自分のエージェント基盤を組む
ralph-loop、ReAct、ローカル LLM と API。AI エージェントを実務で動かすための基盤を、手元で組み立てる試行錯誤の記録。
Fable 5とSonnet 5で法令リサーチを比較したら、意外な結果が出た
法令リサーチの DoD に足りていなかった出典健全性チェック（リンク生存・ソース実在）を実装した上で、同じ調査テーマを Claude Fable 5 / Claude Sonnet 5 で回して比較した。題材は契約箱構想（Koukan/Yakusoku）の寄付箱機能「bokinbako」が持つガスレス relayer と自動 DEX スワップの資金決済法・出資法上の該当性。優劣をモデル自身に評価させたら評価者次第で順位が割れ、マルチプロバイダ化を試みた際には Claude Code 固有のカスタムサブエージェントが別環境で機能しないことも判明し、その実行中には品質ゲートのスクリプト自体が書き換えられているのも発見した。比較しようとしたら、モデルの実力よりハーネス側の課題が次々と見えてきた話。
続々・LLMの相場環境認識は使えるのか——A/Bテストで『戻り売り』は直ったが『ブレイク』が崩れた
プロンプトA/Bテスト開始から60日、451トレード。狙った『押し目買い』は直らず、狙っていなかった『戻り売り』が直った。そして前回『唯一本物』と太鼓判を押した『ブレイク判定』の優位が、B版で崩れ、A版でも月別に見ると実は薄氷だったことが判明した。
サブエージェントに本番の稼働ファイルを触らせるな — 実弾トレードの台帳を worker に壊された日
オーケストレーターとしての Claude が Sonnet の worker 群を並列に走らせ、DEX の集中流動性を指値注文として使う実弾 LP パイロットを数時間で組み上げた。安全層・無人 cron 実行・監視ダッシュボードまで。ところが通知修正の worker が検証中に CLI を実行し、その痕跡を revert する過程で本番の実弾台帳を巻き戻し、cron が積んだ 4 回転ぶんの記録を消した。資金は無事だったが記録は消えた。凍結・独立ログ・チェーン正本・scratch 経由の再構築で完全復旧するまでの一部始終と、そこから導く『サブエージェントの権限境界』5 原則。
要塞に自動操縦を付けたら、初仕事は自分の部品の解体だった——/idd-auto 初自走記
GitHub を接収した agent harness『yatmita 流 IDD』に、issue キューを GO 1 回で連続消化する /idd-auto を実装して初めて自走させた。4 issue を無人処理した記録と、その 1 件目が『idd-init から ralph-loop を外す』だった皮肉。無人化して分かったのは、いちばん効いたのが GO 前の人間の 5 発だったこと。
google/agents-cli 検証編 — eval CLI は thin wrapper、judge prompt は呼び出し側で持つべき
前回の構造読み解きで残した宿題を、リポジトリを clone して実装まで読んで決着させる。eval CLI は Vertex eval service への thin wrapper、built-in metric の judge prompt は公開されておらず、adaptive rubric は実行ごとに動的生成される。Google 品質保証を受け取る代わりに透明性・再現性・移植性を引き渡す取引で、ralph のようにファイル駆動で透明性を重視する系では成立しない。結論は不採用、判断の道筋と『judge prompt 主権論』を残す。
google/agents-cli を読み解く — フレームワークではなく『コーディングエージェントに skill を撒く CLI』という形
Google が出した agents-cli は ADK のラッパーではなく、Claude Code / Codex / Antigravity に skill を撒いて『Google Cloud で agent を組む熟練者』に仕立てる CLI だった。構造を読み解き、Anthropic 5分類との対応、ロックインの線引き、eval CLI の手厚さ、ファイル駆動 vs session-state という設計哲学の差まで、検証前にひと回り見ておく。
ralph-loop-python の設計思想——TOML 1 枚で別物になるエージェントループ
yatmita で 50 枚以上の TOML を書いて使ってきた自作の自律ループランナーを、ようやく一度きちんと説明する。設計の中心は『TOML を完成品質の言語にしたこと』だった。loop / checks / review / provider / parallel / prompts——TOML の各セクションがどんな思想で設計されているかを順に書く
AI 100 人にアンケートを取ってみた——LLM ペルソナで市場検証は成立するか
