Harness Engineering:Mem0・LangGraph・CrewAI の違いはどこにあるのか

Harness Engineering:Mem0・LangGraph・CrewAI の違いはどこにあるのか

2026年4月24日
262 回閲覧
harness engineering agent reliability Mem0 LangGraph CrewAI AI agents

Harness Engineering:Mem0、LangGraph、CrewAI の本当の違い

こんにちは、Lena です。ずっと後回しにしていた問いがあります。

「どのフレームワークが一番いいか」ではありません。この手の質問は週に百回は答えられます。私がうまく言葉にできなかったのは、もっと別のこと — デモでは完璧に見える agent システムが、なぜ実ワークフローに入ると崩れるのか? というものでした。目にするパターンはいつも同じです。モデルは機能する。agent は壊れる。壊れる場所は、ほとんどの場合「知能」の層ではなく、その周りの足場の中にあります。

この足場を指す言葉をやっと見つけました:harness(ハーネス)。

AI agent における Harness Engineering とは

harness とは、agent のロジックを包むすべてのもの — モデルそのものではなく、モデルが走る実行環境です。状態管理、memory ルーティング、タスク編成、エラー回復、ステップ間でのコンテキスト受け渡し。

境界がどこに引かれるのかは、私もまだきれいに言い切れていません。ただ、今のところ使っている定義はこうです:モデルが脳なら、harness は神経系です。harness は、脳がいつ発火するか、何を受け取るか、そして出力されたものがどう扱われるかを決めます。

agent のロジックを包む実行環境

LangGraph 公式ドキュメント の表現はとても正確です — 自らを「長時間稼働する、ステートフルな agent を構築・管理・デプロイするための低レベル編成フレームワークおよびランタイム」と位置付けています。この言い回しは、少し立ち止まって読む価値があります。ランタイム です。「AI ツール」でも「LLM ラッパー」でもない。ランタイムこそが harness です。

harness が制御するもの:

  • 状態の永続化:agent は、さっき何が起きたかを覚えているか?
  • 実行フロー:順次、条件分岐、並列?
  • エラー処理:ステップが失敗したとき、次に何が走るか?
  • memory ルーティング:各ターンの始まりに、agent は何を受け取るか?

なぜ「harness」は「model」より重要なのか

気づかなかった点があります — 私が見てきた agent の失敗の大半は、モデルが走り出す前に起きていました。context window の到着時にフォーマットが壊れている。前のステップの状態がきちんと永続化されていない。ルーティング ロジックがタスクを誤ったノードに送っている。

モデルの質は、人が思うほど重要ではありません — 少なくとも、ある閾値を超えた後は。より重要なのは、harness が正しいコンテキストを、正しいタイミングで、正しい構造でモデルに届けられるかどうかです。モデルは、渡されたもので、できることをします。

各フレームワークは harness にどう向き合っているか

Mem0 — 永続化メモリ層

Mem0 は、たった一行で AI agent にメモリを付け加えます。OpenAI、LangGraph、CrewAI などと連携でき、Python でも JavaScript でも動きます。これが宣伝文句。実際の仕組みはもう少し面白いです。

Mem0 は進行中の会話から重要な情報を動的に抽出・統合・検索し、マルチセッション対話における固定 context window の制約に対処します。2025 年初頭に公表されたベンチマーク数値は印象的です:フル context アプローチと比較して、精度を 26% 向上、p95 レイテンシを 91% 削減、token 消費を 90% 削減。

これらの数字を実運用でどう重み付けするかは、私もまだ完全にはつかめていません — ベンチマーク条件は本番とかみ合わないことが多いからです。ただ、その奥にあるアーキテクチャ上の主張は、真剣に受け止める価値があります:今日の agent の大半は無状態である。そして、無状態はモデルの問題ではなく、harness の問題です。

AI agent におけるグラフ型メモリは、2024 年には実験的なものでしたが、2026 年初頭には本番に入っています。ベクトル メモリとグラフ メモリの違いは明確です:ベクトル メモリは意味的に近い事実を検索し、グラフ メモリは関係でつながれた事実を検索します。

Mem0 が解決するのは「次のセッションで、前回学んだことを思い出せる」こと。解決しないのは「そのメモリを持った後で、agent がどう実行するか」です。

LangGraph — グラフベースの編成とステートマシン

LangGraph のアプローチは別物です。主にメモリ用ツールではなく、制御フロー用のツールです。LangGraph の中心には DAG ベースの編成システムがあり、ノードが agent・関数・決定点を、エッジがそれらの間でのデータの流れを表します。中央集中的な StateGraph が全体のコンテキストを保持し、中間結果とメタデータを保存しつつ、並列実行と条件分岐を可能にします。

