LangGraphが首位：長期タスク向けAIエージェントツール5選【2026年】

LangGraphは、状態管理、障害復旧、人間による制御をワークフローの中核として扱えるため、2026年の長期タスク向けAIエージェント・ハーネスとして最有力です。その重要性は、NVIDIAが新たに公開したAVOの結果からも見えてきます。ARC Prizeの別個のモデル参照値ではClaude Opus 5が約30%だった一方、NVIDIAの完全なエージェントシステム内では100.00 RHAEに達しました。ただしNVIDIAは、これは統制された比較ではないと明記しています。

高性能なモデルだけを購入し、その周辺システムに予算を割かない判断は、もはや不十分です。次のアクションを提案するのはモデルですが、起きたことを記憶し、障害後に処理を再開し、結果を検証し、副作用を制限し、人が介入すべきタイミングを決めるのはハーネスです。一度の正常なセッションで終わらない仕事では、モデルへの追加投資が継続的な成果になるのか、それとも長く高くつく失敗になるのかを、こうした周辺制御が左右します。

本比較の価格と機能は、2026年8月24日に公開中の公式ページで確認しました。順位はデモの速さより本番環境での復旧性を重視し、公開ベンチマークは普遍的なスコアではなく、特定構成についての証拠として扱っています。

長期タスク向けAIエージェントツール5選：比較一覧

基本の選択はLangGraphです。 フレームワークの自由度よりランタイム運用を避けることが重要なら、Claude Managed Agentsを選びます。Azureの耐久性や.NETがすでに要件なら、Microsoft Agent Frameworkが適しています。隔離環境で最先端の研究を行うならNOOAです。名前付きの役割が本当に効果を発揮する仕事にはCrewAIを選べますが、Crewの外側は決定論的なFlowで囲んでください。

このカテゴリは、より広範なAIエージェント・プラットフォーム比較で扱う製品より一段下のレイヤーに位置します。プラットフォームは利用者にエージェントを提供します。ハーネスは、実務を途中で止めずにエージェントを動かすためのランタイム規則を開発者に提供します。

NVIDIA AVOが変えるのは予算であり、順位ではない

NVIDIA AVOは、この分野で最も重要な新しい実証ですが、購入できる製品ではありません。NVIDIAはAVOを、永続メモリとスーパーバイザーを備えた汎用コーディングエージェントと説明しています。同社の記事からリンクされているのは論文であり、公開パッケージ、ホスティングプラン、料金ページではありません。

この結果が注目に値するのは、1つのアーキテクチャが性質の大きく異なる2つの仕事に適用できたからです。アテンション・カーネルの研究では、AVOは7日間連続で稼働し、500を超える最適化方針を検討して、40個のカーネル・バージョンをコミットしました。NVIDIAによれば、DGX B200上でFlashAttention-4を最大10.5%上回る性能を記録しています。ARC-AGI-3の公開セットでは、Claude Opus 5を使ったAVOが25環境の全183レベルを6,624アクションで完了し、100.00 RHAEを獲得しました。

「ハーネスによってOpus 5が約30%から100%に伸びた」という見出しは魅力的ですが、因果関係として扱ってはいけません。NVIDIA自身が明記しているとおり、ARC Prizeの参照値とAVOの実行では、推論設定、エージェントシステム、評価環境が異なります。この比較だけでは、メモリ、監督、観測設計、プロンプト、その他の変数がそれぞれ何ポイントに寄与したかを切り分けられません。

それでも、擁護できる結論には大きな意味があります。モデル単体の評価だけでは、完全なエージェントの特性を説明できません。トークン価格とベンチマーク表だけを比べる調達は、車体、ナビゲーション、ブレーキ、整備計画を無視してエンジンだけを比較しているようなものです。

したがってAVOが変えるのは、選定時の問いです。最良のハーネスは、エージェントの役割が最も多いものでも、グラフエディタが最も美しいものでもありません。取り返しのつかない処理を黙って繰り返すことなく、最も重大な障害から復旧できる仕組みこそが重要です。

