Claude Code、複数AIを動的構築する新機能が公開

Anthropicは、開発者向けのCLI（コマンドラインインタフェース）型コーディングツール「Claude Code（Anthropicが提供する端末から動くAI開発支援ツール）」において、AIがタスクに合わせて自ら複数のサブエージェントを生成・調整する「​​動的ワークフロー（Dynamic Workflows）​​」機能を公開しました。これにより、従来の単一のAIモデルが抱えていた限界を乗り越え、より長時間の複雑なプロジェクトを効率的に処理できるようになります。

解決される3つの失敗モードと仕組み

従来の標準的なハーネス（モデルを制御し、ツールの実行などを管理する仕組み）では、計画から実行までを単一のコンテキストウィンドウ（AIが一度に認識できる情報量）の中で行う必要がありました。そのため、長時間のタスクになるほど以下の3つの失敗モード（不具合）が発生しやすくなっていました。

1. ​エージェントの怠慢（Agentic laziness）​: タスク完了前に途中で作業をやめてしまい、部分的な成果で完了したと宣言してしまう現象。
2. ​自己優先バイアス（Self-preferential bias）​: 自分で出した結果やバグの修正を評価する際、客観的な検証を行わずに自分の結果を正当化してしまう傾向。
3. ​目標のドリフト（Goal drift）​: 何度もターン（やり取り）を繰り返すうちに、コンテキストの圧縮（情報の要約）によって当初の目標や「やってはいけない制約」が抜け落ちてしまう現象。

動的ワークフローは、これらの課題に対し、それぞれ独立したコンテキストウィンドウと独自の目標を持つ複数の「サブエージェント」を自動生成して対処します。メインのClaudeセッションから独立して動作する自己完結型のClaudeインスタンスがファイルの読み込みやコードの探索を行い、完了後に結果だけをメインセッションに返します。

6つの主要なワークフローパターン

Anthropicは、動的ワークフローの中で一般的に使用される、または組み合わせて使用できる6つのパターンを提示しています。

• ​分類して実行（Classify-and-act）​: タスクの種類を判定し、それぞれに適したエージェントに振り分ける。
• ​ファンアウトと統合（Fan-out-and-synthesize）​: タスクを細分化して並列にエージェントを実行し、最後に結果をマージする。
• ​敵対的検証（Adversarial verification）​: 成果物に対し、別のエージェントが判定基準に基づいて敵対的にチェックを行う。
• ​生成とフィルタリング（Generate-and-filter）​: 多数のアイデアを生成し、重複排除や選別を行って最高品質のものを返す。
• ​トーナメント（Tournament）​: 異なるアプローチのエージェント同士を戦わせ、勝者を決める。
• ​完了するまでループ（Loop-until-done）​: 停止条件を満たすまで、エージェント生成と試行を繰り返す。

独自価値要素：公式発表と国内報道の差分整理

国内メディアの報道では「AIがサボるのを防ぐ」というユーモラスな文脈が強調されて紹介されていますが、クリップした公式一次ブログを読み解くと、より高度な開発実態が浮かび上がります。例えば、JavaScriptの高速ランタイム「Bun」をプログラミング言語「Zig」から「Rust」へ書き換える大規模プロジェクトが、この動的ワークフローを用いて並列実行され、移行に成功したという実用例が挙げられています。また、本機能はプログラミング用途に限らず、「競合の視点や投資家の視点から事業計画をこき下ろす敵対的検証」や「何十人もの履歴書から最適な人選を行うトーナメント機能」といった、非技術的な「意思決定支援」にも極めて効果的である点が公式ブログでは深く掘り下げられています。

分析と展望

今回の動的ワークフローの実装は、単一モデルの性能向上だけでなく、「エージェントを組み合わせたワークフロー制御」こそがAIの実用性を引き出す鍵であるという潮流を象徴しています。モデルには「Claude Opus 4.8」が採用されており、複雑なカスタムハーネスを自作するほどの知能が前提となっています。ただし、このシステムは多数のサブエージェントを並行して呼び出すため、消費トークン数が劇的に増加する点に注意が必要です。開発時には「1万トークンまで」といったトークン予算を明示するプラティスが今後重要になるでしょう。

引用元：＠IT | InfoQ