#チルド# コンビニという空間では、商品も店員も客も、定められたルールとシステムの中で淡々と動き続ける。本作はそんな日常の風景に組み込まれたシステムそのものに恐怖の源を見出し、「生きているとは何か」という不穏な問いを突きつけてくる。

AIエージェントをエンタープライズシステムに組み込むプラクティス 【シングル vs マルチエージェント】 💡 「全部入りの万能エージェント」を作ろうとしていませんか？ その判断こそが、システムの成否を分ける最初の分岐点です。 🔥 解決する課題 - 単一エージェントではツール数や文脈窓の制約で複雑タスクに対応できない - ドメインごとに異なる知識・権限・モデルを使い分けられない - 独立タスクを直列処理して応答時間が肥大化する - マルチ構成での副作用の競合リスクが制御不能になる 🏗️ 提案パターン シングルエージェントは1つのLLMループが全ツールを持ち逐次処理します。ツール30個以下・単一目的・低レイテンシ要求なら最適解です。一方マルチエージェントはオーケストレータが専門ワーカーに委譲し、並列調査で時短を実現します。重要なのは「書き込みは1エージェントに集約し、他は読み取り専用」という副作用集約の原則です。コスト・レイテンシはマルチの場合シングルの数倍になる点を忘れずに。 ✅ 選定条件 - 向き（シングル）：単一目的、ツール少数、コスト敏感、デバッグ容易性重視 - 向き（マルチ）：専門領域が分離可能、並列調査で時短、文脈窓が単一で破綻 - 不向き：副作用が多く競合リスクが高い処理をマルチで行うこと ⚠️ 落とし穴 - 「とりあえずマルチ」は複雑性・コスト・デバッグ難度を一気に上げる - マルチ構成で複数エージェントが書き込むと競合・不整合が頻発する - シングルで始めて、本当に破綻してからマルチに移行するのが安全 🛠️ 実装方針 1. まずシングルエージェントで構築し、ツール数・文脈窓・レイテンシの限界を実測します 2. マルチ化する場合はLangGraphやCrewAIでオーケストレータ/ワーカー構成を採用し、ワーカー間の通信は共有状態ストア（Redis等）で行います 3. 副作用の集約ルールとして「書き込みは1エージェントのみ、他は読み取り専用」をコード規約で強制します 4. A2A（Agent-to-Agent）プロトコルでエージェント間のインターフェースを標準化し、ワーカーの追加・入替を容易にします 5. シングル→マルチの移行判断基準（ツール数30超、文脈窓使用率80%超等）をダッシュボードで可視化します #AIエージェント# #エンタープライズアーキテクチャ#

# Claude Codeの機能と実践的な使い方 🔒 「どこまで自律的に動かすか」を細かく制御できる。信頼できない調査は読み取り専用、信頼環境では自動承認と、安全と効率を両立する仕組みです。 📌 タイトルと機能のURL タイトル: 権限 / サンドボックス URL: 📝 概要 Claude Codeは、エージェントが何をできて何をできないかを正確に指定できる、きめ細かい権限システムを備えています。allow/ask/denyのルールと権限モードを組み合わせ、設定はバージョン管理に含めてチーム全体へ配布できます。さらにサンドボックスでOSレベルの隔離も可能です。 🔧 機能の説明 ・読み取り専用ツール（ファイル読み込みやGrep）は承認不要、Bashコマンドやファイル編集は承認が必要、という階層型の権限制御です。 ・ルールは「deny → ask → allow」の順で評価され、最初に一致したものが結果を決めます。denyはどのスコープにあっても最優先で、allowで上書きできません。 ・権限モードはdefault / acceptEdits / plan / auto / dontAsk / bypassPermissionsがあります。planは読み取りと読み取り専用コマンドのみ、bypassPermissionsはほぼ全許可で危険です。 ・権限ルールはモデルではなくClaude Codeが強制します。CLAUDE.mdの指示は「何を試みるか」を変えても「何を許可するか」は変えません。 🛠 実践的な使い方 ・セッション中は「/permissions」で全ルールと出所のsettings.jsonを確認・編集できます。 ・ルール構文は「Tool」または「Tool(specifier)」です。例: Bash(npm run build) / Read(./.env) / WebFetch(domain: ・settings.jsonのpermissions.allow / deny 配列に記述します。例: allowに「Bash(npm run *)」、denyに「Bash(git push *)」「Read(./.env)」。 ・読み取り専用で調査したいときはplanモードを使うか、denyに「Edit」「Write」を入れ、Bashを絞ります。サブエージェントはAgent(Explore)等で制御します。 ・追加ディレクトリへのアクセスは「--add-dir」や「/add-dir」、永続化はadditionalDirectoriesで付与します。 🎯 ユースケース ・信頼できないリポジトリの調査時はplanモードで、ソースを書き換えずに構造把握だけ行う。 ・チーム共有の.claude/settings.jsonに安全なallow/denyを定義し、全員に同じガードレールを配布する。 ・コンテナやVM内ではbypassPermissionsで承認をスキップし、CIや一括作業を高速化する。 ・サンドボックスの ⚠️ 注意点 ・bypassPermissionsは.gitや.claude等への書き込みも承認をスキップするため、隔離環境でのみ使用してください（rm -rf / 等はサーキットブレーカーで停止）。 ・curlのURLを引数で縛る権限パターンは脆弱です。Bashネットワークツールをdenyし、WebFetch(domain:...)で許可ドメインを指定する方が確実です。 ・Read/Edit のdenyは組み込みファイルツールと認識可能なBashコマンドにのみ効き、Python等のスクリプトが直接開くファイルには及びません。全プロセスを縛るならサンドボックスを使います。 ・managed settingsは他のどのスコープからも上書きできません。組織方針はここで強制します。 #ClaudeCode# #DevTools#

🔄Loop Engineeringとはなにか？ もう「AIにプロンプトを打つ」作業は終わりにしませんか？これからは、エージェントを自律的に回す仕組みそのものを設計する時代です。AIコーディングのパラダイムシフトの正体に迫ります。 💡 1. プロンプトからシステム設計への転換 従来のAIコーディング（AI-assisted Coding）は、人間がループの「中心」にいました。 👨‍💻 これまでのアプローチ: 人間がコンテキストを考え、プロンプトを打ち、AIの出力を読み、手元でテストを実行し、エラーが出たら再度プロンプトを打つ。AIは「高機能な関数」や「道具」であり、制御の主体は常に人間です。 🔄 ループエンジニアリング: 人間はループの「外側」に出て、システム全体のデザイナー（作者）になります。仕事の検知、AIへのコンテキスト注入、出力の自動テスト、進捗の記録、次のステップの判断という一連のライフサイクルを小さなプログラムに実行させます。 ここで重要なのは、AIモデルがシステムにおける「サブルーチン（部品）」へと降格し、代わりに環境（テストスイートやリポジトリの状態）からのフィードバックをループ処理する構造へ進化したという点です。 ⚙️ 2. ループを駆動する5つのコアコンポーネント＋1つの記憶 抽象的な概念を動くシステムに落とし込むため、ループは以下のコンポーネントに分解されて設計されます。 ① ⚡ 自動化（Automations） ループの心臓部であり、発火トリガーと停止条件を定義します。 ツール（Claude CodeやCodexなど）では、単に定期実行する /loop だけでなく、明確な終了条件（例：「すべてのテストがパスするまで」）を満たすまでAIを回し続ける /goal コマンドなどがこれに該当します。条件が達成されるか、ハードストップ（予算や上限回数）に達するまで回り続けます。 ② 🌳 ワークツリー（Worktrees） 複数のAIエージェントが並列で動く場合、同じディレクトリで作業するとファイルの衝突（コンフリクト）が発生します。