claude / gpt / gemini の 3 モデルに 100 人ぶんの架空ペルソナを演じさせ、自作サービス『毎日開運クエスト』への 16 問アンケートを並列実行。Argyle 2023 / Aher 2023 / Park 2023 など先行研究を引きながら、AI ペルソナ調査がどこで実調査に似て、どこで似ないかを検討する。コスト $0、所要時間 3 分の build-log。
Anthropic が公開した「職種別 Claude」テンプレ集 ─ knowledge-work-plugins を読み解く
Anthropic の anthropics/knowledge-work-plugins は、営業・法務・データ・エンジニアリングなど職務別に Claude を専門家化するための OSS プラグイン集。19 種類の自家製と 5 種類のパートナー製を、4 種類のファイル(plugin.json / .mcp.json / CONNECTORS.md / SKILL.md)で構造化している。ツール非依存の ~~placeholder 抽象、プラグインを作るためのプラグイン、LLM ベースの policy scan、出力テンプレ同梱、ハブ&スポーク構造など、設計上の判断を紹介する。
Claude Code のシステムプロンプトを覗く・足す・置き換える
Claude Code のシステムプロンプトをカスタマイズするための実用ガイド。フラグ 4 つの体系、append と replace の判断基準、output styles とサブエージェント単位の system_prompt、SDK との非対称、20 万トークンのコスト崖、Piebald のシステムプロンプト抽出リポジトリの読み方まで。
起承転結はストーリー技法ではなく、予測管理パイプラインの段階名だった——AIニュース番組EP01の裏側
Anthropic claude -p 延期事案を題材に、AIニュース番組のパイプラインを設計した。起承転結を「視聴者の予測管理」として再定義した話、AIが感情フレームに寄った失敗、"today" の一語が転になった話。
Claude Code が「だめだだめだ」を積んでいた — プロンプト改善のドメイン知識を疑った話
ある創作プロンプトで、ある占いプロンプトで、Claude Code が訂正を受けるたびに禁止条項を足していくのを見た。指摘して reject したが、別の場でも同じ動作をする。そこから「Claude Code はプロンプト改善のドメイン知識を持っていないのでは」という疑惑が立った。「だめだだめだでいい子は育つか」を 4 分野で辿り、Claude Code が積んだメモリを grep し、Claude Code を補えるツールを 3 つ探した結果のメモ。
Ralph Loop は武器、GSD は武器庫、yatmita 流 IDD は『要塞』——プロジェクト単位ハーネスの 3 層目
Ralph Loop は技術、GSD は枠組み。その上に、GitHub という 20 年枯れたレガシー要塞を agent harness として接収したのが、私の使っている yatmita 流 IDD だ。issue・milestone・semver・Conventional Commits をそのまま骨格に流用し、rules を『マジックプロンプト』として常駐させる。GSD と同じ問題意識から出発した、別の解。
奇門遁甲で 1967 個のコミットを読む — Claude Code 1周年に
Claude Code と契約してちょうど 1 年。yatmita を建てた直近 124 日に積んだ 1967 個のコミットを、自作で毎朝 LINE に届けている奇門遁甲 engine の日盤に重ねてみた。占いは「当てる」ものではなく、決定論コードで「計算する」ものとして実装している。結果は「東南の気で刻んだ 1 年」だった。
5 人の Claude に役柄を割って企画会議させた話 — claude-peers council 運用記
前篇では同一マシンの複数 Claude Code を broker で配線した話を書いた。今回はその回線を使って 5 セッション同時の council を 2 議題回し、出てきた 1 案が 48 時間で記事ドラフトまで進んだ実例の話。役柄は cwd に任せた
複数の Claude Code を1本の broker でつないだ——AI 司令部と部下が「実際に喋る」ようになった運用記
前篇で立てた司令部は、まだ頭の中の組織図だった。claude-peers（同一マシンの複数 Claude Code をつなぐ MCP）で配線したら、セッション同士がメッセージを送り合うようになった。導入・β channel・二層プロトコル・運用3日目の実用感の記録
解説マンガ1話分の法令リサーチを、エージェントに〈クエリ砕き → ハイブリッド検索 → MCPで一次資料〉まで遡らせる──プロンプト・DoD・補足調査の組み立て
