# Codexの機能と実践的な使い方 🏛️ 全社にCodexを配るとき、「どのMCP・モデル・権限を許すか」を一人ひとりに任せるのは危険です。集中管理設定なら、管理者が境界を引いて統制できます。 🏷️ タイトル: 集中管理設定・ガバナンス 🔗 URL: 📘 概要 Codexのエンタープライズ向け集中管理設定は、IT管理者が組織全体のエージェント挙動を中央から統制する仕組みです。許可するMCPサーバー、モデル、承認・サンドボックス権限などをポリシーとして配布し、利用者が勝手に逸脱できないようにします。 ⚙️ 機能の説明 管理は2階建てです。 ・`requirements.toml`: ユーザーが上書きできない、管理者が強制する制約。 ・`managed_config.toml`: 出発点となる既定値で、セッション中にユーザーが変更可能。 適用優先順位は高い順に、macOSのMDM設定 → クラウド管理のrequirements(ChatGPT Business/Enterprise)→ システムファイル(`/etc/codex/` や `%ProgramData%\OpenAI\Codex\`)→ ユーザーの `config.toml` → CLIの上書き、です。管理レイヤーはCLIフラグより優先され、毎セッションで再適用されます。 ロックできる主な設定は、承認ポリシー、サンドボックスモード(`full_access` の遮断など)、権限プロファイルのallowlist、MCPサーバーの承認(コマンド/URL指定、未掲載は無効)、機能フラグ(`browser_use` 等)、自動レビューの強制、ネットワークのドメイン許可/拒否、ライフサイクルフック、コマンド規則などです。 🛠️ 実践的な使い方 `requirements.toml` では `allowed_sandbox_modes` で許可モードを絞り、`[permissions.filesystem]` の `deny_read` で `~/.ssh` や `.env` を拒否、`[rules]` の `prefix_rules` で `rm` を禁止、`[mcp_servers.approved]` で承認済みMCPだけを許可、といった指定ができます。これで `full_access` は使えず、機密ファイルの読み取りは拒否、破壊的コマンドは禁止され、承認済みMCPのみが有効になります。 💡 ユースケース 社内で承認したMCPサーバーとモデルだけを全社員に配り、機密ファイルの読み取りや破壊的コマンドを一律でブロックする、といったガバナンスを再デプロイなしに統一できます。 ⚠️ 注意点 `allowed_permission_profiles` を定義すると、それが排他的なリストになります。後段のソースでプロファイルを使うには明示的に再有効化が必要です。クラウドのrequirementsはローカルにキャッシュされるため、オフラインでは最新ポリシーが反映されないことがあります。カスタムプロファイルはCodex 0.137.0以前のクライアントへ配布しないでください。グループ単位のルールは最初に一致したグループが勝ち、未設定フィールドは後続から継承されません。 #Codex# #Enterprise#

🏛 要件仕様書を入れると、4+1ビューのアーキテクチャ図から本番品質のドキュメント、ATAM相当の評価レポートまで自動生成。4つの専門エージェントが要件と設計の橋渡しをします。 タイトル: Bridging Requirements and Architecture: Multi-Agent Orchestration with External Knowledge and Hierarchical Memory URL: 📝 概要 MAADは、ソフトウェア要件仕様（SRS）からアーキテクチャ設計までを、役割特化の4エージェントでオーケストレーションするフレームワークです。外部知識（RAG）と3層の階層メモリで、一貫性とトレーサビリティを担保します。 ❓ 解決する課題 アーキテクチャ設計は複雑で知識集約的なため、アーキテクトに大きく依存していました。単一LLMは出力が一貫せず要件カバレッジが不完全で、既存のマルチエージェントもアーキ固有のワークフローや知識統合を欠いていました。 💡 方法論と提案手法 ・Analystが要件（FR/NFR/ASR）を抽出し、Modelerが4+1ビューのUML図へ、Designerが本番品質ドキュメントへ変換します ・EvaluatorがトレーサビリティとATAMベースの分析で各段に品質ゲートを設けます ・ISO/IEC/IEEE 42010などの標準や定番書籍をベクトルDBに埋め込み、クエリごとに上位3件を参照します ・作業記憶・エピソード記憶・意味記憶の3層メモリで、反復的な洗練と知識再利用を支えます 🎯 ユースケース 要件からの素早いアーキテクチャ設計、要件変更に追従する一貫性維持、暗黙知に頼らない知識移転、自動検証によるレビュー負荷削減などに使えます。 📊 実験結果 ・実世界のSRS 10件で、MetaGPTより完全・モジュール性が高く・トレーサブルなアーキテクチャを生成 ・結合度や凝集度など7つのアーキテクチャ指標で評価し、Evaluatorが品質レポートを自動生成 ・評価LLMではGPT-5.2とQwen3.5が多くの設定で他を上回りました ・現役アーキテクト6名が「原則に整合し実開発に適する」と評価しました #SoftwareArchitecture# #AIエージェント#