Open Flow のキャンバスを初めて見た人からは、Dify や Coze と何が違うのか、ノードをいくつか並べるだけで汎用的な自律 Agent を作れるのかとよく聞かれます。

Open Flow でもワークフロー内で LLM や制御された Agent ノードを呼び出せますし、外部 Agent から直接フローを編集・実行することもできますが、キャンバスそのものを Dify や Coze のような Agent Builder にはしていません。

自律 Agent は専用の Agent Harness で動かし、反復的な業務自動化は確定的なワークフローエンジンに任せるべきです。 汎用ワークフローのキャンバス上でノードを繋いで組み立てた自律 Agent は見栄えのよいデモになっても、本番業務の負荷には耐えられません。この 2 年間の Anthropic、OpenAI、そして最前線の Agent チームによる実践報告が、その理由をはっきりと示しています。

キャンバス上の Agent がおもちゃにとどまる理由

世の中にある Agent Builder の多くは同じ設計を採っています。キャンバスに LLM ノードを置き、ナレッジベースやプラグインをつなぎ、システムプロンプトを書けば、自律的に計画しツールを呼び出す Agent が完成したように見えます。

ところがシステム横断の障害調査や十数ステップに及ぶ連続ツール呼び出し、長時間のエラー復旧といった実務に投入すると、複数の問題が一気に表面化します。

  • コンテキストの劣化(Context Rot):Web ページやログ、JSON の取得結果が積み重なるにつれ、ノード間で素朴に連結された会話履歴が肥大化し、モデルが制約を見落として本来の目的から逸れていきます。
  • 基盤となるプリミティブに手が届かない:長期タスクの成否を分ける KV-Cache の再利用、ファイルシステムによる永続化、生エラーの保持、コンテキストのリセットといった仕組みは、ローコードの配線層ではすべて隠蔽されています。
  • エンジニアリングとしてのデバッグが困難:処理が脱線したとき、開発者が確認できるのは明確なステートマシンやスタックトレース、サンドボックスログではなく、何層にも抽象化されたプロンプトテンプレートです。

自律 Agent の上限はモデルとハーネス(Harness)の噛み合わせで決まり、ビジュアルキャンバスはその外側に被せた薄い殻にすぎません。

Agent = Model + Harness:本格的な Agent に求められる技術路線

OpenAI は 2026 年 2 月に公開した記事 Harness engineering: leveraging Codex in an agent-first world の中で、Agent = Model + Harness という式を示しました。

モデルが推論と生成を担うエンジンだとすれば、Harness はその外側を包む実行環境全体を指します。サンドボックス、ツールプリミティブ、コンテキスト管理、状態永続化、権限制御、自動検証ループなどが含まれます。OpenAI のチームはアプリケーションコードをほぼ手書きせず Codex で約 100 万行規模の社内システムを構築・運用しましたが、エンジニアリングの労力の大半はこの Harness の設計に費やされています。

現在の実務で機能している Agent Harness には、大きく 2 つの技術路線があります。

  • モデル開発元のネイティブ Harness:OpenAI の Codex や Anthropic の Claude Code、Claude Agent SDK に見られるように、最先端モデルは事後学習や強化学習(RL)の段階から、自社のネイティブツール群(ターミナル、ファイル読み書き、コード検索など)とフィードバックサイクルの中で共同最適化されています。Anthropic が Effective harnesses for long-running agents や Harness design for long-running application development で公開した対策も特定世代のモデルの挙動に直結しており、Context Anxiety に対するディスク引き継ぎ付きの Context Reset や、自己評価の甘さを抑える独立した Evaluator 役の分離などが挙げられます。また Building effective agents でも、本番で最も成果を出している実装は重いサードパーティフレームワークを避け、シンプルで組み合わせ可能なプリミティブで直接モデルを呼び出していると述べています。
  • 実務とチーム運用に特化した専用の Agent Harness:自律 Agent を日々の業務で任せられるチームの一員にするには、チャット画面の下に本格的な Harness エンジニアリングが不可欠です。隔離された永続サンドボックス、CLI とスクリプトの実行環境、再利用できる Skills、ブラウザ操作、そしてメンバーやグループ単位の認証・権限統制が求められます。こうしたランタイムのプリミティブは、ローコードの配線キャンバスでは表現できません。

ビジュアルな Agent Builder はどちらの路線にも当てはまりません。あらゆるモデルをローコードのノードで包むために最小公倍数の抽象化しか提供できず、モデル学習時の結合度もなければ、専用の Agent Harness を支えるサンドボックスやファイルシステム、ランタイム制御も覆い隠してしまいます。画面の UI をどれだけ磨いても、この差は埋まりません。

実践における 2 つの技術的な壁

学習時のネイティブ結合を抜きにしても、ワークフローのキャンバスで汎用的な自律 Agent を作ろうとすると 2 つの壁に突き当たります。

1. 実用性を左右するコンテキストエンジニアリングを表現できない

Manus チームは Context Engineering for AI Agents: Lessons from Building Manus で、長期タスクをこなす Agent の知見を整理しています。