条文・判例・行政解釈を「要約サイトの孫引き」ではなく原文まで遡って整理する法令リサーチを、エージェントに任せた。クエリを砕いて中心的問いと要件に落とすフェーズを最初に置き、ハイブリッド検索 (公開判例 KB 71,000件超 + グレーゾーン解消事例 + 法律書 OCR) で候補を出し、MCP (e-Gov 法令・税法・労務) と政府サイトの直接フェッチで一次資料 (条文・判決 PDF・通達・ガイドライン) を取りに行く。ソースには権威の固さの順 (条文 > 最高裁 > 下級裁 > 通達 > 行政の個別解釈 > ガイドライン) をつけ、検索ヒットは出典にせず、必ず原文に橋渡しする。プロンプトと終了条件 DoD (品質スコア + gaps チェック) で「何を完了とみなすか」を機械可読にし、1次成果物を読み取り専用にした補足調査スキルで深掘りを再帰する。エージェントを固定パイプラインに組まず、ハイブリッド検索を持った自律エージェントとして配置する設計の話。
ファクトチェックを3段に畳む——320件の主張と143本の出典を、ひとつのコンテキストに入れずに裏取りする
解説マンガ1話ぶんの主張325件と出典143本を、ひとつのコンテキストに入れずに裏取りした。原稿を部ごとに切り出して「主張のリスト」に畳む、リストを「検証チェックリスト」に畳む、最後にリンクの実在と内容の直接関連性を別パスで検査して「報告」に畳む。3段の fan-out で巨大コンテキストを段ごとに圧縮する subagent パイプラインの組み方を、修正の確定権は人間に残すという境界線と一緒に書いた。
Claude Code の deep-research を解剖する — エージェント基盤に持ち帰る7つの設計判断
Claude Code 組み込みの deep-research スキルは、5フェーズの Workflow script として実装されている。中を開くと、フェーズ境界に Schema を置く・Pipeline を default にする・敵対的検証で棄権を「失敗」として扱うなど、汎用エージェント基盤に丸ごと転用できる設計判断が並んでいた。100 近いエージェント呼び出しが走る deep-research のソースを節ごとに開き、抽出できる7原則をまとめる。
ルールブックをWorkflowに食わせて、決定論的なlintを生成する——LLM校正の確率性を2レイヤーで畳む
あるドメインのルールブックをdynamic workflowに食わせて構造化し、それをregex lint + LLM verifierの2レイヤーに落とす。LLM一発校正で200万トークン・毎回違う指摘という確率的な状態から、56倍トークン削減・10倍高速・候補集合は完全決定論まで持っていった途中経過。ground truth pytestで正当性を客観保証するメカニズムも含めて、設計の判断と失敗を時系列で記録する。
ファクトチェックの典型手順と、工程ごとのエージェントの使い分け——事実320件の裏取りから（セッション編）
ファクトチェックは決まった工程を踏む——主張の抽出・優先度付け・証拠収集・照合判定・訂正・出典の実在チェック・合成。工程ごとに向いているエージェントの使い方は違う。並列ツール／サブエージェント（深掘り・多視点verify）／決定論スクリプトをどこに置くか、解説マンガ1話ぶんの事実320件の裏取りを通して工程ごとに地図にした。
本を「司書のように」検索する——RAG チャンクのためのエージェンティック・インデクサ
スキャンした書籍を RAG で検索可能にするとき、素朴なチャンク分割は意味の途中で切れた断片を量産する。目次を索引の骨格にする『司書サーチ』を、agent に本を読ませる素朴案が 7.5 時間で失敗したところから、生成＝コード／検証＝エージェントの分業に行き着くまでの build-log。
ハイブリッド検索で「レシピだけ」を引く——構造フィルタの pre/post と遅延スキーマ進化
全文検索とベクトル検索を RRF でマージするハイブリッド検索は、『この種類だけ』に絞るのが驚くほど難しい。Obsidian 全 vault からレシピだけを引きたい——その素朴な要望から、2 層フィルタ＋遅延スキーマ進化という設計に落ち着くまでの記録。
Anthropic の『Zero Trust for AI Agents』を、自分の調査エージェント基盤に当ててみた
Claude Security チームが出した企業向け eBook を読んだら、便利ツールの話ではなく『作った基盤を信頼できるのか』という、自分がいま作っているものの真ん中に刺さる話だった。
部品表を1本に組み立てる——借りる部品と自作部品で最小パイプラインを建て、引用ゲートが「幽霊の出典」を突き返すまで
前編で並べた『借りる部品（subagent/schema）』と『自作部品（外部ループ/決定論ゲート/state外部化）』を、実際に ingest→extract→compile→query の1本に組み立てる。資料を並列で取り込み、構造化して統合し、出典つきで答える。最後に引用真正性ゲートが、存在しない出典を fail-closed で突き返す。動く最小PoCの全コードを見せる。
汎用エージェント基盤は「借りる部品」と「自作する部品」でできている——組み立て前の部品表
製品を3類型に分けたとき、その下の『部品レイヤー』はわざと括弧に入れた。今回その括弧を開ける。エージェント基盤を建てる部品は、プラットフォームから借りるもの（skill/hook/MCP/Dynamic Workflows）と、自分で足すもの（外部ループ/決定論ゲート/state外部化）の2系統に割れる。次回はこの部品表で実際に1本のパイプラインを組み立てる。
