概要
AIエージェントがワークフロー改善において局所最適に陥り、根本的な設計変更ができない理由を最新のAI研究から紐解き、探索構造（ハーネス）による解決策を提案する。
詳細内容
LayerXのエンジニアによる、自己改善AIエージェントが直面する「初期の前提を覆せない」という停滞現象の分析記事です。エージェントがプロンプトの微調整など近傍の改善に留まり、処理順序や設計自体を見直せない問題を、アンカリング効果や自己反省の限界（Degeneration-of-Thought）として整理しています。解決策として、2026年時点の最新研究（GEPA、DGM、HGM、Group-Evolving Agents等）を引用し、1. 複数候補の並行改善とモジュール単位の統合、2. 過去の候補を木構造でアーカイブし系統別に再利用する仕組み、3. 設計の多様性（LLMステップ数やコード化範囲など）を評価軸に組み込む手法、の3点を解説。個体としてのモデル性能に期待するのではなく、適切な探索を可能にするシステム側（ハーネス）の制御構造が、ラストワンマイルの改善には不可欠であると結論づけています。