概要
Claude 3.5 SonnetとOpusを組み合わせ、検証・反証・監査レイヤーを多重化した「ハーネス」を構築し、次世代モデルFable 5相当の品質を引き出せるか比較検証した記録。
詳細内容
### 概要
本記事は、旧世代モデル（Claude 3.5 Sonnet / Opus 4.8）を組み合わせたマルチエージェント・ワークフロー「ハーネス」を設計し、最新モデル「Fable 5」に匹敵する成果物を得られるかを検証した技術レポートです。
### ハーネスの設計
Fable 5の特性（高い初回正確性、デバッグ能力、自己検証能力）を補うため、以下の機能をワークフローに組み込みました。
- **過去の教訓の読み出し**: メモリから失敗パターンを参照。
- **仕様の独立監査**: 実装と並行して仕様の逸脱をチェック。
- **常時反証（攻撃役）**: 2体の攻撃エージェントによる多角的な懸念抽出。
- **裁定と接地監査**: 完了報告を実際の証拠（テスト結果等）と照らし合わせて監査。
### 検証結果
GPT 5.5 (Codex) を外部評価役とした5つのタスクによる比較検証の結果、以下の知見が得られました。
- **品質**: ハーネス構成はFable 5と同等のテスト合格率に達する場合があるが、明確に上回るパターンは見られなかった。
- **コストと時間**: 初期構成ではコスト58倍、時間31倍と極めて効率が悪く、エスカレーション型に改良してもFable 5単発の効率には及ばない。
- **結論**: Fable 5が利用可能な環境では単発利用が最適である。ただし、モデル制限がある環境下では、検証・反証レイヤーの追加によって品質を上位モデルに近づけられることが証明された。