24体のAIに同じ原稿を別々の目で読ませる——部品表で組んだ、もう1本のパイプライン
前回『借りる部品×自作部品』の部品表を作り、次回はその部品表で資料群の ingest パイプラインを組むと予告した。その前に——まったく別タスクで既に動いている実例を1本見せる。マンガの英訳チェックを、24体のサブエージェントの fan-out・schema 契約・人間の承認ゲート・決定論的な適用で組んだら、同じ部品表にそっくり載った。安いオラクルが無い領域では、ゲートは人間が務める。
プロジェクトを増やしすぎて方向性を見失ったので、「方向性を相談するプロジェクト」を立てた話
個別の相談相手は足りていたのに全体が発散したのは、賢さ不足ではなく intent の過少指定だった。Intent Engineering を1プロンプトでなく「複数プロジェクト運営」の単位でやってみた記録
スクリプトでエージェントを編むDynamic Workflowsを触って、自分のパイプラインの「重さ」の正体がわかった
Claude Code の Dynamic Workflows は、サブエージェントの群れを JavaScript で決定論的に制御する仕組みだ。最小コードで挙動を実測し、最後に自分のralph連結パイプラインと突き合わせたら、ゲートでもチェックでもなく『どこで重さを払っているか』だけが本当の違いだった。
純正の『次世代エンタープライズサーチ』を開けたら、検索エンジンが入っていなかった
Anthropic の knowledge-work-plugins にある enterprise-search を clone して、検索の中身を読んだ。intent 分解・並列検索・dedup・authority 階層・confidence スコアリングと、検索結果を束ねる設計はどれも秀逸だった。だが BM25 もベクトルもハイブリッド融合もリランクも、検索エンジンそのものは一行も入っていなかった。全部 MCP の向こう側に委ねられていた。
純正 cookbook を Anthropic 自身の5分類で仕分けたら、真の Orchestrator-Workers は1本だけだった
Claude for Legal が持つ5つの multi-agent cookbook を、Anthropic の『Building Effective Agents』の5パターンに当てはめ、それぞれが実際にどんな手順で動くかを1本ずつ追った。見た目は全部 orchestrator + leaf なのに、中身は4本が Prompt Chaining。派手な自律エージェントは1本も無かった。
「業種特化の AI ツール」だと思って開けたら、縦型エージェント基盤の設計図だった
Anthropic が出した法務・中小企業向けのプラグイン集を clone して、基盤開発者の目で中身を読んだ。全部 Markdown と JSON でできていて、製品の本体はプロンプトでなく『権限と継ぎ目をどう構成ファイルで縛るか』だった。そして一番難しい検証だけは、純正でも人間に外注していた。
「スキルを訓練する」を採用しかけて止めた——SkillOpt を自分の検証軸で測ったら、同じ地図に乗っていた
自己流の開発手法に自己改善ループを入れた直後、モデルでなくスキルを訓練する SkillOpt が目に留まった。一対一で噛むので採用しかけたが、二つ引っかかって止めた。理由を辿ると、前回引いた検証層の軸の上に、この新手法もちゃんと座っていた。
「ワークフロー vs エージェント」では足りなかった——自分のプロダクトを実コードで分類した
プロダクトに LLM を組み込むとき、設計の正解は3つに割れる。手持ちのプロダクトを実コードで棚卸ししたら、検証層がどこから来るかで型が決まり、ある1つだけが例外になる理由まで見えた。
もう一つの数字——DSR を入れたら『総当たりすればいい』が否定された話
PBO の翌日に Deflated Sharpe Ratio を実装した。割引後のエッジを測ったら最良戦略は運の天井に届いておらず、しかも『PBO と一致した』は偶然だった。そして総当たりは自分でハードルを上げる行為だと分かった
過学習を 1 つの数字にする——autoresearch に PBO/CSCV を入れた話
論文『The Probability of Backtest Overfitting』を読んだ翌日に実装して、自分のトレード戦略に当てたら 0.59 STRONG WARN が出た。その数字が示すこと、示さないこと
検索基盤を建てるのをやめた話——2.3GB のログを測ったら『何も作らない』が正解だった
Claude Code の会話ログを全文検索したい。そう思って自作のハイブリッド検索基盤に載せる設計を詰めていったら、用途分解・計測・既存ツールの確認を重ねるごとに要件が消えていき、最終的に『標準の Grep ツールで引くだけ＝実装ゼロ』に着地した。YAGNI を計測で正当化したプロセスの記録。
opencode の xAI Grok OAuth は X Premium でも通る — ただし『Headless / Remote / VPS』を選ぶと詰む
