Agent Harness Engineer / Japanese

必須

• コンピュータサイエンス、ソフトウェア工学、人工知能、機械学習、数学、物理、それらの関連分野における学士号または同等の実務経験
• バックエンドエンジニアとしての実務経験 5 年以上
• Python での本番プロダクト開発経験
• LLM / AI エージェントを活用した本番システムの設計・実装経験
• 分散システムの設計・実装経験 (単なる運用ではなく、設計・コーディングを含む)
• RESTful API / gRPC の設計・実装経験

• 言語レベル : いずれか必須

  • 日本語 : Fluent (プロダクト開発において齟齬なく議論を行えるレベル)
  • 英語 : ビジネスレベル

歓迎

• Agent Framework / Agent Harness の設計・実装経験 (LangChain / LangGraph / AutoGen 等)
• クラウドプラットフォーム (AWS / GCP / Azure) での本番運用経験
• RAG システム、ベクターデータベース、メモリアーキテクチャへの理解
• モデルルーティング・推論最適化の経験
• Go での基盤ソフトウェア開発経験 (SDK、ランタイム、フレームワーク等)
• Kubernetes / コンテナオーケストレーションの深い理解
• イベント駆動アーキテクチャ (Kafka / RabbitMQ 等) の経験
• 安全性ガードレール、ポリシー実行、AI の可観測性実装経験
• ML 基盤 / MLOps 構築経験
• 英語での技術コミュニケーション能力

使用ツール

募集背景

• 2025年は「AI エージェントの年」でした。2026年は「Agent Harness の年」です。
• JAPAN AI STUDIO が「企業の脳」として数百のワークフローを自律実行する世界では、AI エージェントの性能はモデルだけでは決まりません。モデルを包み込み、セッション管理・チェックポイント・ガードレール・コンテキスト注入・ツール実行を制御する Agent Harness (エージェント制御基盤) こそが、エージェントを「デモで動く」から「本番で信頼できる」に変える鍵です。
• 「企業の脳」が稟議を承認し、リソースを配置し、見込み顧客を探索する — その一つひとつのアクションを安全・高速・確実に制御する心臓部が Agent Harness です。
• JAPAN AI では、この Agent Harness を自社で設計・実装し、全プロダクトの共通基盤として構築する Agent Harness Engineer を募集しています。

ミッション

• 「企業の脳」の心臓部を設計する
• AI エージェントが安全・高速・確実に動作するための Agent Harness — 実行エンジン、オーケストレーション、ガードレール、メモリ、モデルルーティングを設計・実装する。JAPAN AI STUDIO 上で動く数百のワークフローの制御基盤を、自社で構築する。

Agent Harnessとは

• Agent Harnessは、AIモデルを包み込む制御・実行基盤レイヤーです。Agent Framework (LangChain等) がエージェントの「構築」を担うのに対し、Agent Harnessはエージェントの「制御・運用」を担います。
• Backend Engineer
• 構築対象 : Web API・マイクロサービスの設計・実装
• AI/ML との関わり : ML モデルを API 経由で呼び出す
• 状態管理 : ステートレスなリクエスト / レスポンス
• 安全性制御 : 認証・認可・入力バリデーション | ガードレール / ポリシー実行エンジン — LLM の出力を制御するルール実行基盤
• Agent Harness Engineer
• 構築対象 : LLM を中核としたエージェント実行エンジン・SDK・オーケストレーターの設計・実装
• AI/ML との関わり : モデルルーティング、RAG 統合、コンテキスト注入、推論最適化をシステムレベルで設計
• 状態管理 : エージェントのセッション管理・チェックポイント・長期記憶・ワーキングメモリの設計
• 安全性制御 : ガードレール / ポリシー実行エンジン — LLM の出力を制御するルール実行基盤
• JAPAN AI では、この Agent Harness を自社開発し、全プロダクト (JAPAN AI STUDIO / CHAT / SPEECH / AGENT 等) の共通基盤として運用しています。

期待する役割について

• Agent Harness Engineer として、AI / ML の知識を活かしながらエージェントの制御・実行基盤を設計・実装していただきます。
• LLM / AI エージェントの動作原理を深く理解した上で、実行エンジン (Graph Runtime / State Machine) を設計・実装する
• モデルルーティング、コンテキスト管理、メモリ基盤 (長期記憶・ワーキングメモリ) など、AI 特有のシステム設計を担う
• 社内 120名のエンジニアが使う Agent SDK を設計・開発する
• ガードレール / ポリシー実行エンジンを構築し、エージェントの行動を安全に制御する
• Research Engineer と連携し、最新の研究成果を本番基盤に統合する

