
AIエージェントの本質は「whileループ」だった
最近、AIエージェント周りの話題を追っていると、「プロンプトをどう書くか」だけでは説明しきれない流れが出てきています。
Claude CodeやCodexのようなAIコーディングエージェントを使っていると、AIは一発で正解を出すというより、
調べる
直す
テストする
失敗ログを読む
もう一度直す
というループで動いていることに気づきます。
つまり、AIエージェントの本質は「賢い回答」ではなく、「観測して修正するループ」なのではないか。
今回は、最近話題になっているAgent LoopとLoop Engineeringについて、自分なりに整理してみます。
いまAIエージェントの「ループ」が注目されている
2025年から2026年にかけて、AIエージェントをめぐる空気が変わりました。
OpenAIが「A practical guide to building agents(AIエージェント構築の実践ガイド)」という公式ドキュメントを公開しました。製品チームやエンジニアリングチーム向けに、実際の顧客事例から得られた知見をまとめたもので、特に注目されているのは、AIを動かす「run(実行単位)」がツール呼び出しや終了条件まで繰り返すループとして設計・説明されている点です。
公式ドキュメントのこの構造から、エージェントをループとして理解できる、という見方が広まっています。
Claude Code、Codex(OpenAI)、Cursor、DevinのようなAIコーディング環境が実用域に入ってきたことも大きい。個人開発者でも、AIエージェントに「調査→実装→テスト→修正→再テスト」のループを回させてアプリやゲームを作る事例が出てきています。
そして2026年6月、「Prompt Engineering(プロンプトエンジニアリング)」の次の概念として、「Loop Engineering(ループエンジニアリング)」という言葉が広まり始めました。GoogleのエンジニアリングリーダーであるAddy Osmaniが発表した記事が火付け役となり、O'Reillyのレーダーにも掲載されるなど話題になっています。
以前のAI活用は「質問して、答えをもらう」でした。
でも今のAIエージェントは、「作業して、結果を見て、直して、また試す」で動きます。
つまり、AIとの付き合い方が「チャット」から「作業ループ」へと変わりつつある。
これがわかると、Claude CodeやCodexをどう使えばいいか、なぜうまく動くときと動かないときがあるのかが、ずっとクリアになります。
AIエージェントは「1回聞いて終わり」ではない
まず、普通のAIチャットとAIエージェントの違いを整理します。
普通のAIチャットは、こういう流れです。
ユーザーが質問する
モデルが回答する
基本的には1往復で終わる
ChatGPTやClaudeに「この関数を説明して」と聞いて、答えをもらう。これは1回のモデル呼び出しです。
AIエージェントは、こうなります。
ユーザーが目的を与える
モデルが次にやることを決める
必要ならツールを呼ぶ(ファイルを読む、コードを実行する、Web検索するなど)
ツール結果を読む
さらに次の判断をする
完了条件まで繰り返す
この違いを、考え方として疑似コードで表現するとこうなります(実際の実装ではありません)。
# 考え方を示す疑似コード
while not done:
thought = model(context) # モデルを呼ぶ
action = decide_next_action(thought)
if action.type == "tool_call":
result = run_tool(action) # ツールを実行する
context.append(result) # 結果を文脈に追加する
elif action.type == "final_answer":
done = True
return action.output # 完了
if too_many_steps:
raise Exception("max turns exceeded") # 上限で止めるポイントはループです。モデルを呼ぶ → ツールを使う → 結果をコンテキストに追加する → もう一度モデルを呼ぶ。この繰り返しがAIエージェントの本体です。
OpenAIのAgents SDKに見るAgent Loopの構造
OpenAIのAgents SDK(公式ライブラリ)には、`Runner.run()` というメソッドがあります。これを呼ぶと、AIエージェントは以下の流れでループを回します。
ステップ1:モデルを呼ぶ
現在の入力と文脈(コンテキスト)をもとにLLMを呼び出します。
ステップ2:出力を判定する
モデルの出力に応じて、次の動作が変わります。
最終出力(final output)が返ってきた場合 → ループ終了
ハンドオフ(handoff)が返ってきた場合 → 別のエージェントへ切り替えてループ継続
ツール呼び出し(tool call)が返ってきた場合 → ツールを実行してループ継続
ステップ3:ツール結果を追加して再実行
ツールを使った場合は、その結果をコンテキストに追加して、もう一度モデルを呼びます。
