GoogleがAIエージェントを再学習なしで強化するフレームワーク「Harness²」を公開――モデルを変えずに性能を引き上げるアプローチとは

10月20日、Tom Smithが「Google Research Releases Harness² to Improve AI Agents Without Retraining Models」と題した記事を公開した。Google Researchが、AIエージェントの性能をモデルの再学習なしに向上させるオープンソースフレームワーク「Harness²」を公開したことを伝える内容だ。モデルそのものに手を加えずに推論品質を引き上げるというアプローチは、LLMの運用コストや更新サイクルに課題を抱える開発者から注目を集めている。

Harness²とは何か

Harness²（ハーネス・スクエア）は、Google Researchが開発・公開したAIエージェント向けのオープンソースフレームワークだ。最大の特徴は、ベースとなるLLMのパラメータを一切変更せずに、エージェントの推論・行動品質を向上させる点にある。

従来、AIエージェントの性能を上げようとすれば、ファインチューニング（追加学習）やRLHF（人間のフィードバックによる強化学習）といったモデル更新作業が必要とされてきた。これらは計算資源・時間・専門知識のいずれも大量に要求する。Harness²はこのボトルネックを迂回し、モデルの外側からエージェントの振る舞いを制御・改善するレイヤーを提供する。

AIエージェントとは、単発の質問応答にとどまらず、ツール呼び出し・複数ステップの計画立案・外部環境との対話を自律的に行うLLMベースのシステムを指す。近年、LangChainやAutoGenといったフレームワークの普及とともに実用事例が急増しており、性能改善手法の需要も高まっている。

再学習なしで性能を上げる仕組み

Harness²が採用するアプローチの核心は、エージェントの「行動ループ」を外部から観測・介入することにある。具体的には、エージェントが各ステップで生成する推論トレースや行動選択を評価し、次のステップへのフィードバックとして活用する構造を持つ。これはReAct（Reasoning + Acting）のような既存の推論フレームワークと組み合わせて機能する設計となっている。

再学習が不要である理由は、改善のロジックをモデルの重みではなくフレームワーク側のロジックに持たせているからだ。モデルはあくまでも推論エンジンとして機能し、Harness²がその出力を評価・補正するラッパーとして動作する。この分離により、GPT-4やGeminiといった異なるバックエンドモデルに対しても、同一のフレームワークを適用できる汎用性が生まれる。

オープンソース公開の意義

Harness²はオープンソースとして公開されており、研究者・開発者が自由に利用・改変できる。Google Researchがエージェント系フレームワークをオープンに公開するのは、コミュニティへの知識還元という側面のほかに、エージェント評価・改善の標準的な手法を業界全体で確立していくという意図も読み取れる。

※編集部の考察：ファインチューニングにアクセスできない小規模チームや、モデルのバージョンアップのたびに再学習コストが発生することを避けたい企業にとって、「モデル非依存で性能を上げる」というアプローチは実用上の価値が高い。Harness²がそのリファレンス実装となり得るかどうかは、今後のコミュニティでの採用状況が試金石となるだろう。