AIエージェント・ハーネスの選定基準

選出した5製品は、プロンプト・ライブラリではなく、未完了の仕事を動かすオペレーティングシステムとして評価しました。順位を決めた基準は次の6項目です。

1. 永続状態： 会話履歴だけでなく、ワークフロー上の位置、保留中の作業、成果物、判断を保存できますか。
2. 再起動からの復旧： クラッシュやデプロイの後、高コストまたは不可逆な手順をすべてやり直さずに再開できますか。
3. 検証： 提案された作業を受け入れる前に、決定論的チェック、評価器、人の承認を挟めますか。
4. 副作用の制御： リプレイしても安全な計算と、送信、課金、削除、デプロイなどの処理を分離できますか。
5. コストの可視性： 上限を設定し、実行、シート、トレース、ホスティング資源の単位で支出を追跡できますか。
6. 封じ込め： 生成コードや外部ツールに対して、実効性のあるセキュリティ境界を設けられるデプロイ方式ですか。

この順位は以上の基準に基づく編集上の判断であり、ベンダー横断の架空ベンチマークではありません。11製品を並べるだけのディレクトリでは、オブザーバビリティ製品、エージェントSDK、マルチエージェント・ライブラリが、同じ問題を解くかのように混在しがちです。ここで5製品に絞ったのは、それぞれについて、長期タスクでぶつかる壁と、そのトレードオフを受け入れるべき購入者を公式情報から説明できるためです。

ここでいう「比較」とは、確認日時点の公式ドキュメント、リポジトリ、料金、公開結果を調べ、同じ観点で整理したという意味です。比較済みの印を付けるためだけに、5つの本番デプロイを作ったという意味ではありません。

1. LangGraph：本番の長期ワークフローに最適な総合1位

LangGraphが総合首位なのは、エージェントらしい処理を許しつつ、状態遷移を開発者が明示的に制御できるからです。低レベルのオーケストレーション・フレームワーク兼ランタイムであり、グラフ内では決定論的なノードとモデル主導の判断を組み合わせられます。複数日にまたがる処理に必要なのは、判断が有効な場面での自由と、繰り返しや副作用が危険な場面での構造です。

最適な用途： 永続チェックポイント、明示的なワークフロー状態、リプレイ、人の承認が必要な本番エージェント。
注目点： checkpointerはスレッド単位でグラフ状態を保存し、storeはスレッドをまたいで情報を保持できます。
料金： LangGraphは無料のオープンソースです。LangSmith Developerは1シート、月5,000件のベーストレース付きで1シートあたり月額$0です。Plusは1シートあたり月額$39で、合計10,000件のベーストレース、有料シート数無制限、無料のServerless Smallデプロイ1件が含まれます。Enterpriseは個別見積もりです。現在の従量料金はLangChain Compute Unitあたり$1.50、LangChain Storage Unitあたり$1.00です。
無料トライアル： Developerは無料の継続プランであり、期間限定トライアルではありません。

この設計が有用なのは、チェックポイントが単なる「メモリ」ではないからです。メモリは、エージェントが事実を思い出す助けになります。チェックポイントは、ワークフローの現在地、保持中の値、次に行う処理を記録します。調査エージェントが200件の情報源を収集した後、最終レポートの生成中に失敗しても、永続グラフなら障害が起きたノード付近から再開できます。一方、チャット履歴を保存しただけでは、モデルが長い記録から意図を再構築し、以前の操作を繰り返さないことに賭けるしかありません。

LangGraphの永続化機能では、タイムトラベルとリプレイも利用できます。ただし、これらが価値を持つのはリプレイ時の意味を意図的に設計した場合だけです。読み取り、計算、下書き生成は通常、繰り返しても安全です。決済の確定、メール送信、データベース削除、本番デプロイは安全ではありません。不可逆な操作には必ず冪等性キーを付け、同じリクエストで効果が二重に発生しないようにしてください。そして実行の直前と直後にチェックポイントを保存します。

弱点は、運用責任を自社で負うことです。LangGraphは意図的に低レベルに設計されています。開発者は本番用checkpointerを選び、状態を定義し、保持期間を決め、グラフをバージョン管理し、移行を処理し、チェックポイントの増大が新たなストレージ問題にならないようにする必要があります。インメモリのcheckpointerはプロセス再起動時に内容を失うため、耐久性があるように見えたプロトタイプでも、最初の本格的な再起動テストで失敗しかねません。