この説明は何度か読み返しました。「StateGraph」こそが harness です。すべての遷移は明示的。すべての分岐条件は定義されている。

これは LangGraph の強みであり、同時に摩擦を生む部分でもあります。2024 年が RAG の年で、2025 年が Agent の年だったとすれば、2026 年は Stateful Orchestration(ステートフル編成)の年です。LangGraph はまさにそのために作られています — しかし「ステートフル編成」は、開発者にすべての状態、すべての遷移、すべてのエッジ条件を定義することを要求します。曖昧な余地はありません。

DevOps の素養が強く、ワークフロー要件が明確なチームにとっては、これは特徴です。素早く動きたいチームにとっては、完成形を知らないまま家具を組み立てるような感覚になり得ます。

CrewAI — 役割ベースのマルチ agent 協調

CrewAI は、別の角度から harness 問題に切り込みます。2025 年末時点で、CrewAI はマルチ agent システム構築で最も広く採用されているフレームワークの一つとなり、累計で 14 億回を超える agentic 実行を支え、フォーチュン 500 企業の約 60% で使われています。

役割ベースのモデルは直感的です。agent をキャラクターとして定義します — リサーチャー、ライター、レビュアー — 目標とバックストーリーを自然言語で書く。allow_delegation を True に設定すると、agent は特定の専門を持つチームメイトにタスクを割り当てる強力な協調ツールを自動的に得ます。

目を引かれたのは CrewAI の harness の扱い方です:開発者にステート グラフを定義させるのではなく、その層をチーム構造に抽象化しています。「manager agent」が編成を担い、実行順序は明示的なグラフ エッジではなく、役割定義から自然に立ち上がります。

CrewAI Flows は、エンタープライズ・本番向けアーキテクチャで、細粒度のイベント駆動制御、正確なタスク編成のための単一 LLM 呼び出しを実現し、Crew をネイティブにサポートします。

これが LangGraph の明示的アプローチより常に良いかどうかは分かりません。ワークフローが主にチーム型か、ステートマシン型か、という点に依るのだと思います。

比較表

観点Mem0LangGraphCrewAI
メモリ永続化コア機能 — クロスセッション、vector + graphcheckpoint 経由 — 単一実行内の状態短期 + entity memory;クロスセッションは統合が必要
マルチ agent 対応他フレームワークと統合agent ごとに明示的なグラフ ノードネイティブの役割ベース crew
可観測性メモリごとの TTL・サイズ・アクセス追跡LangSmith 連携;完全な監査 trailCrew Control Plane;trace + log
再利用メカニズム推論時にメモリを検索状態はグラフ エッジ経由で伝搬タスク出力は crew 内で共有
ガバナンスSOC 2 + HIPAA;BYOKツール スコープの最小権限実行MCP + A2A プロトコル統合

モジュール式 Harness と進化型能力ネットワーク

この部分は、私もまだ整理している途中です。正直に言えば、完全に見えているとは思っていません — ただ、単なる偶然のようにも感じません。

モジュール式 harness が解決すること

上の三つのフレームワークは、いずれも構造化された実行を解決しています。agent に、信頼できる実行環境を与える。Mem0 は agent にメモリを。LangGraph は agent に制御された状態遷移を。CrewAI は agent に定義済みの役割と委譲ルールを。

どれも本物のエンジニアリング課題で、どれも本物の解です。

それらが解決しないこと

ここで、しばらく立ち止まりました。

上記のどのフレームワークも、次の問いに対するネイティブの答えを持っていません:ある agent が難しい問題をうまく解いたとき — 別のチームの別の agent が、それを一から作り直すことなく、その解をそのまま継承できるようにするには?

うまくいった実行はログに残ります。memory store にも残るかもしれません。しかし、構造化され、検証可能な形で「転送可能な資産」になることはありません。次の agent は、最初の agent が始めたのとほぼ同じ地点から、また始めるのです。

これは Mem0、LangGraph、CrewAI への批判ではありません — 現在のパラダイムにある空白です。harness は「実行」を制御します。しかし、「学習」を制御するのは誰でしょう?

進化のギャップ

EvoMap の GEP プロトコルに関する文書 によれば、彼らが取り組もうとしているのはまさにこの層 — セッション内のメモリ検索ではなく、agent とチームをまたがる能力の継承です。枠組みはこう問います:もし、成功した問題解決の経路をパッケージ化し、検証し、ネットワーク内の他の agent に継承させられるとしたら?

