本文へスキップ
hdknr blog
戻る

Loops and Graphs — エージェントの子守りをやめて「最後の一手だけ承認する」設計

はじめに

X で、次のような投稿が 15 万回以上表示されていた(@callanxai の投稿、2026 年 11 月 14 日 UTC)。

Prompting was the old way. Engineering the system around the model is the new one

(プロンプトは古いやり方。これからはモデルの周りのシステムを設計する時代だ)

投稿には約 10 分の動画が付いていて、空のターミナルから「エージェント → ループ → グラフ → 自己改善するシステム」と Claude Code の構成を組み上げていく様子が映っている。投稿者は、動画の人物を「Anthropic のエンジニア」と紹介している。その人物が「プロンプトはもう終わり」「エンジニアの 95% がすでに自己改善ループを回している」「次はグラフだ」と語っている、というのが投稿の触れ込みだ。

ただし、この人物が誰なのか、95% という数字の出どころがどこなのかは、投稿からは確かめられない。投稿者自身も Anthropic の社員とは名乗っていない。数字は話半分に聞いておくのがよい。

この記事で取り上げたいのは、動画の煽り文句ではなく、投稿が引用している長文記事のほうだ。@hanakoxbt による「Loops and Graphs: how to stop babysitting agents and only approve the last step」(ループとグラフ:エージェントの子守りをやめて、最後の一手だけ承認する方法。2026 年 8 月)は、エージェントに仕事を任せるときの設計原則を、ツールに依存しない形でまとめている。なお、元記事は有料コースの案内も兼ねている。

以下では、元記事の要点を 4 つの原則に整理し、このブログの運用に当てはめて考える。プロンプトからループへ の続きとして、グラフ側の具体論にあたる内容だ。

用語の整理

用語この記事での意味
ループ作る → 検査する → 直す、を検査が通る(グリーンになる)まで繰り返す仕組み
グラフどんな仕事の単位があり、それらがどうつながるかを決める構造
ノード/エッジグラフを構成する処理の箱/それらをつなぐ矢印
単位(ユニット)1 つのループが受け持つ仕事のまとまり。ファイル 1 つ、記事 1 本など
チェックプログラムが合否を判定できる検査。テスト、型検査、スキーマ検証など
決定的同じ入力に対して必ず同じ出力を返すこと
ゲート結果を先に進めてよいかを判定するノード
修正エッジ/学習エッジ今回の実行を直すために戻る矢印/次回以降の実行に効かせるために戻る矢印
影響範囲(blast radius)その変更が失敗したときに壊れる範囲と、元に戻せるかどうか

ループとグラフは役割が違う

元記事の中心にある主張は一つだ。

ループだけを回していると、「次は何をやらせるか」「どれとどれがつながっているか」を人間が毎回考えて指示することになる。これが元記事のタイトルにある「子守り(babysitting)」だ。グラフは、この判断を構造として先に書いておくものだ。そうすれば、人間の出番は最後の承認だけになる。

次の図は、この後の原則 1〜4 で説明する要素を 1 枚にまとめた全体像だ。

タスクをオレンジのスプリッターが単位に分け、それぞれループを回すオレンジのワーカー A・B・C に渡し、緑の決定的なコードノードで集約してから青いゲートで判定する流れを示した図。ゲートで落ちた単位は赤い修正エッジで該当ワーカーだけに差し戻され、採用された結果は紫の学習エッジで制約として蓄えられ、次回の実行でスプリッターに効く

原則 1:ループのチェックはプログラムが判定できるものにする

ループの「検査が通るまで繰り返す」は、検査が信頼できて初めて意味を持つ。元記事は、チェックをプログラムが評価できる形で書くよう求めている。そのうえで、別のモデルに出力を見てもらうだけのレビューを「楽観主義者が 2 人で同意しているだけ」と否定的に扱っている。

モデルによるレビューは判断が揺れるうえ、「よさそうです」で通ってしまうことがある。ループの終了条件をそこに置くと、ループは「グリーンになるまで回る」のではなく「モデルが納得するまで回る」ものになる。

チェックとして使えるものの例を挙げておく。

# どれも終了コードで合否が決まる(プロジェクトに合わせて選ぶ例)
pytest tests/                             # テスト
npx tsc --noEmit                          # 型検査
python3 scripts/validate_frontmatter.py   # スキーマ・規約の検証
npx astro build                           # ビルドが通るか

このブログでも、記事の frontmatter やタグ表記の揺れは validate_frontmatter.py が CI で落とす。人手やモデルによる確認に頼っていた頃より、漏れがはっきり減った。

なお、モデルによるレビューに価値がないわけではない。このブログでは、記事ごとに別ティアのモデルでファクトチェックをしている(ファクトチェックを繋ぎ直した 3 つの穴)。ただし、それはループの終了条件ではなく、人間に判断材料を渡すための仕組みとして置いている。元記事の線引きとは、この点で矛盾しない。