1. 1

   永続化する単位に名前を付ける

   1つのスレッドを、プルリクエスト、ベンダーレビュー、顧客オンボーディング案件など、1つのビジネス成果に対応させます。無関係な作業を延々と詰め込む箱としてスレッドを使わないでください。

2. 2

   状態と証拠を分ける

   コンパクトな制御状態はグラフに置き、大きな成果物、ソース文書、生成ファイルは安定した参照先とともに外部へ保存します。こうすればチェックポイントを説明可能な状態に保ち、無制限な肥大化を抑えられます。

3. 3

   永続checkpointerを導入する

   最初の本番パイロット前に、インメモリのcheckpointerを置き換えます。保持ポリシーを設定し、同じスレッド識別子を使って別のワーカー上で再起動できることを確かめてください。

4. 4

   不可逆な操作を囲い込む

   送信、課金、削除、マージ、デプロイの前に、承認または決定論的な検証を置きます。各操作には冪等性キーを付け、実行後に結果を保存してください。

5. 5

   再起動訓練を行う

   外部操作の直前、直後、モデル呼び出し中に、それぞれ処理を強制終了します。この3つすべてで再開経路を予測できるまで、長期タスク用システムを本番投入してはいけません。

障害復旧が製品要件であり、チームがアプリケーション・ランタイムを運用できるならLangGraphが適しています。ストレージ、ワーカー、グラフのバージョンを運用せずにタスクを委任することが主目的なら、Claudeのマネージド方式のほうが向いています。

2. Claude Managed Agents：長時間のコーディングに最適なマネージド型

Claude Managed Agentsは、作業がAnthropicのエージェント環境に合い、フレームワークの自由度よりランタイム運用の負担が大きな課題となる場合に最適です。セッションは隔離されたクラウドコンテナ内でイベントと状態を保持します。また、異なるデプロイ境界が必要なチーム向けに、Anthropicはセルフホスティングも文書化しています。ワーカーキュー、コンテナのライフサイクル、セッションAPIを個別に組み立てる代わりに、マネージドの実行環境を購入し、モデル利用量と稼働時間に応じて支払う仕組みです。

最適な用途： フレームワークの可搬性よりマネージド・セッションの価値が高い、長時間のコーディング、調査、コンピュータ作業。
注目点： ステートフル・セッションは、永続的なイベント履歴とセッション単位の定価コスト上限を組み合わせています。
料金： モデルトークン料金に加え、セッション稼働1時間あたり$0.08です。Claude Opus 5の定価は入力100万トークンあたり$5、出力100万トークンあたり$25です。Anthropicが公開する1時間の料金例は、入力50,000トークン、出力15,000トークン、ランタイムを合わせて$0.705です。キャッシュ読み取りを使う例では$0.525になります。
無料トライアル： 確認した料金ページには、Managed Agentsの無料トライアルは掲載されていません。

予算管理は非常に具体的です。セッション作成時に、公開定価ベースの上限を米セントの整数で設定できます。$25の上限は2500と指定します。累計額が上限に達すると、セッションは新しいモデルリクエストの発行を止めて一時停止します。ただし境界を超えたリクエストは完了できるため、最終コストが設定上限をわずかに上回る可能性があります。

この点は見落とせません。予算上限はモデル呼び出しの間に作動するブレーキであり、最終請求額が設定値を1セントたりとも超えないと保証するトランザクション機能ではありません。また、上限はセッション作成時に設定する必要があります。予算なしで作成したセッションに後から上限を追加することはできませんが、すでにある予算の変更や削除は可能です。

マネージド方式の有効性を最も明確に示すのは、Anthropicが別途公開した長時間ハーネスの実験です。planner、generator、evaluatorで構成したハーネスは6時間稼働し、費用は$200でした。一方、単独エージェントは20分、$9です。この1件のデモではハーネスの費用が22.22倍になりましたが、Anthropicの評価では成果物の完成度も大幅に上がりました。これは普遍的な倍率ではありません。信頼性を高めるために、短時間の初回試行よりはるかに多くのモデル処理が必要になり得るという率直な警告です。

