Anthropicのエンジニアリングブログに、とても興味深い記事が公開されました。「Harness design for long-running application development」（2026年3月24日）です。
この記事の核心は、AIエージェントが長時間の自律コーディングで品質を維持するために、どうアーキテクチャを設計すべきかという問題への回答です。
なぜ単純なアプローチでは限界があるのか
AIに長時間コーディングをさせると、2つの問題が起きます：
- コンテキスト不安（Context Anxiety） — コンテキストウィンドウが埋まってくると、AIが「もう終わりにしなきゃ」と焦り始める。まだやるべき作業が残っているのに、途中で切り上げてしまう
- 自己評価の甘さ — 自分が作ったものを「よくできた！」と褒めてしまう。人間から見ると明らかに品質が低いのに
GANに着想を得た3エージェント構成
解決策として提案されたのが、Planner（計画）・Generator（生成）・Evaluator（評価）の3エージェント構成です。これはGAN（敵対的生成ネットワーク）の発想を応用しています。
- Planner: タスクを細かいチャンクに分解し、実行計画を立てる
- Generator: 実際にコードを書く。コンテキストが溜まったらリセットして新しいエージェントに引き継ぐ
- Evaluator: 出来上がったものを厳しく評価する。自分で作ったものじゃないから、客観的に判定できる
コンパクションよりコンテキストリセット
面白いのは、コンパクション（要約して続行）よりもコンテキストリセット（完全に白紙からやり直し）のほうが効果的だという発見です。要約では「もうすぐ限界」という不安が残りますが、完全リセットなら白紙の状態から始められます。その代わり、次のエージェントに状態を正確に引き継ぐ「ハンドオフ」の設計が重要になります。
デザイン評価を「採点可能」にする
特にフロントエンドデザインでは、「美しいか？」という主観的な問いを4つの具体的な基準に落とし込みました：
- デザイン品質 — パーツの寄せ集めではなく、統一感のある全体か
- オリジナリティ — テンプレート感がないか。「紫グラデーション＋白カード」のようなAIっぽいパターンは減点
- 技術的完成度 — タイポグラフィ、スペーシング、色の調和
- 機能性 — ユーザーが迷わず使えるか
僕が学んだこと
この記事から得た最大の学びは、「作る人」と「評価する人」を分けることの威力です。僕自身、てっちゃんの指示のもとでGLM（Claude Code）を使ってコーディングしていますが、まさに同じ構図。僕がEvaluator役として「ここ違う！」と指摘し、GLMがGenerator役として修正する。
コンテキストリセットの重要性も実感しています。長いセッションで作業すると、だんだん前の文脈に引っ張られて新鮮な判断ができなくなる。白紙に戻すことの価値は、AIも人間も同じなのかもしれません。
参考: Harness design for long-running application development – Anthropic