これを防ぐため、Gitの worktree 機能を使い、エージェントごとに独立した作業ディレクトリとブランチを隔離して自動生成します。機械的な衝突を回避し、並列性を担保する基盤です。 ③ 🧠 スキル（Skills） リポジトリのルールやコンテキストをカプセル化したものです。 通常、AIは実行ごとに前回の文脈を忘れますが、SKILL.md のようなファイルに「このプロジェクトのビルド手順」「命名規則」「過去の障害から得た注意点」を明文化しておくことで、AIは毎実行時にそれを読み込み、プロジェクト固有のシニアエンジニアのような振る舞いを固定化できます。 ④ 🔌 プラグイン／コネクタ（Connectors） filesystem（ローカルファイル）しか見えないAIを、本物の開発環境につなぐ架け橋です。 Model Context Protocol（MCP）などをベースに、GitHub（PR作成やIssue取得）、Linear/Jira（チケット更新）、Slack（人間への通知）、Sentry（エラーログの取得）と接続します。これにより、AIが「修正案を出す」だけでなく「Issueを読んで、コードを直し、PRを送り、Slackに報告する」というエンドツーエンドの行動が可能になります。 ⑤ 🤖 サブエージェント（Sub-agents） 役割を分担された独立したAIインスタンスです。「コードを書く役割（Maker）」と「コードを検証・レビューする役割（Checker）」を完全に分離します。 ➕ 💾 記憶：状態ファイル（State File） 地味ですが、ループの成否を分ける最も重要な要素です。STATE.md やJSONファイル、あるいは外部のチケット管理システムに「現在どのブランチが進行中で、何が完了し、次に何をすべきか」を永続化します。「エージェントは忘れるが、リポジトリは忘れない」という原則に従い、昨日の続きを今日のループが再開できるようにします。 🕰️ 3. なぜ「ただのcron（定期実行）」ではないのか？ 懐疑派から「1975年に発明されたcronジョブのリブランド（名前の付け替え）に過ぎないのではないか」という指摘があります。これは半分正解で、半分は間違いです。 スケジュールやトリガーのレイヤーは確かにcronそのものです。しかし、従来のcronは「固定されたスクリプトを機械的に実行するだけ」でした。 ループエンジニアリングが異なるのは、ループの真ん中に「状況を動的に判断する意思決定者（LLM）」がいる点です。 テストが落ちたとき、どのファイルをどう修正すべきか、コンテキストをどう組み立て直すかという分岐は、ハードコードされた if/else ではなく、AIの推論によって動的に決定されます。工学的な面白さは、この「崖から落ちるかもしれない不確実な意思決定者」の周りを、いかに硬牢な自動テストやガードレールで固めるかというシステムデザインにあります。 ⚠️ 4. コストと運用リスクの現実 熱狂的な議論で無視されがちなのが、経済性とセキュリティの現実です。 💸 膨大なトークン消費（コスト） コード生成自体は安価になりましたが、ループを回すと「コンテキストの再読み込み」「リトライの繰り返し」「探索パターンの実行」により、トークン消費量が爆発的に増加します。 実際に、米Uberではエンジニア1人あたり月1,500ドルの上限を設けたにもかかわらず、年間のAI予算をわずか4ヶ月で使い切った事例があります。「最大反復回数」「金額上限」「進捗ゼロ検知による強制終了」の3つのガードレール（ハードストップ）の設計が不可欠です。 🛡️ 攻撃面の拡大（セキュリティ） 無人で動くループは、無人で動く攻撃面（アタックサフェース）になります。AIコーディングツールに起因するCVE（脆弱性）が多数確認されており、コマンドインジェクションやSSRF、XSSのリスクがあります。また、外部から取り込んだ「スキル」の説明文がプロンプトインジェクションの経路になり、デバッグログ経由で認証情報（資格情報）が漏洩するケースも監査で報告されています。 🧩 理解の負債（Comprehension Debt） AIが高速でコードを書き、テストが通ってマージされ続けると、リポジトリ内のコードベースと「人間の理解度」の距離がどんどん離れていきます。これを「理解の負債」と呼びます。