弱点は密結合です。マネージド・セッションの方式は設計上の前提が強く、現在はmanaged-agents-2026-04-01ベータヘッダー付きで文書化され、Anthropicのモデル料金とランタイム料金が適用されます。Claudeをすでに実行モデルとして採用し、セッション環境が仕事に合う場合には強力です。一方、モデル中立のランタイム、独自の分散トポロジー、永続化されるすべての状態遷移への完全な制御が必要な企業には、標準解として採用しにくくなります。

マネージド実行環境を求め、Claudeを中心に据えることを受け入れられるなら、Claude Managed Agentsが適しています。ランタイムだけでなく実際に作業するエージェントも比較したい場合は、AIコーディングエージェント比較ガイドで隣接するモデルとエージェントの選択肢を検討できます。

3. Microsoft Agent Framework：Azureと.NETの耐久性に最適

Microsoft Agent Frameworkは、Azureまたは.NETシステムをすでに運用し、数日から数週間待機するワークフローが必要な組織に最適です。このオープンソース・フレームワークはMITライセンスでPythonと.NETに対応します。Durable Extensionはセッションを永続化し、作業をチェックポイントに保存し、障害から復旧し、複数ホストへ処理を分散します。マネージド・セッションよりインフラを柔軟に選べる一方、Microsoftの技術体系に沿った、より複雑な運用モデルが必要です。

最適な用途： 人や外部システムの応答を待って後から再開する、Azureまたは.NET上のエンタープライズ・ワークフロー。
注目点： 耐久性のある待機中は、人物や外部イベントを待っている間にコンピューティング資源やモデルトークンを消費しません。
料金： MITライセンスのフレームワークは$0です。Azureのホスティング、ストレージ、モデル呼び出し、ネットワーク、オブザーバビリティは別料金です。Azure Functions Flex Consumptionには月250,000回の実行と100,000 GB秒の無料枠があり、Consumptionには1 millionリクエストと400,000 GB秒が含まれます。有料料金はリージョンと契約によって異なります。
無料トライアル： フレームワークは無料のオープンソースです。Azureが公開する月次無料枠は対象となる利用量に適用されるもので、期間限定のフレームワーク・トライアルではありません。

長期タスクでの強みは、チェックポイント保存と耐久性のあるオーケストレーションの違いにあります。通常のチェックポイントは、1つのアプリケーション・ランタイム内でグラフを復元できます。MicrosoftのDurable Extensionは、ワークフローの進捗をDurable Taskインフラに置くため、ステートレスなワーカーでもプロセス再起動やホスト変更をまたいで処理を再開できます。3日間返答を待つ調達承認、書類を待つ保険請求案件、数週間開いたままになるコンプライアンス・ワークフローには、こちらのほうが適しています。

待機中にコンピューティング資源もモデルトークンも消費しない点が、実務上の経済的メリットです。管理者の返信を待つ処理のために、高価なワーカーを起動したままにしたり、返信が来たかモデルに何度も尋ねたりする必要はありません。耐久性のあるインフラが待機状態を記録し、コンピューティング資源を解放し、イベント発生時に再開します。

MicrosoftはAzure Functionsでのホスティングとセルフホスト型ワーカーを文書化しています。セルフホスティングでも、チェックポイント、再開、決定論的オーケストレーション、人の応答待ち、分散実行は維持されますが、API、ライフサイクル管理、ネットワーク、認証、デプロイの責任は運用者へ移ります。インフラ所有を回避する近道ではなく、どのインフラを自社で担うかという選択です。

標準のワークフロー・チェックポイントでは、インメモリ、ファイル、Cosmos DBの各ストレージを利用できます。便利な方式が必ずしも安全とは限りません。Python pickle形式のチェックポイント・データはデシリアライズ時にコードを実行できるため、信頼された境界内に限定する必要があります。信頼できないテナントや外部アップロードから受け取ったチェックポイントblobは、決して読み込まないでください。

弱点は、プラットフォームへの引力と概念上の重さです。Durable Taskのセマンティクス、Azureリソース、状態ストア、決定論的オーケストレーション、エージェント抽象化が組み合わさり、多くの小規模アプリケーションには過剰なシステムになります。ワークフローが数分で完了し、1度の再起動を許容できるなら、通常はLangGraphやマネージド・セッションのほうが理解しやすいでしょう。