opencode 1.15.7 で入った xAI Grok OAuth、X Premium サブスクでも公式に通るはずなのに、メニューの『Headless / Remote / VPS』を選ぶと数秒で『無効または期限切れのコード』が返ってきて詰む。切り分けの記録と、PKCE loopback フロー + ssh tunnel で通すまで。
並列 ReAct エージェントでローカル LLM と Claude を本気で比べた
ドキュメント自動チェック基盤を 4 並列 ReAct エージェントで組み、ローカル gemma4 8B と Claude Haiku / Sonnet を実測比較。recall・FP・速度・コスト、そしてローカル LLM の「並列の落とし穴」までの記録。
pytest で LLM-as-judge を組む — deepeval × Claude Code CLI
deepeval の Custom LLM 機構に Claude Code CLI を差し込み、pytest の assert で LLM 出力を評価する構成。Hallucination 検出と GEval によるカスタム指示反映チェックを 50 行で動かす。API key 不要、コストは pytest marker で封じる。
LLM ループの『完成定義』を間違えると、100 点合格でも intent が骨抜きになる
LLM エージェントに繰り返しタスクを任せる時、 intent を自然言語で書くだけでは intent は満たされない。 Done conditions と DO NOT の組み合わせ次第で、 LLM は合格基準の中で intent を捨てる経路を選ぶ。実例と構造分析、対策チェックリスト。
続・LLMの相場環境認識は使えるのか——2.5ヶ月後、ブレイク判定だけが本物だった
3つのLLMで自動検証を続けて2.5ヶ月、665トレード。◎本命の弱さは維持され、○対抗の優位は縮小し、新しい軸『エントリー型』でブレイク判定にだけ本物のエッジが浮かび上がってきた。それでもユーザーはトレードしない。
開発担当 Claude Code に聞いてみた——LLMの相場環境認識は使えるのか
3つのLLMに毎朝デイトレ予想紙を出させ、バーチャルトレードで1ヶ月間自動検証した。本命が最弱で対抗が最強という逆転劇、その理由を開発担当に聞く。
git worktree でエージェントを並行実行する——5回失敗して動いた構成
Claude Code の isolation: worktree で並行リサーチを実行。origin/HEAD 問題、venv 独立問題、権限問題を1つずつ潰した記録
autoresearch と git — ブランチ、worktree、そしてエージェントが壊すもの
通貨ペアごとのブランチ管理、git worktree による並行実験、エージェントが最良の状態を壊す問題。autoresearch 700回の実験で見えた git 運用の知見
エージェントは保守的なオプティマイザーである——autoresearch 674回の実験から見えた分業
評価関数のバグを最大限に活用する設定を見つけてしまうエージェント。前提を疑えない AI と、探索空間を設計する人間。トレードログ分析と参考書のアイデアが突破口を開いた記録
バックテストが嘘をつく3つのレイヤー——M5 subtick 検証で見えた真実
PF 5.54 の最強戦略が、実は MT5 で実行不可能だった。バー解像度の罠、ブローカーの物理的制約、そして前提が崩れた後に残ったもの。autoresearch の M5 subtick 検証導入記
autoresearch は探索空間の設計がすべて——エージェントと人間の共同作業
200回の自動実験より、探索空間を1回設計し直す方がインパクトが大きい。IDEAS メモ、POSITION_TYPE システム、バージョン管理——autoresearch を「人間とエージェントの共同研究基盤」に進化させた記録
PF至上主義の罠——autoresearch 200回で見えた「回転率」という視点
profit factor を上げることだけに集中した70回の実験が壁にぶつかり、エージェントの分析レポートをヒントに人間が突破した話。トレード戦略における「質 vs 量」のトレードオフと、3日ウィンドウという新しい評価軸について
開発担当 Claude Code に聞いてみた——autoresearch を100回回してわかった7つのこと
Karpathy の autoresearch パターンでトレード戦略を自動探索してみた。100回以上の実験で見えた過学習の罠、方針転換の難しさ、そして「AIが発明したのはベテランの常識だった」という結論
開発担当 Claude Code に聞いてみた——自律ループの設計思想、autoresearch と ralph-loop
Karpathy の autoresearch と自作の ralph-loop。どちらも「AIが勝手に実験して改善する」ループだが、設計思想は正反対だった。開発担当 Claude Code に、トレード戦略のバックテストへの転用で見えた違いを聞いた