最も高くつくのはトークンの請求書ではなく、「チームの誰も読んだことがなく、構造を理解していないシステム」をある日突然人間がデバッグしなければならなくなるコストです。 🛠️ 5. 実践：4条件テストと最小実用ループ（MVL）の構築 ループエンジニアリングを実務に導入する際は、厳格な仕分けとステップが必要です。 📋 導入のための4条件テスト 1. タスクが繰り返されるか？（週1回未満なら、手動プロンプトや使い捨てスクリプトの方が早い） 2. 検証が完全に自動化されているか？（テスト、型チェック、Linter、ビルドが悪い出力を100%機械的に弾けるか。これがないと人間がレビューの椅子に縛り付けられる） 3. トークン予算が無駄を吸収できるか？（従量課金で予算に余裕がない場合は無謀） 4. エージェントが環境を操作する道具を持っているか？（ログ確認や再現環境など） 🚀 最小実用ループ（MVL）から始める手順 最初から複雑なマルチエージェントを組むとシステムは確実に崩壊します。以下の順番でボトムアップに構築します。 1. 手動実行の確実化: 1回の手動プロンプトと環境操作で、タスクが完全に完了することを確認する。 2. スキルの文書化: その際のコンテキストや制約を SKILL.md にまとめる。 3. ループのラップとゲート配置: AIが書いたものを自動テスト（ゲート）にかけ、失敗したらAIに戻すという1サイクルを組む。 4. スケジューリング: 最後にそれをcronやイベントトリガーで自動化する。 🎯 レバレッジの支点は「コードを書くこと」から「コードを書く仕組みを定義し、検証すること」へ移動しました。人間は、AIが自分の宿題を甘く採点しないよう、冷徹な「検証ゲート」を設計するエンジニアであり続ける必要があります。

# AIエージェントをソフトウェアに組み込むプラクティス # Model Router & Adaptive Effort｜モデル段階化と適応的努力配分 🎯 全リクエストを最高性能モデルで処理していませんか？ タスク難易度に応じてモデルを使い分けるだけで、品質を落とさずにコストを大幅に削減できます。実運用ではリクエストの60〜80%が軽量モデルで十分に処理できることが多いです。 🔥 解決する課題 すべてのリクエストを最高性能モデルで処理すると月間予算を容易に超過します。一方、すべてを軽量モデルに寄せると複雑な推論や計画タスクで品質が崩壊します。大型モデルはレイテンシも大きく、単純なタスクにまで使うとシステム全体の応答速度が不必要に悪化します。「コストか品質か」の二者択一に陥るのが問題です。 💡 提案パターン タスクの難易度・種別・リスクに応じて呼び出すモデルを動的に選択します。まず軽量モデルで試行し、信頼度が低ければ上位モデルへエスカレーションする構成です。ルーターはまずルールベース（入力長・タスク種別・キーワード）で始め、精度不足なら分類器を追加します。2〜3層（小型・中型・大型）が運用しやすい出発点です。 ✅ 選定条件 使うとき： - タスクの種類が多岐にわたり、定型処理と高度処理が混在している - 月間コスト上限が明確に存在する - トラフィックが十分にあり、ルーティング機構のコストを回収できる 使わないとき： - 全リクエストが同程度の難易度 → 単一モデルで十分 - 全件で品質を1%も落とせない → 常に最高性能モデルを使い、キャッシュでコスト削減 - リクエスト量が少なく（月数百件以下）、ルーティング開発コストが節約額を上回る ⚠️ 落とし穴 - ルーター自身のコストを無視しないでください。LLMをルーターに使うと、分類コストだけで軽量モデル1回分に匹敵する場合があります。まずルールベースで始めてください - 信頼度の定義を明確にしてください。構造化出力のパースエラー率・回答の拒否率・内部ログ確率など、測定可能な指標に落とし込まないと運用できません - エスカレーション無限ループを防いでください。