ステップ4:終了条件の確認
`max_turns`(最大ターン数)を超えると例外が発生してループが止まります。
ここで重要なのは「ツールの結果をAIに戻す」というステップです。
ただのチャットなら、AIが「〇〇ファイルを見てください」と言って終わりです。しかしエージェントは、AIが「このファイルを読め」と指示したら、実際にファイルを読んで、その内容をコンテキストに追加して、AIにまた渡します。
結果を観測して、次の行動を変える。だからエージェントになる。
この「観測してフィードバックする」ステップを省略すると、どれだけ高性能なモデルを使っても、ただの「ツール付きチャット」です。
Loop Engineeringとは何か
2026年6月、Addy Osmani(Googleのエンジニアリングリーダー)が「Loop Engineering」という概念を発表しました。ブログだけでなく、O'Reilly RadarやSubstackでも公開され、話題になっています。
Osmani氏の考えをわかりやすく言い換えると、こうなります。
Loop Engineeringとは、「自分がエージェントにプロンプトを送り続ける役割」を、自動化されたシステムに委譲すること。AIに指示するのではなく、AIが指示を受け続ける仕組みを設計すること。
つまり、AIエージェントが目的を達成するまで反復できるように、目的・文脈・ツール・観測方法・検証基準・終了条件・安全策を設計することがLoop Engineeringです。
Prompt Engineeringとの違いをざっくり言うと、
Prompt Engineering:「1回のモデル呼び出し」をよくするために、どんな入力を渡すかを工夫する技術
Loop Engineering:「何回、どの条件でモデルを呼ぶか」「ツールをどう使わせるか」「どこで止めるか」「人間がどこで介入するか」を設計する技術
比喩で言えば、
Prompt Engineeringは「良い指示文を書く技術」。
Loop Engineeringは「AIが作業し続ける作業場を設計する技術」。
料理で例えるなら、Prompt Engineeringは「シェフに良いレシピを渡すこと」。Loop Engineeringは「シェフが自動で食材を確認し、調理し、味見し、調整し続ける厨房全体を設計すること」です。
Kilo AIの解説では、Loop Engineeringのサイクルを「インテント(目的)→ コンテキスト(文脈)→ アクション(行動)→ オブザベーション(観測)→ アジャストメント(調整)」という5段階でまとめています。
Osmani氏の記事では、ループを構成する要素として「Automations(自動化)・Worktrees(並列作業ツリー)・Skills(スキル文書)・Connectors(外部ツール連携)・Sub-agents(副エージェント)」の5つが挙げられており、Claude CodeとCodexはすでにこれらを備えている、とも書かれています。
Agent Loopの基本構造:5つの要素
Agent Loopを自分で設計するとき、意識すべき5つの要素があります。
Goal(目的):何をするかを具体的に
目的はできるだけ具体的に書きます。
よくない例:
このアプリをいい感じにして良い例:
ログイン画面でパスワード表示切替ボタンを追加し、
既存のUIスタイル(tailwindのbtn-primaryクラス)に合わせてください。
既存のテストを実行し、全て通ることを確認してください。「いい感じ」は人間でも定義できないので、AIはなんでも変えようとします。「何をもって完了とするか」を一緒に書くと、ループの終了条件が明確になります。
Context(文脈):背景情報を整える
AIエージェントは、文脈がないと危険な推測をします。「なんとなく動いてそう」な実装をする、既存パターンを無視した別スタイルで書く、関係のないファイルを変更する——これらは文脈不足が原因であることがほとんどです。
Claude Codeなら、最初に「まず関連ファイルを調査してください」と書くだけで、コードベースを把握してから作業を始めます。このひと手間が、結果の精度を大きく変えます。
Action(行動):小さく動かす
AIに一気に大改造させないことが重要です。小さく変更して、小さく確認する。変更範囲が小さいほど、問題が起きたときに原因を特定しやすくなります。
Claude Codeに「できる限り手を加えないこと」「不要なリファクタリングをしないこと」と伝えると、過剰な変更を抑えられます。
Observation(観測):外部の目で確認する
ここがAgent Loopの心臓部です。
AIが「できました」と言うだけでは不十分。AIは自信を持って間違えることがあります。外部の観測結果で確認することが必要です。
観測の材料としては、テスト結果・型チェック・lint・ビルド結果・実行ログ・差分(git diff)などがあります。これらの結果がAIに戻ることで、エージェントは「自分が正しいかどうか」を判断できます。
