最後のハーネス、これで完成
The Last Harness You'll Ever Build
April 22, 2026
著者: Haebin Seong, Li Yin, Haoran Zhang
cs.AI
要旨
AIエージェントは、複雑でドメイン固有のワークフローへの展開が増加している。例えば、数十回のクリックとフォーム入力を必要とするエンタープライズWebアプリケーションの操作、検索・抽出・統合にまたがる多段階の研究パイプラインのオーケストレーション、未知のリポジトリにわたるコードレビューの自動化、微妙なドメイン知識を要するカスタマーエスカレーションの対応などである。各新しいタスク領域では、基礎モデルを効果的に機能させるためのプロンプト、ツール、オーケストレーションロジック、評価基準を設計するという、専門家による入念なハーネスエンジニアリングが必要とされてきた。
本稿では、このプロセスを自動化する2段階のフレームワークを提案する。第一段階では、**ハーネス進化ループ**が単一タスクに対してワーカーエージェントのハーネスHを最適化する。すなわち、ワーカーエージェントW_{H}がタスクを実行し、評価エージェントVが失敗を敵対的に診断してパフォーマンスをスコア付けし、進化エージェントEが過去の試行の完全な履歴に基づいてハーネスを修正する。第二段階では、**メタ進化ループ**が多様なタスクにわたって進化プロトコルΛ = (W_{H}, H^{(0)}, V, E) 自体を最適化し、あらゆる新規タスクにおいてハーネスが迅速に収束することを可能にする最適なプロトコルΛ^{(best)}を学習する。これにより、エージェントを新しい領域に適応させる際に、人的なハーネスエンジニアリングが一切不要となる。
我々は、メタ学習との対応関係を形式化し、両方のアルゴリズムを示す。このフレームワークは、手動のハーネスエンジニアリングを自動化されたハーネスエンジニアリングへと転換し、さらに一歩進んで、自動化そのものの設計を自動化するものである。
English
AI agents are increasingly deployed on complex, domain-specific workflows -- navigating enterprise web applications that require dozens of clicks and form fills, orchestrating multi-step research pipelines that span search, extraction, and synthesis, automating code review across unfamiliar repositories, and handling customer escalations that demand nuanced domain knowledge. Each new task domain requires painstaking, expert-driven harness engineering: designing the prompts, tools, orchestration logic, and evaluation criteria that make a foundation model effective. We present a two-level framework that automates this process. At the first level, the Harness Evolution Loop optimizes a worker agent's harness H for a single task: a Worker Agent W_{H} executes the task, an Evaluator Agent V adversarially diagnoses failures and scores performance, and an Evolution Agent E modifies the harness based on the full history of prior attempts. At the second level, the Meta-Evolution Loop optimizes the evolution protocol Λ= (W_{H}, H^{(0)}, V, E) itself across diverse tasks, learning a protocol Λ^{(text{best)} that enables rapid harness convergence on any new task -- so that adapting an agent to a novel domain requires no human harness engineering at all.} We formalize the correspondence to meta-learning and present both algorithms. The framework shifts manual harness engineering into automated harness engineering, and takes one step further -- automating the design of the automation itself.