最新エージェントが難解言語の試験で答案をカンニングしていた事実

推論モデルの進化と超ロングコンテキスト対応により、「どう聞くか」から「何を渡すか」へスキルの中心が移動。構造化データの設計、RAGの精度重視、情報配置の最適化といったコンテキスト設計が、production環境で勝つための必須スキルになったことを解説。

OpenRouter の :free サフィックスモデル 9 種類（Qwen3、Llama 3.3、DeepSeek R1 等）を、コーディング・要約・JSON 抽出の 3 軸で実測比較。月額 $0 でも GPT-4 クラスの推論が可能で、用途別の使い分けマップを示す。

harness-starter-kit の実運用経験から、エージェントの精度向上よりも「エラー検出・記録・再利用の仕組み作り」が本質的な価値だと気付いた。Django と Next.js の 2 つのプロジェクトでの dogfood を通じ、既存プロジェクト構造に適応できる検査設計と、外部 API 依存時の段階的ゲート戦略が重要なポイント。

Claude Code、Gemini CLI、Kiroの3つのAIコーディングツールを実際の使用経験に基づいて比較。Claude Codeはコード精度が高いが有料、Gemini CLIは無料でセットアップ簡単だが精度は劣る、Kiroはプレビュー中で無料かつIDE統合で使いやすいと評価。用途別の選択ガイドも提示。