  • KV-Cache ヒット率を軸にした設計:システムプロンプトのプレフィックスを完全に固定し、履歴は追記のみに保ちます。動的にツールを制限する場合も、ツール定義を書き換えてキャッシュを壊すのではなく Logit Masking を使って行動空間を絞ります。
  • VM のファイルシステムを無限の外部記憶として扱う:取得した Web ページや長文ドキュメント、コマンド出力はディスクへ逃がし、会話履歴にはパスと要約だけを残して必要時に読み返します。
  • 失敗のトレースを隠さず残す:外側でエラーを握りつぶさず、生のスタックトレースをモデルに見せることで、文脈内学習による自己修復を促します。

ビジュアルな Agent Builder で触れるのは、プロンプト文面やプラグインの選択、最大ステップ数、記憶ターン数程度です。レイテンシやコスト、完遂率を決定づける制御手段は、ローコードのキャンバスには現れません。

2. モデルが進化するたび、手組のロジックが陳腐化する

Rich Sutton の The Bitter Lesson で示された法則はここでも当てはまります。現行モデルの弱点を補うために外周へ積み上げたヒューリスティックや細かいルーティング、制約条件は、次の基盤モデルが出た瞬間に価値を失います。

計画や復旧の不足を補うために何週間もかけて数十ノードのマルチ Agent グラフを組んでも、数か月後には新しいモデルとシンプルな Harness ループの組み合わせに置き換わります。キャンバスに固定されたノード構成は、かえって強力なモデルの動きを縛る要因になります。

ワークフローと Agent は別々のアーキテクチャに属する

Dify や Coze で組んだカスタマーサポートの分類や情報抽出、コンテンツ配信が実務で問題なく動いている例は確かにあります。ここで 2 つの異なる仕組みが混同されています。本番環境で継続して動いているのは、自律 Agent ではなく確定的なワークフロー(Workflow)です。

Anthropic も Building effective agents で両者を明確に切り分けています。

  • Workflow(ワークフロー):実行パスがコードやフロー図で事前に決まっており、モデルはその中の決められたステップで分類・抽出・要約・判定だけを担います。トリガー条件、分岐先、API 呼び出し、リトライ挙動まですべて確定的です。
  • Agent(エージェント):実行時にモデル自身が次のアクションやツールの選択、ループ回数を決め、完了を判断するまで動的に処理を進めます。

キャンバス上で組んだ「Agent」が本番稼働に耐えるようになる過程を見ると、開発者がテストの中で分岐条件とツール順序を一つずつ固定した結果であるケースがほとんどです。それは実態としてワークフローであり、Agent という名前を借りているにすぎません。制約を外してキャンバス上で自由にループさせれば、予測可能性と監査性はすぐに失われます。

こうしたアーキテクチャの違いから、私たちは自律 Agent とワークフローを 2 つの独立したプロダクトに分けています。自律 Agent については専用の Agent Harness 路線として Leina を開発し、永続サンドボックス、CLI・スクリプト実行、Skills、チーム権限統制を備えました。一方、Open Flow は確定的なワークフローエンジンに専念しており、Leina 上で定時実行や監査が必要な反復業務は Leina ワークフローとして Open Flow 上で動きます。

ビジュアルオーケストレーションは確定的な業務プロセスを明快に記述することに優れ、開放的な自律実行は専用の Agent Harness に委ねるべき領域です。

なぜ確定的なワークフロー基盤は独自の強みを保てるのか

モデル開発元も独自のワークフロー機能やホスト型コネクタを出し始めていますが、専門のワークフロー基盤を置き換える立場にはありません。Agent Harness と確定的なワークフローでは、競争優位の源泉がまったく異なるためです。

ネイティブコーディング Harness では、モデル自体を自社ループ内で訓練できるモデル開発元が非対称な優位を持っています。一方で確定的なワークフローにおける Cron スケジュール、Webhook キュー、条件分岐、人手による承認、OAuth 認証管理、ロングテールなアプリ連携には、モデルの重みや強化学習による優位が存在しません。モデル開発元がワークフローエンジンを作っても、直面するエンジニアリングの複雑さは他社と同じです。