4. NVIDIA NOOA：エージェント研究に最適なオープン・ハーネス

NVIDIA NOOAは、型付きメモリ、ツール、評価器、エージェント構成がモデル性能に与える影響を調べるチームに最適な、オープンな研究用ハーネスです。NVIDIA Object Oriented Agentsはモデルに依存しないPythonフレームワークで、メモリ内の型付きオブジェクトと関係を、人が読めるSQLiteファイルとして表現します。場当たり的なメモを集めたフォルダより調べやすく、古いメッセージをそのままプロンプトへ詰め込むより意図の明確な構造です。

最適な用途： 実効性のあるサンドボックス内で独自のエージェント・アーキテクチャを開発する研究グループや上級開発者。
注目点： NVIDIAのARC-AGI-3評価では、型付きの関係メモリによって、ファイルベースのメモよりRHAEが11.8ポイント向上しました。
料金： Apache 2.0のソフトウェアは$0です。モデルトークン、コンピューティング、ストレージ、セキュリティ用サンドボックスは別料金です。NVIDIAが報告したARC-AGI-3構成の費用は、GPT-5.5で1ゲームあたり$17.85、GPT-5.6-solで約$13.30です。
無料トライアル： フレームワークは無料のオープンソースで、ホスティングプランや期間限定トライアルは必要ありません。

NOOAが重要なのは、NVIDIAがスコアだけでなく資源使用量も公開しているからです。SWE-bench Verifiedでは、ベンチマーク専用プロンプトを使わない253行の汎用エージェントにより、GPT-5.5で82.2%、Claude Opus 4.6で79.8%だったと報告しています。82.2%の実行では、1タスクあたり29回のモデル呼び出しと約1.1 millionトークンを使用しました。NVIDIAはこれを、66回の呼び出しと2.2 millionトークンを使った78.2%の結果と比較しています。優れたハーネス設計は、完了率を上げるだけでなく無駄も減らせるという例です。

ARC-AGI-3では、いずれも2時間の上限を設けたうえで、GPT-5.5が1ゲーム$17.85で平均50.2% RHAE、GPT-5.6-solが約$13.30で85.1%だったとNVIDIAは報告しています。これは特定ベンチマークに対するNVIDIAの構成であり、企業のバックログで同じ結果を保証するものではありません。示唆として重要なのは、メモリ構造、再利用可能なスキル、評価、モデル選択を工夫すれば、スコアとコストの境界を同時に改善できる可能性があることです。

弱点はリポジトリにはっきり書かれています。NVIDIAはNOOAを、粗削りな部分が残る研究用ソフトウェアと位置付けています。エージェントがモデル生成コードを実行すると、個人データの流出、ファイル削除、環境改変を招く可能性があります。ASTチェックや拒否リストは明白なパターンを排除できますが、封じ込めにはなりません。実効性のある境界には、コンテナ、仮想マシン、OpenShell環境など、主要ファイルシステムや無制限のネットワークへ到達できない、隔離されたOSレベルのサンドボックスが必要です。

この安全要件は予算にも影響します。「無料のオープンソース」とはライセンス料がないという意味であり、運用費がゼロという意味ではありません。本格的なパイロットには、隔離されたコンピューティング、使い捨て認証情報、制限付きの外向き通信、成果物レビュー、エージェントのオブジェクトストアがどう変化するかを理解する担当者が必要です。

ハーネス設計そのものを研究し、拡張することが目的ならNOOAが適しています。公開された最新のベンチマーク値が魅力的だからという理由だけで、本番ランタイムの標準にしてはいけません。

5. CrewAI：役割ベースのマルチエージェント処理に最適

CrewAIは、異なる役割を割り当てたエージェント同士の協調が本当に効果を生み、かつ外側の処理をFlowで制御できる場合に最適です。Crewは自律的な協調を担い、Flowはイベント駆動の状態、分岐、ループ、永続化を提供します。したがって耐久性のある設計は、「完了するまでエージェント同士に話させる」ことではありません。構造化されたFlowの中で、作業の範囲を区切ってCrewに開放し、戻ってきた結果を検証する形です。

