チャットボットの先は、記憶とツールを持つ「常駐システム」です。
2026年上半期、AIエージェントは単発の会話から、メモリ・スキル・物理行動まで備えた持続的なシステムへと形を変えました。技術メディアTuring Postが整理した9つの要素は、ローカル実行から責任あるAIまで、実装の地図として読めます。
この記事でわかること
- 2026年のAIエージェント技術スタックを構成する9つの層
- OpenClawとHermes Agentの設計思想の違い
- ローカル実行を支えるGemma 4とスキル最適化の動き
- 物理AI・環境・自己改善・ガバナンスの位置づけ
エージェントは「モデル＋ハーネス」に進化した
従来のコーディングアシスタントは、セッションが終わると文脈の大半を失います。一方、エージェント・ハーネスはランタイム、ゲートウェイ、メモリ、ツール、ポリシーを一体で保持し、無人運用を前提に設計されます。
The New Stackの分析では、Nous ResearchとOpenClawはこの解剖図に同意しつつ、制御点の置き方で分かれると指摘しています（参考）。OpenClawは接続の広さ、Hermes Agentは記憶と学習の深さを前面に出します。2026年の議論は、どのモデルを選ぶかから、ランタイムとガバナンスをどう組むかへ移っています。
ローカル層：OpenClawとHermes Agent
OpenClaw——個人用コントロールプレーン
OpenClawは自分のデバイスで動くパーソナルAIアシスタントです。公式READMEでは、Gatewayを制御プレーンと位置づけ、WhatsApp・Telegram・Slack・Discordなど既存のチャネルから応答します。Turing Postの解説では、HEARTBEAT.mdによる定期推論、Markdownファイルによるメモリ、Gateway経由のツール実行が、ファイルベースのインフラとして機能すると整理されています。
2026年初頭のローカルエージェントブームを象徴する存在で、NVIDIAはGTC 2026で「パーソナルAIのOS」と表現し、Microsoft Build 2026ではWindows実行コンテナ上でネイティブ動作する形で紹介されました。ゲートウェイと大規模なスキル市場（ClawHub）による接続の広さが強みです。
Hermes Agent——自己改善するスキル
Nous Researchが2026年2月25日にMITライセンスで公開したHermes Agentは、経験からスキルを生成し、利用のたびに改善する設計が特徴です。公式READMEでは、エージェント主導のメモリ、複雑タスク後の自律的スキル作成、agentskills.io標準への準拠が明記されています。
OpenClawが人間が書いたスキルとファイルベースの同一性を重視するのに対し、Hermesは手続き型の階層メモリと経験由来のスキル生成を軸に置きます。hermes claw migrateコマンドでOpenClawの設定やメモリを取り込めるため、両者は対立というより補完関係に近づいています。
モデル層：Gemma 4がローカル実行を現実的にした
Google DeepMindは2026年4月2日、エージェント向けワークフローに最適化したGemma 4をApache 2.0ライセンスで公開しました。公式発表では、ネイティブの関数呼び出し、構造化JSON出力、システムロール対応がエージェント構築の基盤として挙げられています。
26B MoEモデルは推論時に38億パラメータのみを活性化し、レイテンシ重視のローカル運用に向きます。31B Denseは品質重視の選択肢です。OllamaやLiteRT-LMなど初日から各種ランタイムに対応し、OpenClawユーザーがクラウドAPI費用を抑えながらローカルスタックを組む動きが広がっています。ただし、難しいエージェントタスクではチューニングやフォールバックモデルが必要になる点は、Turing Postが実務上の緊張として指摘しています。
スキル層：プロンプトからスキルエンジニアリングへ
OpenClawやHermesのようなエージェントは、再利用可能なスキル（能力パッケージ）に依存します。Turing Postは、プロンプト最適化やコンテキスト設計の次に来る層として「スキルエンジニアリング」を位置づけています。
2026年に注目される3手法は次のとおりです。
- SkillOpt（Microsoft Research）：スキル文書を訓練対象とし、検証スコアが改善した編集だけを採用するテキスト空間オプティマイザ
- SkillOps：スキルライブラリ全体の健全性を診断し、技術的負債を減らすメンテナンス層
- SkillMOO：コーディングエージェント向けに、成功率と推論コストのバランスを取るスキルバンドル最適化
Hermesが利用中にスキルを磨くアプローチを示す一方、これらの研究はスキル改善を再現可能な工程へ引き上げる試みです。
物理・環境・進化・信頼の4層
VLAモデル——物理AIのインターフェース
Vision-Language-Action（VLA）モデルは、ロボットの視覚入力と人間の指示を行動に結びつけます。Gemini Roboticsやπ0、MicrosoftのRho-alphaなどが登場し、触覚やオンライン学習を加えた「VLA+」へ拡張が進んでいます。固定プログラムから、知覚・推論・適応を備えたシステムへの移行を支える層です。
Web World Models——持続するエージェント環境
Web World Models（WWM）は、標準的なWebインフラでエージェント向けの持続世界を構築する設計です。決定論的なコードがルールと状態を担い、言語モデルが説明やナラティブを補完します。エージェントが安定した環境で行動・記憶・失敗・学習するには、こうした世界モデルが必要になります。
再帰的自己改善（RSI）
RSIは、AIがより良いAIを作るループです。Turing Postの整理では、AnthropicではClaudeがマージ済みコードの80%超を執筆する段階に達し、Recursiveのシステムは小さな最適化の積み重ねで学習時間短縮と品質向上を自動で見つけたと報じられています。研究段階から実務に入りつつあり、検証とガバナンスの設計が不可欠です。
Nemotron 3——オープンなAIインフラ連合
NVIDIAのNemotron 3は、TransformerとMambaのハイブリッド、LatentMoE、マルチトークン予測などの技術を軸に、Mistral・Cursor・Perplexity・LangChainなど複数組織が参加するオープンエコシステムを目指しています。単一ベンダーのモデル競争から、モジュール化された共同開発へと視点が広がっています。
Responsible AI——信頼は工学課題になる
エージェントがツールやAPIを通じて行動する時代、出力の事後チェックだけでは不十分です。MicrosoftやGoogle DeepMindは、ランタイム制御、ポリシーをテストとして実装する仕組み、人間の監視とモニタリングをインフラ化しています。Turing Postは「信頼は工学課題」と表現し、エージェントがアクセスできる範囲と実行権限のガードレールが、実装の必須要件になったと整理しています。
実務で押さえるべき設計の問い
技術スタックを層で見ると、導入判断の焦点がはっきりします。チャネル接続の広さが必要ならOpenClaw、長期の文脈とスキル改善を重視するならHermes Agent、推論コストを抑えるならGemma 4のローカル運用、といった切り分けが可能です。
同時に、エージェントが蓄積するメモリを誰が管理するか、スキル変更の説明責任を誰が負うか、ガバナンスをどのベンダーに委ねるかも、モデル選定と同じ重さで検討する必要があります。2026年のエージェント開発は、賢いモデルを1つ選ぶ作業から、ランタイム・スキル・環境・信頼を積み上げる作業へ移行しています。