モデル開発元がワークフローを付帯機能として提供する場合でも、次の 3 つの構造的な制約を受けます。

  • モデル囲い込みと中立性の対立:OpenAI が作るフローは自社モデルを軸にし、Anthropic のツール群は Claude を前提とします。実務ではコストや速度に応じてノードごとにモデルを使い分けたり、社内向けのプライベートモデルに接続したりする場面が多く、基幹フローを単一のモデルベンダーに固定したい企業は多くありません。Open Flow では任意のモデルエンドポイントや OpenAI 互換 API を自由に指定できます。
  • クローズドなクラウドとデータ主権の対立:モデル開発元のビジネスはクラウド上のトークン消費とホスト環境が中心であり、実行ログや業務認証、ランタイムを自社のクラウド内に留める設計になりがちです。社内 DB や会計システム、コンプライアンス監査を伴うフローはそうした制約を受け入れられません。Open Flow はオープンソースで Docker によるセルフホストに対応しており、ワークフロー定義も Git で管理できる開かれたファイル形式です。
  • 付帯機能と本業の優先順位の対立:モデルラボにとって、ワークフローやコネクタはモデルの継続利用を支える補助機能であり、次世代モデルの学習やネイティブ Agent の開発より優先度が上がることはありません。1,700 以上のアプリや 20,000 以上のアクション、細かなリビジョン競合チェックの保守にリソースを注ぎ続けたり、Claude Code、Codex、Leina といった多様な Agent Harness が同じフローを対等に操作できる中立的な基盤を作ったりする動機は働きにくいのです。

モデルと Harness が強くなれば弱点を補うためのキャンバス製ラッパーは不要になりますが、確定的な実行基盤の価値は下がりません。Agent Harness が賢くなるほど、標準インターフェースを通じてワークフローエンジンを読み書きし呼び出す価値は高まります。

Open Flow の選択:あらゆる Agent Harness に確定的な実行基盤を提供する

Open Flow は確定的なワークフローと外部システム連携の基盤を徹底的に作り込み、その操作権と実行基盤を本格的な Agent Harness へ開放します。

観点 Open Flow のアプローチ 汎用 Agent Builder(Dify / Coze など)
基本ポジション 確定的なワークフローエンジン + Agent Harness の外部ツール基盤 キャンバス上で汎用的な自律 Agent を組み立てる
自律推論の担い手 専用の Agent Harness に委ねる(Claude Code や Codex のネイティブ Harness、または Leina のようなチーム Harness) ローコードのワークフローキャンバス上で汎用 Agent ループを再実装する
キャンバス内の AI 確定的ステップ内の制御された機能:LLM、JEV 判断、範囲を絞った Agent ノード モデルにグラフ全体の制御を渡し、予測性とデバッグ性が低下しやすい
外部システム統制 1,700 以上のアプリと 20,000 以上のツール、認証管理・承認・履歴ロールバック チャット内プラグイン呼び出しが中心で、運用統制は限定的
Agent との連携 Agent による読み書きに最適化:CLI と MCP で各種 Agent Harness から直接作成・検証・更新が可能 ブラウザ上で人間が手動配線する設計が中心

プロダクト設計として、Open Flow は次の 3 点に注力しています。

  1. ワークフローの確定性と監査性を守る Cron スケジュール、Webhook、ポーリング、条件分岐、ループ、エラーハンドリング、人手による承認(Approval)など、本番の自動化に求められるのは予測可能性、追跡可能性、そしてロールバックできることです。Open Flow における AI の役割は範囲を絞ったタスクに限られます。AI Decision ノードで 1 回の呼び出しから分類・判定・採点を返すことや、最大ラウンド数・利用ツール・固定引数・承認ポリシーを明示した AI Agent ノードを配置できます。これは確定的なパイプライン上の制御された工程であり、制約のない自由ランタイムではありません。

  2. 外部システム連携を信頼できる実行層に集約する どれほど優れた Agent Harness でも、実務に触れれば OAuth 認証の管理、社内承認、システム間のデータ同期、従量課金、定期実行の壁に直面します。Open Flow は 1,700 以上のアプリとサービス、20,000 以上の既製ツール(アプリとツール一覧)を備え、認証分離、キュー制御、サンドボックス実行、障害復旧をサーバー側で引き受けます。

  3. CLI と MCP を通じて、各種 Agent Harness から Open Flow を操作する 人間がブラウザ上でモデルの思考手順を細かく配線するよりも、ワークフロー自体を Agent Harness が読み書きできる構造化成果物にする方が合理的です。Open Flow は CLI(oo flow) と MCP を通じて、ノード仕様の照会、部分編集、アトミックな更新、リビジョン競合チェック、バリデーションを提供しています。開発者は Claude Code や Codex に既存フローを読ませてノードを追加・修正し検証を通して公開でき、チームは Leina の日々のチャットから確定的なフローを起動して運用できます。開放的な推論は Agent Harness に任せ、定型処理や外部への副作用を伴う工程は確定的なワークフローとして定着させます。

モデルと Agent Harness はこれからも進化し続けますが、業務システム間の接続、権限制御、確定的な実行基盤への需要は変わりません。自律推論は専用の Agent Harness(モデル開発元のネイティブ Harness でも、自社製品の Leina でも)に任せ、Open Flow は確定性と外部連携を引き受ける。これが私たちが Dify / Coze 型の Agent Builder を作らない理由です。

エンジニアリングの現場で Agent Harness と協調できる確定的なワークフローエンジンを探しているなら、Open Flow コンソールを開くか、AI アシスタントを使ったワークフロー作成ガイドをご覧ください。