最適な用途： 役割の異なるエージェントが有効な、調査、レビュー、コンテンツ制作、業務プロセス。
注目点： FlowはデフォルトでSQLiteへ状態を永続化し、保存した状態識別子から再開できます。独自の永続化バックエンドにも対応します。
料金： Basicは$0で、ビジュアルエディタ、AI copilot、GitHub連携、月50回のワークフロー実行が含まれます。Enterpriseは個別見積もりで、SSO、RBAC、ワークロードID、PIIマスキング、ポリシー、クラウドまたはプライベート環境へのデプロイ方式、45日間のオンボーディング・プログラムが追加されます。
無料トライアル： Basicは継続利用できる無料プランです。CrewAIはEnterpriseトライアルも提供しています。

CrewAIを最も生かせるのは、決定論的な外殻の内側にエージェント型の領域を置く構成です。ベンダーのデューデリジェンスを例に考えます。Flowは文書を受け取り、案件識別子を記録し、必須チェックへ振り分けます。調査用Crewはセキュリティ、財務、製品の各質問を分担できます。その後、Flowがスキーマに適合した出力を必須とし、例外を人へ回し、承認を記録してから基幹システムを更新します。分析の内側では役割分担が有効です。しかし最後の不可逆な操作まで役割に委ねてはいけません。

永続化は便利ですが、過大評価しやすい機能でもあります。Flowまたはメソッド単位で永続化を適用すると、状態はデフォルトでSQLiteに保存されます。単一マシン上のパイロットには十分で、開発中も中身を確認しやすい方式です。しかし、それだけで多数のワーカー向け分散状態サービスになるわけではありません。CrewAIは独自の永続化バックエンドに対応しており、マシン障害を乗り越えたり、複数レプリカ間で調整したりする必要が生じた時点で、そちらが現実的な選択になります。

弱点は協調のオーバーヘッドです。役割を追加するたびに、メッセージ、モデル呼び出し、待ち時間が増え、同じ誤りを2つのエージェントが互いに補強する機会も生まれます。組織図がデモで映えるからではなく、固有のコンテキスト、ツール権限、評価観点を持たせる必要がある場合にだけ、役割を追加してください。

役割分担そのものがシステムを採用する理由ならCrewAIを選びます。実際の要件が、ツール実行と承認を耐久性のある順序でつなぐことだけなら、LangGraphまたはMicrosoft Agent Frameworkのほうが明快な制御面を提供します。

許容できない障害から逆算して選ぶ

選択を決めるのは機能数ではなく、障害モードです。処理の途中でモデル、ワーカー、人がいなくなっても、必ず守らなければならない条件から考えてください。

LangGraphを選ぶべき場合： 開発者が明示的なアプリケーション状態、モデル選択の自由、すべてのチェックポイントへの制御を必要とするときです。製品開発チームにとって、最も中立的な標準解です。

Claude Managed Agentsを選ぶべき場合： 作業の中心がClaudeであり、コンテナとセッションの管理を構築するより購入したいときです。多数の独立したジョブへ個別の上限を設定する場合、セッション単位の予算が特に役立ちます。

Microsoft Agent Frameworkを選ぶべき場合： プロセスがすでにAzureまたは.NET環境に属し、人やシステムを数日待つ可能性があるときです。決定的な強みはエージェントの巧妙さではなく、分散環境での耐久実行です。

NVIDIA NOOAを選ぶべき場合： ハーネスそのものが研究対象であり、チームが使い捨て可能なサンドボックスを徹底できるときです。現在のベンチマーク証拠は優秀ですが、デプロイ時にはリポジトリにある研究用途の警告を優先すべきです。

CrewAIを選ぶべき場合： 異なる役割が作業を実質的に改善し、その活動をFlowで制約できるときです。役割が装飾にすぎないなら削除し、より単純なランタイムを選んでください。

LangGraphとMicrosoftの明確な分岐点は、必要なインフラの範囲です。永続的なアプリケーション・チェックポイントで復旧できるなら、LangGraphのほうがシンプルです。ワーカーが移動し、待機が数週間続き、Durable Taskがすでにアーキテクチャの一部なら、Microsoftの追加機構に価値があります。LangGraphとClaudeを分けるのは所有責任です。柔軟性のためにランタイムを構築するか、作業へ集中するためにセッションを購入するかを選びます。

