基準を明確化している

    • 永続メモリの効果は大きい: セッション間でコンテキストを維持する仕組みを入れたことで、同じ説明を繰り返す手戻りが消えた

    • 定期的な棚卸しが必須: ルールは「書いたら終わり」ではない。月に1回、使われていないルールや矛盾するルールを整理する/improve-agentsフローを運用している

    注意点・ハーネスエンジニアリングの4つの限界

    1. フレームワークの破壊的変更リスク

    CrewAI、LangGraph、AutoGenは頻繁に破壊的変更を伴うリリースを行います。ハーネスのコアロジック(プロンプト、ツール定義、評価基準)をフレームワークから分離し、ポータブルに保つことが重要です。私もClaude Codeのルール定義をMarkdownファイルで管理し、フレームワークに依存しない形にしています。

    2. ROI測定の難しさ

    Harnessの調査によると、エンジニアリングリーダーの94%が「最も重要な指標が現在の測定フレームワークに含まれていない」と回答しています。ハーネス設計の効果を定量的に示すのは難しく、「体感で速くなった」では経営層を説得できません。Harnessが2026年5月にAI DLC Insightsを発表し、AI生成コード行・トークンコストをPR・チケット・デプロイに紐付けて可視化する製品を出したのは、この課題への回答です。

    3. ドメイン知識の壁は変わらない

    前回の記事でも指摘しましたが、ハーネスの最適化にはドメイン固有の知識が不可欠という制約は変わっていません。汎用フレームワークをそのまま使っても限定的な効果しか得られない点は、2ヶ月経っても変わらない事実です。

    4. 1Mトークンコンテキストの「圧縮不要」は幻想

    Claude Opus 4.6/Sonnet 4.6で1Mトークンコンテキストが一般提供されましたが、HarrisonSecの分析によると実効利用可能トークンは約830K(バッファ約33Kトークン分)です。長時間のエージェントループでは使用率が約83.5%に達した時点で圧縮が発動します。「1Mトークンあれば圧縮は不要」という認識は危険で、圧縮戦略は依然としてハーネス設計の重要な要素です。

    参考: HarrisonSec — Claude Code Context Engineering

    私の見解:ハーネスエンジニアリングは「AIネイティブなソフトウェア工学」

    前回の記事で「ハーネスファースト」の考え方を提唱しましたが、2ヶ月間の実践と業界動向を踏まえて、もう一歩踏み込んだ見解を述べます。

    ハーネスエンジニアリングは、単なる「プロンプトの次のトレンド」ではありません。AIネイティブなソフトウェア工学そのものだと私は考えています。

    従来のソフトウェア工学がデータベース設計、API設計、CI/CDパイプライン設計を体系化したように、ハーネスエンジニアリングはAIワークフローの設計を体系化します。コンテキスト管理、ツール統合、オーケストレーションロジック、メモリシステム、出力ハンドリング——これらは業界横断で同じパターンに収束していることが、arXivの研究でも確認されています。

    MindStudioの分析によると、トポロジー選択(ハーネス設計)による性能向上は、モデル選択のみと比較して12-23%大きいという結果が出ています。「どのモデルを使うか」より「どうオーケストレーションするか」の方が重要——この認識が定量的に裏付けられた2ヶ月間でした。

    今日から始めるハーネス設計の3ステップ

    1. CLAUDE.md(または.cursorrules)を200-400トークンで書く: まず必須ルール5-6個から始める。コミット規約、ファイル命名、セキュリティ制約など。過剰に書かない。1ヶ月後に棚卸しして、使われていないルールを削除する

    2. 「圧縮コスト」を意識してRAGパイプラインを見直す: 中間結果を要約している箇所があれば、生データをそのまま渡すパターンと性能を比較する。プロンプト改善は3%未満だが、コンテキストの質を変えると28-47%改善する可能性がある

    3. エラーハンドリングフローを設計する: 「エラーが出たら手動で再実行」をやめる。1回目のエラー→自動リトライ、2回目→別のアプローチ、3回目→人間に通知、という段階的エスカレーションをハーネスに組み込む

    この記事が参考になったら、スキとフォローで応援お願いします。

    参考リンク

     
     
    「AI、実際どこまで仕事で使えるの?」を非エンジニア目線で検証しています。ChatGPT・Claude・Geminiを実務で試して、使えた/ダメだったを実測と失敗談つきで正直に書きます。

    あなたへのおすすめ