特にClaude Codeを触っている人は、この感覚がかなりわかると思います。AIに「直して」と頼むだけではなく、「調べて、直して、テストして、失敗したらログを読んで再修正して」と頼むと、急にエージェントらしくなります。
Adjustment(調整):失敗を読んで次に活かす
テストが落ちた場合、良いエージェントはこう動きます。
失敗ログを読む
原因を推測する
該当ファイルを確認する
修正する
再テストする
人間が毎回「次はここを直して」と指示するのではなく、AIが失敗を読んで自ら次の行動を変える。この自己修正ループが、AIエージェントらしさの中心です。
ただし、修正回数には上限を設けてください。「何回失敗しても諦めず直し続ける」は、実際には同じ間違いを繰り返したり、場当たり的な修正で問題を隠蔽したりするリスクがあります。
Claude Codeで使えるループ設計の例
Claude Codeを使うとき、「何をするか」だけでなく「どう確認するか」「どこで止まるか」まで書くと、ループの質が大きく上がります。
バグ修正ループの例
ログイン画面で発生している500エラーを調査してください。
進め方:
1. まず関連ファイルとエラーログを確認する
2. 原因候補を3つ以内に整理して、作業前に報告する
3. 最小限の修正を行う
4. 既存のテストを実行する
失敗した場合:
- 失敗ログを読んで修正を試みること
- 最大3回まで試みること
- 3回で解決しない場合は停止し、原因候補と未解決点を報告すること
禁止:
- 無関係なファイルの変更
- 仕様外の機能追加
- テストを削除して通す行為個人開発ループの例
小さなWebアプリを作ってください。
目的:
[作りたいアプリを書く]
進め方:
1. 要件を箇条書きで整理してください
2. 最小構成を提案してください
3. 最小実装を行ってください
4. 起動方法をREADMEに書いてください
5. エラーが出た場合はログを読んで修正してください
終了条件:
- ローカルで起動できる
- READMEの手順で再現できる
- 主要機能が1つ動く個人開発者のGTA風ゲーム開発が見せてくれたもの
2026年6月、AI startup Hyperechoを創業した25歳のZiwen Xuが、Xで毎日進捗を投稿しながらゲームを開発するプロジェクトが大きく話題になりました。
Xu氏本人が「a loop of AI agents でGTA6クラスのオープンワールドゲームを作る」と宣言して始まったプロジェクトで、Claudeを中心にAIエージェントを連鎖させた「vibe coding」と呼ばれる手法で進めています。メディアでは「GT-Caliber」と紹介されることもありますが、Xu氏自身の表現は "GTA-VI-caliber open-world game"(GTA6に匹敵するクオリティのゲーム)です。
※ Grand Theft Auto / GTA6 はRockstar Gamesの商標・著作物です。このプロジェクトはRockstar Gamesとは無関係の個人開発プロジェクトです。商用化や配布には権利面での確認が必要になります。
進捗の概要(複数メディアで確認できた範囲):
Day 1:基本的な3D環境が出来上がり、キャラクターが動き始める
Day 3:NPCが歩き、車が走り、武器システムが入り、影と反射も動作し始める
Day 4:NPCと車にモデルが付き、実際の運転システム、交通ルールが追加される
Day 7:街全体が生成されるが、Claudeが誤ってマイアミではなくロサンゼルスを作ってしまう
Day 8:全エージェントが一斉にゲームを起動してスクリーンショットを撮ろうとしたせいで、Macが落ちる
エンジンもGodot → Unreal Engine 5と複数回変更しており、混乱やエンジン変更、やり直しが伴う開発です。
これは「AIが魔法でゲームを作った」という話ではありません。
人間が目的を与え、AIに実装させ、結果を確認し、次の課題を与えるループが機能している事例として見るべきです。間違った都市を作ってしまった、エンジンが合わなかった、Macが落ちた——これらの失敗も含めて、Agent Loopらしい開発プロセスです。
Xu氏はClaude Max 20x(大量トークンを使用できるプラン)にアップグレードしていましたが、それでも1日で週の使用量の33%を消費することがありました。トークンコストは、Agent Loopを設計するうえで無視できない要素です。
良いAgent Loopの条件
ループを設計するとき、意識したい6つのポイントをまとめます。
目的が明確 — 「何をもって完了とするか」が書いてあること。曖昧な目的だとループが迷走します。
観測可能 — テスト、ログ、ビルド、差分など、AIが結果を見て判断できる材料があること。
小さく進める — 大きな変更を一度にやらせない。小さく変更して、小さく検証する。
終了条件がある — 最大ターン数、最大試行回数、エラー時停止などを明示する。
人間の介入点がある — 仕様が曖昧なとき、大量ファイルを変更するとき、外部APIや本番環境に触るとき、課金・セキュリティ・データ削除が関わるときは人間の確認を挟む。
ログが残る — AIが何をしたか、なぜそうしたかを後から追えること。
なぜ今、ループ設計が重要になったのか
