ローカルAIに「手」を持たせたら、モデルの限界だと思った壁は自分のコードの配管ミスだった—そして隣のAIをGPUごと落とした

Claude Codeを単なる実装ツールとして使うのではなく、調査（Explore）→計画（Plan）→実装（Implement）→検証（Verify）→コミット（Commit）の5ステップで段階的に活用すべき。特にプランモード（shift+tab）で実装前に設計・影響範囲・テスト方針を明確にすることで、スコープ膨張やレビュー負荷を軽減できる。

ウルトラマラソンのトレーニング計画レビューをLLMに行わせる際、安価なモデル向けに設計した if-then ルール（数値閾値など）が高推論モデルでは逆に制約になることを発見。矛盾した条件を同時に読み込む高推論モデルが判断を留保してしまったため、明示的なルールを削除しコンテキストと過去データだけを提供したところ、モデルが陳腐化した制約を自ら判断から外すようになった。ルール駆動的な設計は社会的な安全装置である一方、高推論モデルの能力を活かすにはその適切な配置が設計問題である。

Claude Code を業務継続利用する際の出力のブレ・長文会話での品質低下・トークンコスト膨張に対して、プロンプト改善ではなく AI が動作する「環境」全体を体系的に設計するアプローチ「ハーネスエンジニアリング」を解説。CLAUDE.md・ペルソナ・サブエージェント委譲・トークン管理・Loop・Claude Design連携といった構成要素を組み合わせ、安定した品質と効率性を実現する方法を提示。

LINE連携の秘書Mで会話記憶とデジタルツイン機能を実装し、単なるAIアシスタントから「ユーザーの価値観・状態を学習し先回りするAI参謀」へ進化させた。Supabaseに会話履歴とユーザープロフィール（JSON）を保存し、Claudeへ毎回文脈として渡すことで、前後の関係を理解した提案が可能に。