長期タスクの信頼性には、実際いくらかかるのか

信頼できるエージェントは、フレームワークが無料でも、成功したタスク1件あたりの費用が高くなる場合があります。費用はリトライ回数だけではありません。計画、評価、豊富なメモリ、サンドボックス化されたツール、リプレイしても安全な連携には、失敗を防ぐ前段階でトークンまたは開発時間が必要です。

予算への最も明確な警告は、Anthropicの長時間実験です。単独の試行は$9で20分だったのに対し、planner、generator、evaluatorを使うハーネスは$200で6時間かかりました。比率は22.22倍です。タスクと成果物の品質を含む1件の実証であり、普遍的な法則ではありません。それでも、ハーネスは同じモデル呼び出しを無料で包むだけだという前提を打ち消すには十分です。

現在の3つのコスト例を見ると、料金を1つの比較値にまとめられない理由が分かります。

• マネージド実行： Anthropicの1時間の例は$0.705なので、同等のセッションを100回実行すると$70.50です。実際の費用はモデル、トークン、キャッシュ、実行時間で変わります。
• 共同運用： LangSmith Plusは5シートで、従量制のコンピューティングとストレージを加える前に月額$195です。フレームワークは無料でも、共同利用するオブザーバビリティには予算が必要です。
• 研究実行： NVIDIAが報告したGPT-5.6-solのNOOA構成はARC-AGI-3の1ゲームあたり約$13.30、GPT-5.5は$17.85です。これはベンチマーク構成の数字であり、ソフトウェア開発チケットの価格ではありません。

これらは同じ単位で比べられる製品価格ではありません。無理に同列に並べるより、それぞれの単位を示すほうが有用です。実務で使うべき指標は、受け入れられた成果1件あたりの費用です。モデル、ランタイム、ストレージ、オブザーバビリティ、レビューの総支出を、安全でない副作用を起こさず受け入れ基準を通過した成果物の数で割ります。

月曜に着手すること：モデルを買い増す前に復旧訓練を1回行う

月曜日には、通常1時間を超えるワークフローを1つ選び、永続化の単位を定義します。明確な受け入れテストがあるプルリクエスト、デューデリジェンス案件、顧客オンボーディング、調査レポートが適しています。

火曜日までに、初期状態、最初の外部読み取り、最後の安全なチェックポイント、最初の不可逆な操作、最終的な受け入れという5つの境界を描きます。実行には支出上限を設定してください。ハーネスがいずれかの境界を表現できないなら、その欠落はモデルのベンチマークがもう1ポイント上がることより重要です。

水曜日には、不可逆な操作の直前、直後、モデル生成中という3つのタイミングでワーカーを強制終了します。状態の消失、送信の繰り返し、書き込みの重複、証拠なしに完了を主張するエージェントがないか確認します。復旧時間と人の介入を記録してください。

木曜日には、不足していた冪等性キー、承認、評価器、チェックポイント、サンドボックス規則を追加します。金曜日に訓練を繰り返し、受け入れられた成果1件あたりの費用を計算します。その後で初めて、より強力なモデル、マネージド・ランタイム、別のフレームワークのどれに予算を付けるべきか判断します。

これがAVOから導かれるビジネス上の意味です。月曜日に自動的に購入すべきものは、Opus 5でもLangGraphでも、新しいマルチエージェント・アーキテクチャでもありません。まず必要なのは、システムのどこが本当に弱いかを明らかにする、測定可能な復旧経路を1つ作ることです。

避けるべき選択肢

広く知られた技術でも、新規の長期タスク向けシステムには適さないものがあります。別の用途で今も有用であることとは矛盾しません。

Microsoftの新規プロジェクトでAutoGenを選ぶ

AutoGenは、Microsoftがメンテナンス・モードへ移行し、新規利用者にはMicrosoft Agent Frameworkを推奨しているため、Microsoftベースの新しいエージェント開発の標準には向きません。既存のAutoGenシステムを慌てて書き換える必要はありませんが、後継がすでに推奨されているフレームワークから新しいアーキテクチャを始めるべきではありません。