原則 2:グラフのノードは 4 種類、決定的な処理はコードノードへ

元記事は、グラフのノードを 4 種類に分けている。

ノード役割
スプリッター仕事を単位に分ける
ワーカー1 単位をループで仕上げる
コードノードマージ・並べ替え・重複除去などの決定的な処理
ゲート先に進めてよいかを判定する

ここで強調されているのが、決定的な処理はモデルではなくコードノードでやるという点だ。結果のマージや並べ替え、重複の除去を LLM にやらせると、遅く、高く、ときどき間違える。答えが一つに決まる処理は、コードで書いたほうがよい。

図でワーカーをオレンジ、コードノードを緑に塗り分けたのはこのためだ。どこでモデルが動き、どこが決定的なのかがひと目でわかるグラフは、障害が起きたときの切り分けも速い。

ゲートの判定も、モデルの言い分を鵜呑みにするものではない。元記事によれば、ゲートは証拠を決まった順で読む。まず決定的なチェックの結果、次に実行の経過、次に過去にロールバックした履歴で、モデル自身の評価は最後だ。

原則 3:戻りのエッジは 2 種類ある

グラフには、前に進むエッジのほかに、後ろに戻るエッジが 2 種類ある。

  1. 修正エッジ(correction edge) — ゲートで落ちた単位を、それを作ったステップに差し戻し、今回の実行の中で直させる。
  2. 学習エッジ(learning edge) — 採用された結果を制約に変え、次回以降の実行に効かせる。

修正エッジ:落ちた単位だけを、3 回まで

修正エッジについて、元記事は 2 つの具体的な指針を挙げている。

この 2 つを Python で素朴に書くと、次のようになる(元記事のコードではなく、考え方を示すためのスケッチ。3 回で通らなかったときに人間へ回すのは筆者の補足)。

MAX_CORRECTIONS = 3

class NeedsHuman(Exception):
    """人間へのエスカレーション"""

def run_graph(task, splitter, worker, check, merge, gate):
    units = {u.id: u for u in splitter(task)}   # スプリッター
    results = {}
    for uid, unit in units.items():
        results[uid] = worker(unit)        # ワーカー(中でループを回す)

    for attempt in range(MAX_CORRECTIONS):
        failed = [uid for uid, r in results.items() if not check(r)]
        if not failed:
            break
        for uid in failed:                 # 修正エッジ:落ちた単位だけ戻す
            results[uid] = worker(units[uid], feedback=results[uid])
    else:  # break せずに上限回数を使い切ったとき
        failed = [uid for uid, r in results.items() if not check(r)]
        if failed:
            raise NeedsHuman(failed)       # 計画の見直しは人間へ

    merged = merge(results.values())       # コードノード(決定的)
    return gate(merged)                    # ゲート

学習エッジ:制約はスプリッターに戻す

学習エッジで大事なのは、制約がどこに戻るかだ。元記事は、採用された結果をスプリッターへの制約として戻すとしている。ワーカーへの指示に足すのではなく、仕事の切り方を決めるブリーフに入れる、と明言している。例として、原因が確認された不具合はルールになり、次回からはその前提で仕事が切られる。

ワーカーの指示に注意書きを積み増していくと、指示はどんどん長くなる。仕事の切り方そのものを変えれば、同じ失敗が起きる単位がそもそも生まれにくくなる。図で学習エッジがスプリッターに戻っているのはこのためだ。

このブログでいえば、レビューで繰り返し出た指摘を CLAUDE.md やスキルの手順に書き足していく運用がこれに近い。毎回同じ指摘を人間がするのではなく、指摘そのものをグラフの入力に戻す。

原則 4:承認ゲートはモデルの確信度ではなく影響範囲で判定する

最後の原則が、タイトルにある「最後の一手だけ承認する」につながる。元記事は、ゲートを開くかどうかを**モデルの確信度ではなく、影響範囲(blast radius)**で決めるよう勧めている。理由は、確信度が判定材料の中で唯一、モデル自身が左右できるものだからだ。

影響範囲は 3 段階に分けられている(例は元記事のものを要約した)。

影響範囲例ゲートの扱い
元に戻せて、範囲が限られる文言の修正、テストの追加、テストのある独立した関数最初に開けてよい(失敗しても revert で済む)
元に戻せるが、範囲が広い共有ユーティリティの変更、スキーマへの追加決定的なチェックに加え、実行の経過がきれいであることを求める
元に戻しにくいマイグレーション、削除、本番データへの書き込み、送金スコアに関係なく自動では開かない

ポイントは 3 段目だ。ここは「確信度が十分に高ければ通す」レーンではなく、どれだけスコアが高くても自動では開かないレーンとして扱われている。モデルが「95% 自信があります」と言っても、それが本番データの削除なら自動では進めない。逆に、確信度が低くてもテストの追加なら走らせてよい。

こうして線を引けば、人間が見るべきものは自動では開かないものだけに絞られる。元記事の言葉では、すべてを承認するのではなく 1 つだけ承認する(approve one thing)状態だ。人間は、影響が最も大きく、最も元に戻しにくい 1 ステップ——たとえばマージや、どの修正を出荷するかの選択——に置く。