モデルがツールを使えるようになった — ファイルを読む、コードを実行する、Web検索する、テストを実行する。ループを回す素材が揃ってきました。
コーディングエージェントが実用域に入った — Claude Code、Codex、Cursor、Devin系のツールは、複数ファイルをまたいで変更し、テストを実行し、失敗ログを読んで自己修正できるレベルになっています。
単発プロンプトでは実務の複雑さに耐えにくい — 既存の実装パターン、依存関係、テスト、環境差分、エッジケース……これらをすべて一発のプロンプトで扱うのは現実的ではありません。
観測できる作業はAIに向いている — テストが通るか、ビルドできるか、ファイルが生成されたか。これらは機械的に確認できます。観測できる作業は、ループに乗せやすい。
そして、人間の役割が変わる。
直接コードを書く人 → AIに指示を送る人 → AIが働くループを設計する人。
Agent Loopのリスクと注意点
良いことばかりではありません。
コスト — ループが長くなると、トークン消費が大幅に増えます。1タスクで想定外のコストが発生することも。
品質 — 間違った方向に自己修正し続けたり、テストにだけ過剰適合したりするリスクがあります。
安全性 — 禁止していないファイルまで変更したり、本番環境で危険な操作をしてしまう可能性があります。
著作権・商標 — AIが生成したコードや文章に、意図せず権利上の問題が含まれることがあります。
対策としては、最大試行回数を決める、変更前に計画を出させる、差分を確認する、本番操作を禁止する、危険操作には人間承認を挟む、ログを残す——といった設計が有効です。
これからの開発者に必要なこと
重要なのは、AIに一発で正解を出させることではありません。
AIが間違えても観測し、直し、また試せる構造を作ること。つまり、開発者は「答えを聞く人」から、「AIが働くループを設計する人」へと変わっていきます。
そのために必要なスキルを整理すると:
目的を具体的に分解する力
検証可能な作業に落とし込む力
テストを書く力(AIの自己検証に使われる)
ログを読む力
AIの出力をレビューする力
安全な自動化範囲を判断する力
そしてループそのものを設計する力
まずは大きな自動化を狙わなくてよいです。
「調べる → 直す → テストする → 失敗を読む → もう一度直す」
この小さなループをClaude Codeに任せるところから始めると、AIエージェントの本質が自然と見えてきます。
Claude Codeで試せる小さなAgent Loop例
次のプロンプトをClaude Codeに渡してみてください。小さくてもAgent Loopの本質を体験できます。
このリポジトリのREADMEを読み、次の作業を行ってください。
目的:
src/ 配下にある未使用のimport文を1ファイルだけ選んで削除してください。
進め方:
1. まずREADMEとpackage.jsonを読んでください
2. 未使用importがあるファイルを1つ特定してください
3. 変更前に「どのファイルの何行目を変更するか」を報告してください
4. 最小限の変更を行ってください
5. lintまたは型チェックを実行してください(使えるものだけ)
6. 失敗した場合はログを読んで修正してください(最大2回)
7. 完了後、変更内容を1〜2行で要約してください
禁止:
- 複数ファイルの同時変更
- リファクタリング(import削除以外の変更)
- テストの変更これだけで「調査 → 確認 → 実行 → 観測 → 調整」という小さなAgent Loopが動きます。
より技術メモ寄りに整理した版は、GitHub Pages側にも残しておく予定です。
参考情報
OpenAIのAgents SDKでは、`Runner.run` がどのようにAgent Loopを回すか(LLM呼び出し→tool call→result追加→再実行→終了)が説明されています。
→ OpenAI Agents SDK — Running agents
OpenAIのエージェント構築実践ガイド(英語、34ページのPDF)。runがループとして設計されていることが説明されています。
→ OpenAI "A practical guide to building agents"
Addy OsmaniによるLoop Engineering解説記事。Prompt Engineeringとの違い、5つの構成要素など。
→ Addy Osmani "Loop Engineering"(ブログ)
→ 同記事(O'Reilly Radar)
Kilo AIによるLoop Engineering解説。5段階サイクル(インテント→コンテキスト→アクション→観測→調整)の説明。
→ Kilo AI — What Is Loop Engineering?
Ziwen Xu氏のX投稿(AIエージェントのループを使ったGTA風オープンワールドゲーム開発)。
→ Ziwen Xu (@ziwenxu_) のXアカウント
プロジェクトの概要はGizmodoなど複数メディアで紹介されています。
→ GT-Caliberプロジェクト紹介(Gizmodo)