Anthropic の CCA 試験が示すアジェンティック・エンジニアリングの指針 — UC バークレー フランク・コイル氏

Anthropic の CCA 試験が示す「アジェンティック・エンジニアリング」の真髄：ループ、専門化、そしてコンテキスト管理

UC バークレーのフランク・コイル氏は、Anthropic が実施する「Claude Certified Architect（CCA）」試験を通じて、単なるプロンプト操作を超えた、本質的なシステム設計の指針を明らかにしました。この試験は実務の現場で直面する制約や課題をシミュレーションしており、その正解の背後にあるのは「何をしてはいけないか」という逆説的な知見です。

コイル氏によれば、アジェンティック AI の成功は、LLM が万能であるという幻想を捨て、ループ構造の厳密な管理、専門化されたエージェント構成、そしてコンテキストの賢い圧縮にかかっています。以下に、その核心となる設計原則を解説します。

LLM は「実行」せず、「パラメータ生成」する：ループと停止理由の監視

アジェンティック AI において最も誤解されやすい点の一つが、LLM がツールを実行すると考えてしまうことです。コイル氏は明確に指摘しています。「LLM は確率的な次の単語予測器であり、ツールを直接実行することはできません」。LLM の役割は、与えられた文脈から「どのようなパラメータでツールを呼ぶべきか」を判断し、出力することだけです。

この仕組みを理解した上で、システム側が実装すべきなのはループ構造と停止理由（stop reason）の監視です。以下のようなフローが基本となります。

1. LLM の呼び出し: プロンプトとツール定義を渡して LLM に指示を出します。
2. 停止理由の確認: LLM が返してきた結果の「停止理由」を確認します。これが tool_use であれば、LLM はツール実行を要求している状態です。
3. ツールの実行: 実際のコード側で、LLM が生成したパラメータを使ってツールを実行します。
4. ループの継続または終了: ツール実行結果を LLM にフィードバックし、再度判断を仰ぎます。これが stop_reason で「完了」や「トークン切れ」などを検知すれば、ループを終了させます。

「LLM がトークン切れで中途半端な回答をしてきた場合、それをそのまま信じてはいけません。停止理由を確認し、異常を検知して適切なアクション（再試行や人間へのエスカレーション）を取る必要があります。」

このように、ループを回すこと自体が目的ではなく、LLM の出力とシステム側の制御をどう連携させるかが重要です。

「万能エージェント」は禁物：専門化されたサブエージェントの設計

「一つのエージェントにすべての権限とツールを与えておけば楽だ」という考えは、アジェンティック AI における典型的なアンチパターンです。コイル氏はこれを「家に来た大工が、配管や電気工事まで何でもできると豪語しているようなもの」と例えています。

実際のシステム設計では、特定の機能に特化した専門化されたサブエージェントを構成し、それらをオーケストレーター（調整役）の下で連携させるべきです。これには二つの大きなメリットがあります。

1. コンテキストの汚染防止: エージェントごとに必要な情報だけを渡すことで、不要な情報が混入して判断が鈍るのを防ぎます。
2. グループシンクの回避: 複数のエージェントが互いの思考過程や詳細な背景を共有しすぎると、全員が同じ方向に流れてしまう「グループシンク」が発生します。各エージェントには、問題解決に必要な最小限の断片（スライス）だけを渡すことで、多角的で独立した判断を引き出せます。

コンテキスト爆発を防ぐ：要約と統合によるコスト最適化

「コンテキストウィンドウが 100 万トークンあるから、すべてを詰め込めばいい」という考えも危険です。コンテキストが増えすぎると、LLM の精度は低下し、何よりトークン数＝コストの増大を招きます。

コイル氏が推奨するのは、サブタスクの結果を主スレッドに直接出力せず、要約して統合するという手法です。各エージェントが生成した詳細な中間結果や思考プロセスは、次のステップへ引き継ぐ際に要約され、必要な情報のみがコンテキストに残ります。

これにより、トークン数を制限しつつ、システム全体の精度とコストバランスを最適化できます。また、Claude Code のようなツールを使う場合でも、プロジェクトの階層構造（トップレベル、フォルダ内、ディレクトリ内）に応じて .md ファイルでルールを設定し、文脈を適切に管理することが推奨されています。

実運用への示唆：自動化とバッチ処理によるコスト削減

試験対策としての知識だけでなく、実際の開発現場での運用においても重要な指針が提示されています。特に CI/CD（継続的インテグレーション・デリバリー）パイプラインにおいては、インタラクティブモードを避け、自動化とバッチ処理を活用することが重要です。

人間が対話しながら試行錯誤する「インタラクティブモード」は、アジェンティック AI の開発初期段階では有効ですが、本番環境や大量のタスク処理においてはコストと時間を浪費します。パイプラインを設計する際は、ループ構造を確立し、エラーハンドリングを含めた完全な自動化フローを構築することで、安定した運用を実現できます。

まとめ：「何をしてはいけないか」を知ることが設計の鍵

コイル氏は、「失敗は存在しない。あるのは『作ること』だけだ」という言葉を引用し、実験と試行錯誤の重要性を説きました。しかし、その試行錯誤の中で最も価値があるのは、「何をすべきでないか（アンチパターン）」を理解することです。

ループの停止理由を見逃さないこと、万能エージェントを作らないこと、コンテキストを無制限に増やさないこと。これらの制約を守ることが、安定したアジェンティック AI システムを構築する唯一の道なのです。CCA 試験は単なる資格取得のためのものではなく、こうした本質的な設計思考を問うための重要な指標となっています。