読み過ぎているのかもしれません。ただセッション メモリ と能力の継承 の境界線は、私には明確に感じられます。メモリは agent に「何が起きたか」を伝えます。継承は「似た問題を、どう解いたか — どういう推論経路で」を伝えます。

このギャップが意味を持つかどうかは、何を作っているかに完全に依ります。単純なワークフローなら、たぶん関係ない。同じ種類の問題のバリエーションを、多くの agent が繰り返し扱うシステムなら、意味があるかもしれません。

何を、どんなときに使うか

単一 agent フローでの永続メモリには Mem0

最大の痛点が「agent がセッション間で何も覚えていない」 — ユーザー設定、過去の判断、会話コンテキスト — であれば、Mem0 が最も直接的な処方箋です。Mem0 はメモリ ライフサイクル全体を管理します。agent 相互作用からの情報抽出、効率的な保存と検索、そして episodic、semantic、procedural、associative を含む異なる種類のメモリに対する統一 API を提供します。

複雑で状態依存の編成には LangGraph

ワークフローに明確な状態、分岐条件、human-in-the-loop のチェックポイントがある、あるいは厳密な監査可能性が必要であれば、LangGraph の明示的なグラフ モデルは、その複雑さに見合います。最も始めやすいフレームワークではありません — しかし、開発速度よりも予測可能性が重要な本番システムでは、その明示性そのものが特徴となります。

チーム型のマルチ agent 協調には CrewAI

タスクが自然に役割に分解できるなら — 一人がリサーチ、一人がライティング、一人がレビュー — CrewAI の抽象化はうまく合います。学習曲線は LangGraph より緩やかで、委譲モデルは、人がチーム ワークフローを考える仕方ときれいに対応します。

三つ揃えても、まだ天井にぶつかるとき

天井が現れるのは、この問いを立て始めたときです:この agent が今日学んだことは、明日、別の agent をどう助けるのか? Mem0 はこれに部分的に応じます。しかし、より深い能力転移の問題 — チームをまたぎ、セッションをまたぎ、検証可能で再利用可能な形で — は、これらフレームワークがネイティブには解決していない領域にあります。

今すぐ心配すべき天井ではありません。ただ、そこにあることを知っておく価値はあります。

限界とトレードオフ

完全に自信を持てていない点が、いくつかあります。率直に書きます。

Mem0 のベンチマーク数値 は印象的ですが、LOCOMO データセットで測られたものです。実際の本番ワークロードは形が違う — 90% のトークン削減がドメインを越えて成り立つかは、私自身は検証できていません。

LangGraph の LangSmith 経由の可観測性 は強力ですが、運用オーバーヘッドは現実のものです。専任の DevOps インフラを持たないチームは、保守面の負担をしばしば過小評価します。

CrewAI のメモリ は、見た目ほどには、箱を開けた状態では堅牢ではありません。CrewAI のネイティブ メモリ アーキテクチャはかなり静的で、ユーザーに合わせて進化することはなく、セッションをまたいだ転送も容易ではありません。CrewAI の協調ドキュメント は、委譲が何をカバーするかを明確にしています — しかし、セッションを越えた学習には、Mem0 のようなものとの明示的な統合が必要です。

どれも致命的ではありません。ただ、本番でデバッグする前に、知っておく価値があるだけです。

FAQ

AI agent の harness engineering とは? harness engineering とは、agent のロジックを包む実行環境の設計を指します — モデルそのもの以外のすべて。状態管理、memory ルーティング、タスク編成、エラー回復は、すべて harness の関心事です。

Mem0 と LangGraph の違いは? Mem0 は主にメモリ層 — agent にセッションを越えて情報を覚えさせます。LangGraph は主に編成層 — agent が、どの順序で、どの条件で実行するかを制御します。両者は異なる問題を扱い、併用されることも多いです。

CrewAI の agent は、学んだことを共有できる? 単一の crew 実行内では、agent は委譲を通じてタスク出力を共有したり、互いに質問したりできます。セッションを越えた学習には、外部メモリ層との統合が必要です。CrewAI の組み込みメモリは、既定では実行間で永続化・進化はしません。

agent memory と agent 能力継承の違いは? agent memory(Mem0 の領域)は、過去のやり取りにある事実を agent に思い出させます。能力継承は別の概念です:成功した問題解決の経路を、他の agent が採用できる再利用可能な資産としてパッケージ化する。現在のフレームワークは一つ目を扱います;二つ目はほぼ未解決です。

Claude Managed Agents を使えば harness は不要? マネージド agent 環境は harness の関心事の一部を自動処理します — 特に実行ライフサイクル。しかし、状態の永続化、memory ルーティング、マルチ agent 協調は、依然として明示的な設計が必要です。モデルがマネージドであることは、harness engineering をなくしません;どの層を自分で組むかが変わるだけです。

たぶん、これがどう進化していくかは見続けることになります。上のフレームワークたちは本当に有用です — 本物の問題を解いています。ただ harness 問題は、深掘りするほど、ますます面白くなっていきます。

Previous Posts:

関連記事