既存のデプロイは安定させ、インターフェースを分離し、ビジネスリスクに応じて移行を計画してください。古いチュートリアルやサンプルが豊富だからというだけで、新たな依存関係を作ってはいけません。

不可逆な作業に単純なコンパクション・ループを使う

会話履歴を定期的に要約する単独エージェントは、耐久性のあるハーネスではありません。コンパクションはコンテキスト長を減らせても、どの副作用がすでに起きたかを証明せず、型付きのワークフロー位置を保存せず、リプレイを安全にもしません。可逆的な探索には使えます。外部状態と冪等性なしに、決済、削除、顧客への連絡、マージ、デプロイを任せてはいけません。

NVIDIA AVOを本番調達の候補にする

AVOはハーネス設計の重要性を示す証拠であり、サポートプランと価格を備えた公開製品ではありません。その結果を受けて、アーキテクチャ・レビューで問う内容は変えるべきです。しかしNVIDIAが製品として実際に評価できるものを提供するまでは、発注書へ載せる対象ではありません。

受け入れゲートのないマルチエージェントの役割演技

エージェントを増やしても、自動的に信頼性が上がるわけではありません。planner、builder、reviewerが同じ不十分なコンテキストを共有し、決定論的な受け入れテストを持たないなら、推論回数を増やしただけで独立性は生まれません。固有の証拠、権限、または前の回答を覆せるチェックを持つ場合にだけ役割を追加してください。

よくある質問

2026年に最も優れたAIエージェント・ハーネスはどれですか？

LangGraphは、明示的なグラフ状態、永続チェックポイント、リプレイ、人による制御を組み合わせながら、ワークフローを単一のモデルベンダーに固定しないため、本番の長期タスク向け総合首位です。マネージド実行を優先するならClaude Managed Agents、分散ワーカーをまたぐAzureと.NETの耐久性が必要ならMicrosoft Agent Frameworkのほうが適しています。

長時間動くエージェントに有効なハーネスは何ですか？

LangGraph、Claude Managed Agents、Microsoft Agent Framework、NVIDIA NOOA、CrewAIは、それぞれ異なる運用モデルで有効です。適切な製品とは、必要な状態を永続化し、副作用を重複させずに再開し、完了を検証でき、チームの封じ込め境界に合うものです。

Claudeハーネスとは何ですか？

Claudeハーネスとは、Claudeモデルの周囲にあるランタイム、つまりプロンプト、ツール、永続状態、計画、評価、予算、復旧規則を指します。Claude Agent SDKを使ってこの仕組みを構築でき、Claude Managed Agentsならホスティングされたセッション環境として利用できます。

Claude Codeはエージェントですか、それともハーネスですか？

Claude Codeは独自のハーネス機能を備えたエージェント製品です。一方、Claude Agent SDKとManaged Agentsのインターフェースを使えば、より広いエージェントシステムを構築、運用できます。違いは制御範囲にあります。エージェントはタスクを実行し、ハーネスは状態、ツール、復旧、検証の動作を管理します。

Claude Code向けのAIハーネスはありますか？

あります。AnthropicはAgent SDKを使った長時間ハーネスのパターンを文書化しており、planner、generator、evaluatorの役割も示しています。また、ステートフル実行向けにManaged Agentsセッションを提供しています。ベンダー非依存性が重要なら、LangGraphのようなモデル中立のフレームワークからClaudeモデルをオーケストレーションすることもできます。

PiとClaude Codeのハーネスにはどのような違いがありますか？

ブランドの優劣ではなく、アーキテクチャとして比較してください。見るべき点は、永続状態、ツール権限、モデルの可搬性、チェックポイントとリプレイのセマンティクス、検証、デプロイの所有責任です。カスタマイズしやすいハーネスが、長時間の作業で必ずしも安全とは限りません。障害復旧と副作用を検査可能な状態に保てるかどうかが決定的です。

AI Business Workflow Audit Checklistを入手する

無料のAI Business Workflow Audit Checklistを使えば、有望なエージェント業務を、担当者、状態境界、受け入れゲート、予算上限、停止規則を備えた明確なパイロットへ落とし込めます。チェックリストと次回の検証済み構築ガイドを受け取るには、ニュースレターへご登録ください。