AI ループを自作しながら考えた、良い AI ループの条件

AI Agent がコード生成と検証を担当する時代でも、人間が仕組みを理解しておくことは重要。ただしその理由は正当性確認ではなく、次に何を作るかの創造的プロセスに参加するため。AI の生成速度に人間の理解が追いつかず「理解そのもの」がボトルネックになるリスクに対し、Notion のデザインエンジニア Geoffrey Litt が提案する 3 つの対処法（説明・マイクロワールド・共有スペース）を解説。

AIエージェントに新ツールを追加しても選ばれない原因は能力不足ではなく、文脈の入口設計にある。ToolAnchor や AI Agents Do Not Fail Alone の知見から、受付・選択・実行の3ゲートに文脈を分け、ツール選択の判定をコードで明文化する方法を紹介。ツール説明より分岐テストケースを重視することで、モデル更新後も挙動が安定する。

LLMベースのエージェントが長い作業を実行する際の文脈管理の問題に、Git のバージョン管理の仕組みを適用する研究「Git Context Controller」を紹介。COMMIT / BRANCH / MERGE / CONTEXT 操作で記憶を階層的に管理し、SWE-Bench で成功率 80.2% を達成した。細かいログと必要な粒度での取り出しが効果の中心。

個人で動画・記事・音声を16以上のプラットフォームに配信する運用基盤を、AIエージェントを中心とした5層アーキテクチャで構築。エージェントを実行者ではなく判断者として使い、知識層で一貫性を担保し、配信層で媒体差を吸収することで、品質を保ちながら自動化を実現。静かな失敗を検知するチェック層の重要性も解説。