GitHub Issueを解決し続けるAIエージェント――ループエンジニアリングによるAI駆動開発の実践

AIにコードを書かせることは、もはや珍しくない。問題は「次」にある。1つのタスクをこなさせるのではなく、複数のタスクを自律的に、かつ安全に解決し続けさせることだ。それには「単にプロンプトを与える」のではなく、AIエージェント自体の運用体系を設計する必要がある。

ループエンジニアリングの核は「コマンド」「スキル」「ルール」という3層の分離にある。コマンドは業務フロー（「バグ修正の16ステップ」）、スキルは実行環境の知識（「テストコンテナのこの実行方法」）、ルールは全体を貫く制約（「どのコマンドを実行しても守るべき憲法」）という具合に、責任を明確に分ける。この分離により、フロー変更時にルール全体を書き直す必要がなくなり、制約を1つ追加するときも個々のコマンドを修正する手間を避けられる。さらに重要なのが、ルールを「一度書いたら終わり」にしない設計だ。ユーザーフィードバックをその場で吸収し、該当ルールファイルへ直ちに追記する。時間経過とともに深刻な手戻りが起きたら、短い禁止事項だけではなく「何が起きたか → なぜか → どう直したか → 今後どう防ぐか」という物語的な教訓を記録する。AIエージェントはこうした具体的で因果関係を持つ記述のほうが、抽象的な注意書きより理解しやすいのだ。

AIの鬼が驚くのは、実はここまでの設計において「人間がどこで決断するか」のほうが「何を自動化するか」より重要だという逆説だ。標準ワークフローにはループ制御がある。課題一覧から優先度の高いものを自動選択し、常に最新のmainから派生させブランチを切り、マージ確認後は人間からの報告を受けたら即座に次課題へ進む。ただし「どの課題から始めるか判断がつかない」など人間の判断でなければ決められない局面だけ、ループは停止する。つまりこれは「何でも自動化する」のではなく、機械的判断と人間判断の境界を明確に引く運用体系なのだ。

中小企業がAIエージェント導入を進めるとき、往々にして「とにかく自動化したい」という焦りが先行する。だが本当に効くのは「何を人間に返すか」の設計だ。