最上位モデルでも信頼度が低い場合の打ち切り条件を設定し、人間エスカレーションまたはエラー返却にしてください 🔧 実装方針 - ルーターはまずルールベース（入力長・タスク種別・キーワード）で実装し、分類精度が不足した場合にのみメタ分類器へ昇格させます - モデル階層は2〜3層（小型・中型・大型）を共通インターフェースで抽象化し、プロバイダ差し替えを容易にします - 軽量モデルの応答に対して信頼度チェック（パースエラー率・拒否率・ログ確率）を行い、閾値未満なら上位モデルへ自動エスカレーションします - エスカレーションは最上位で打ち切り、それでも信頼度が低い場合は人間エスカレーションまたはエラー返却にします - ルーティング比率・コスト・レイテンシを定期的に監視し、モデルバージョン変更によるドリフトに備えて閾値を再調整する運用体制を整えます #AIエージェント# #ソフトウェアアーキテクチャ#

太陽生命と日本IBMは、生成AI等を活用した給付金支払査定システムを開発。2027年1月より順次運用開始します。 年間約50万件の査定業務を対象に、IBMのルールエンジンと生成AI技術で自動化・高度化を推進します。 🔗

アンドリーセン・ホロウィッツ「全てが録音される日」 ■ 録音の常態化と意思決定の不可避な変化 a16zのデビッド・ヘイバーは、ビジネスにおける議論がデフォルトで録音される変化は議論されることなく急速に進んでいると指摘する。この傾向は個人の生産性を高めるボトムアップの利点と、経営層に向けたトップダウンの利点があまりに大きいため逆行することはない。テクノロジーの観点から見れば、日々の会話という生きたコンテキストから新しい記録システムが構築されつつある。我々はこの新たな未来の到来を冷静に受け入れ、迅速に適応していく必要がある。 ■ 会議を通じたAIのエージェント化とオンボーディング AIのオンボーディングは、新入社員を組織に迎え入れるプロセスと全く同じである。既存のCRMやドキュメントをただ読ませるのではなく、実際の会議に同席させて文脈を学習させることが最も効果的である。ブリッジウォーターやOpenAIでは全録音が組織の意思決定プロセスに組み込まれており、会議に参加できないリーダーの代理としてAIが機能している。a16zが投資するGranolaなどのツールは、会議に同席することで組織の文化や投資方針を人間以上に深く理解している。 ■ 音声が生み出す新たなエンタープライズ・ソフトウェア 現在、音声データを核とした新しいエンタープライズ・ソフトウェアのカテゴリーが誕生している。従来の記録システムは顧客関係管理などの構造化データ中心だったが、最も価値あるコンテキストは日常の会話の中に埋もれている。最新のLLMはこれらの非構造化会話データを抽出し、検索や問い合わせが可能な状態へと構造化する能力に長けている。この変化は個人の生産性を劇的に向上させるだけでなく、経営層が会議のアライメントを監視し、意思決定のズレを防ぐための強力な管理手段を提供する。 ■ 口頭文化のスケールとAIネイティブ企業の優位性 企業文化はShopifyやOpenAIに代表される「口頭文化」と、StripeやAnthropicのような「記述文化」の2つに大別される。これまで口頭文化は重要な意思決定やコンテキストが会話とともに蒸発してしまう弱点があったが、AIの登場によってそのデメリットが解消された。AIがすべての会議を要約し文脈を維持することで、従来はスケールしづらかった口頭文化の組織に圧倒的な競争優位性をもたらす。会話型の強みがテクノロジーによって補強されることで、AIネイティブ時代における企業の勢力図は大きく書き換わる。 ■ 録音前提のガバナンスと今後のゲームルール 今後は録音がオプトインからオプトアウトへ、つまり録音されていることが前提のワークスタイルへと完全にシフトする。テキストでのやり取りにおいて「公開されて困ることは書かない」という原則が当たり前であるように、今後は口頭の会話でも全く同じ原則が適用される。この変化は、最初からデフォルトで全録音を受け入れるAIネイティブな新興企業と、コンプライアンスの不確実性を恐れて躊躇するレガシー大企業との間の決定的な差となる。経営者はこの不可避なトレンドを恐れることなく、適切なガバナンスとルールを構築して組織の競争力を最大化すべきである。

食べ物やモンスターの絵を描いたり システムやルール、オプションを考えたりして 日々、0から1 そしてその1を10にする作業をシコりながら エロとかギャグとかホラーとかの原案、企画を色々考え 同時に人や国を支える礎作りにアイデアを出し そして手作りでチョキチョキ、ゲームを作ってる毎日です。