GPT-5.6 Sol Ultraを6時間使ってみた。修正指示の往復が減った

Claude Code が作業完了と判断しても実装にバグが残る「trust-then-verify gap」に対抗するため、検証ループを回す方法を解説。テスト・スクリーンショット・実行証拠など合否判定を与え、失敗テストを先に書かせてから修正させるアプローチで、Anthropic の分析では壊れたコード修正に費やされるセッションが 33% から 19% に削減された。

Message Batches API を使うと通常の Messages API と同じ結果を半額で処理でき、大量件数のバッチ処理に適している。非同期モデルのため、custom_id で結果と入力を突き合わせ、処理完了までポーリングして結果を回収する必要があり、結果の返却順序が保証されない・results() がワンタイムストリーム・processing_status が成功を保証しない、の3つのハマりどころがある。

Shopify アプリテンプレートリポジトリを題材に、Opus 4.6 / 4.7 / 4.8 の性能差を 13 指標・7 種類のタスクで実測比較。ベンチマークスコアの優位性とは異なり、各モデルは「実装型（4.6）」「万能型（4.7）」「大局型（4.8）」と役割分担が明確で、タスク特性に応じた使い分けが事故回避に有効との検証結果を報告。

617行に育った本番リポジトリの AGENTS.md を整理するため、Claude公式ドキュメントと個人ブログから推奨要素を洗い出し、8項目の推奨構成案を提示。プロジェクト概要・アーキテクチャ・セットアップコマンド・タスク管理参照先・規約・禁止事項・落とし穴・Definition of Done を、(1)非存在情報(2)探索コスト(3)誤りコストの3基準で正当化。次回記事で実検証予定。