このブログの記事作成フローもこの形に近い。下書き・ビルド・レビュー・ドラフト PR の作成までは自動で進める。マージ(公開)という元に戻しにくい一手は、自動では行わず人間が判断する。Claude Code の権限設定も同じ考え方だ。読み取り系のコマンドは許可し、外部への送信や設定の書き換えには確認を求めている。

自作の dev-loop・spec-loop に当てはめてみる

筆者は Claude Code のプラグインとして、2 つのループを自作して使っている(hdknr/claude-code-setup)。

プラグイン何をするか
dev-loopGitHub Issue 1 件を、受入基準の検証が通るまで実装 → 検証 → レビュー → マージと 1 周させる。cruise は親 Issue のチェックリストから台帳を作り、複数の Issue を依存順に回す
spec-loop要求確定 → 仕様レビュー → 見積り → 提案書 → Issue 化(scaffold)までを、それぞれループとして回す(プラグイン化の記事)

この 2 つを、ここまでの 4 原則に照らして評価した。

原則dev-loopspec-loop
ループとグラフの分離△ 1 周 = Issue 1 件がループ、cruise の台帳がグラフ。ただし仕事を切るのは人間か spec-loop で、cruise は切らない○ 各スキルが 1 回分のループで、autopilot の台帳が次の 1 単位を選ぶ。単位を切るのは scaffold.py(1 機能 = Issue 1 件)
1. チェックはプログラムで判定△ 周を閉じる判定は Verifier(モデル)。ただし Verifier には「証拠はコマンドの出力で示す」ことを求め、証明手段の無い受入基準は BLOCKED にするなど、証拠への縛りは強い△ 条件 1 はスクリプト、形式検証は TLC/Alloy の出力と陽性対照が根拠。ただし条件 2・3 は Red Team(モデル)の判定がそのまま抜ける条件になっている
2. 決定的な処理はコードへ○ 台帳・マージ・親 Issue の読み取りなどがスクリプトで、多くのスクリプトに「なぜスクリプトか」が書いてある○ 版の重ね合わせ、署名の照合、PPTX、ガント、Issue 本文の生成まですべてスクリプト
3a. 修正エッジ○ 落ちた指摘だけを戻し、2 パス目は差分だけを確かめる。上限は 3 回ではなく 2 パスで、指摘数が減らないという実測を根拠に意図して変えている○ 指摘を生んだ段(仕様/要求確定/見積り/実装)へ振り分けて戻す
3b. 学習エッジ× 還元先は CLAUDE.md・Skill・メモリで、どれもワーカー向けの指示△ 「同じ機能で 3 回目の質問が来たら、範囲を決め直す質問に切り替える」はスプリッターへ戻す形に近い。ただし学びの多くは判定役の指示文に積まれている
4. 影響範囲でゲート◎ 本番反映は線として宣言できず、台帳のスクリプトが拒む◎ タグ付け・scaffold・Issue 登録は、自動運転の線の選択肢にそもそも置いていない

できていること

原則 2 と 4 は、両方とも元記事より厳しい形で実装できていた。 特に spec-loop の自動運転の点検スクリプトは、元に戻しにくい操作を「選択肢の値にしない。値に置くと選ばれうる」として、選べる線から外している。「スコアに関係なく自動では開かない」を、設定の形そのもので保証している。

元記事にない手当てもある。チェック自体が壊れていないかを確かめる陽性対照や、「走らなかった検査は緑ではない」という扱いだ。元記事は「チェックはプログラムで判定せよ」で止まっているが、そのプログラムが空振りしていれば判定は意味を持たない。

足りないこと

弱点は 2 つあり、どちらも両方のプラグインに共通していた。

  1. 「関門を通った」を確かめているのがモデル。 チェックの一つ一つはコマンドの出力に基づくが、全部通ったと判断してマージや Issue 化に進むのはモデルで、それをスクリプトが照合していない。dev-loop のマージ用スクリプトは冒頭で「マージしてよいかは決めない」と明言しており、spec-loop の scaffold.py は「条件 2〜5 は判定していない」と出力するだけだ。
  2. 学習エッジがワーカーへの指示に向いている。 周から得た学びは SKILL.md や判定役の指示文に書き足されていく。dev-loop の SKILL.md は 1879 行まで膨らんでいた。元記事が戒める「ワーカーの指示に注意書きを積み増す」形そのものだ。

この評価から、改善を 5 件の Issue にした。

元記事の原則は、自分のループを点検する物差しとしてそのまま使えた。「ゲートの判定をスクリプトに寄せる」「学びを切り方に戻す」の 2 点は、どのエージェント運用でも見直す価値がある。

まとめ

ループの設計そのものについては Claude Code チームのループ設計ガイドを読み解いた記事、ループの先にあるグラフの考え方は グラフエンジニアリング入門 も参考になる。



前の記事
AI が書くフロントエンドが「2019年」で止まる問題と、Chrome チームの Modern Web Guidance
次の記事
Looped Transformer とは? 同じ層を繰り返して 4B モデルを深くする NVIDIA Dory1.0-4B