人工知能工学の分野では、エージェントハーネスの設計が過剰になりがちです。現在の議論はコーディングエージェントやパーソナルエージェント（OpenClawなど）の複雑な問題に支配されていますが、実際にはほとんどのエージェントはもっと単純です。著者のHugo Bowne-Andersonは、将来のモデルが自然に吸収する可能性のある能力のために過剰に設計することを避け、耐久性のある基本機能に焦点を当てるべきだと述べています。これが「カービィ効果」です。
エージェントハーネスは、エージェントの「身体」として、大規模言語モデル（LLM）の「脳」を支えます。ハーネスは、モデルのループ呼び出し、ツール実行、コンテキスト管理、状態追跡、安全性確保を担当します。しかし、すべてのエージェントに同じ複雑さが必要なわけではありません。著者は、アクション複雑性（調整すべきツール、決定、依存関係、ハンドオフの数）とコンテキスト複雑性（タスク完了に必要な情報の収集・保持・検索量）という2つの独立した次元を提案します。サポートエージェントは1ターンでタスクを完了するかもしれませんが、複数のツールと安全チェックを経由する必要があります。一方、ディープリサーチエージェントは1つのユーザーリクエストに対して大量の情報を蓄積します。
コーディングエージェントやディープリサーチエージェントは、コンテキスト管理に高い要求があります。例えば、コーディングエージェントは長い会話でコンテキストを圧縮したり、情報をプロンプト外にオフロードしたり、マルチエージェントアーキテクチャを使用したりします。それでも、コアループは驚くほどシンプルで、131行のPythonコードで構築可能です。ディープリサーチエージェントは、計画の生成、複数の検索サブエージェントの並列実行、フック（hooks）を使用してイベントに応答します。しかし、ほとんどの開発者が構築するのはサポートエージェント、営業エージェント、エンタープライズエージェントであり、これらは1～5ターンでタスクを完了します。これらのシステムには、ツール設計、構造化出力、ルーティング、ガードレール、トレース、ヒューマンハンドオフは必要ですが、メモリ管理や圧縮はほとんど不要です。
注目すべき現象として「カービィ効果」があります。新しいモデルのリリースはハーネスの再設計を強制します。Manusは1年間に5回再構築され、LangChainのディープリサーチ製品も複数回再構築されました。これは、モデルが強化学習と多数のエージェントトレースによってハーネスの機能を吸収するためです。例えば、チェーン・オブ・ソート（CoT）は元々プロンプトテクニックでしたが、その後強化学習によってモデルの内因能力になりました。プランモードも同様に、現在では単純な指示で済みます。GPT-5.2やOpus 4.5のようなモデルではツール呼び出しの精度が飛躍的に向上し、多くのハーネスコンポーネントが不要になりました。
したがって、開発者は最小限の実行可能ハーネス（minimum viable harness）を構築し、タスクの実際の要件に基づいて複雑さを選択し、モデルのアップグレードに応じて時代遅れの機能を削除する準備をすべきです。