このポジションの魅力

• Agent Harnessを自社で作る : 2026年最もホットなアーキテクチャ概念を、OSSに頼らず自社で設計・実装できる。業界の最前線に立てる
• AI/ML × バックエンドの交点 : LLM の動作原理を理解した上で、エージェント実行基盤を自ら設計・実装する。純粋なインフラでも純粋な ML でもない、新しい領域
• 基盤ソフトウェアの設計者 : YAMLを書く仕事ではなく、SDK・実行エンジン・オーケストレーターをコードで作る仕事。低レイヤーの知識が直接活きる
• 開発者体験の設計 : 社内120名のエンジニアが使うSDK・ツールチェーンを設計し、開発組織全体の生産性を向上させる
• 全プロダクトの土台を支える : 約200社が利用する本番環境で、あなたが作ったHarnessの上ですべてのAIエージェントが動く
• 急成長環境 : 設立3年で200名以上の規模、9プロダクト展開のスタートアップで、技術的意思決定に大きな裁量を持てる

業務内容

• Agent Harness の設計・実装
• エージェント実行エンジン (Graph Runtime / State Machine) の設計・実装
• Agent SDK の設計・開発 — 社内エンジニアがエージェントを構築するためのインターフェース
• セッション管理・チェックポイント・リカバリ機構の実装
• ガードレール / ポリシー実行エンジンの構築 — エージェントの行動を制御するルール実行基盤
• AI/ML システム統合
• モデルルーティング — 複数の LLM プロバイダ / モデルタイプを跨いだ推論リクエストの最適ルーティング
• コンテキスト管理・メモリ基盤の設計 (長期記憶、ワーキングメモリ、RAG 統合)
• 推論パイプラインの最適化 (レイテンシ削減、コスト効率化、キャッシュ戦略)
• Research Engineer と連携した最新研究成果の本番基盤への統合
• オーケストレーション・パフォーマンス
• ワークフローオーケストレーション・キューイングシステムの開発
• コスト/性能最適化 (オートスケーリング、キャッシュ、バッチ処理)
• 推論リクエストのルーティング・ロードバランシング
• 信頼性・運用
• プラットフォーム稼働率 99.9% 以上の維持
• インシデント対応・ポストモーテム
• データアクセス・権限管理基盤の設計

業務シナリオ例

• ※以下は想定される業務シナリオの例です
• シナリオ 1: エージェント実行エンジンの設計 JAPAN AI STUDIO 上で顧客が構築する AI エージェントの実行基盤を設計。Graph Runtime を採用し、エージェントの各ステップを DAG (有向非巡回グラフ) として表現。チェックポイント機構により、長時間タスクの途中失敗からの自動リカバリを実現。
• シナリオ 2: モデルルーティングの最適化 複数の LLM プロバイダ (OpenAI / Anthropic / Google 等) を跨いで、タスクの種類・コスト・レイテンシに応じた最適なモデルを自動選択するルーティングエンジンを設計。推論コストを 25% 削減しつつ、タスク成功率を維持。
• シナリオ 3: ガードレール実行エンジンの構築 金融機関向けエージェントが「投資助言」に該当する回答を生成しないよう、ポリシー実行エンジンを構築。ルールベース + LLM ベースのハイブリッド判定により、レイテンシを 50ms 以内に抑えつつポリシー準拠率 99.5% を達成。

成果責任 (KR/メトリクス)

• Agent SDK 採用率 (社内チームの利用率・満足度)
• エージェント実行成功率 (タスク完了率、チェックポイントからのリカバリ成功率)
• Harness 起因の障害率 (ガードレール突破率、状態不整合率)
• 実行レイテンシ P95 / P99 (Harness 層のオーバーヘッド)
• 推論コスト効率 (モデルルーティングによるコスト最適化)
• 開発者体験スコア (SDK / API の社内 NPS)

チーム体制

• 約120名が開発組織に在籍しています。
• Agent Harness Engineerは以下のチームを横断して活動します：
• Infra — クラウドインフラ・SRE
• Data — データパイプライン・分析基盤
• Agent Harness — エージェント実行フレームワーク
• 密接に連携する役割:
• Agentic Product Engineer — エージェント機能開発 (SDK のユーザー)
• Research Engineer — 研究開発・新手法の基盤統合
• AI Quality Scientist — 評価パイプラインとの連携
• Product Manager — プロダクト設計・非機能要件定義

開発環境

• 言語 : Python, Go (バックエンド・基盤開発) , TypeScript / React / Next.js (フロントエンド部) / NX
• インフラ : GCP (コンテナ / K8s) , Docker, Terraform
• メッセージング : Kafka / Pub/Sub
• 監視 : Prometheus, Grafana, OpenTelemetry
• ツール : Slack, Confluence, Linear, Google Workspace, GitHub, Notion
• AI 開発支援 : Claude Code MAX Plan, Cursor, ChatGPT, Devin
• 作業環境 : Mac (Apple Silicon) , デュアルモニタ対応