サービスを見る

AI開発の​主戦場は、​モデル比較から​「作業環境」へ​移った​ ──モデルは​脳、​harnessは​職場

AI開発の話題はいまも「GPTが強い」「Claudeが賢い」のモデル比較で盛り上がる。でも毎日AIにコードを書かせていると、差がつくのはそこだけではないと分かる。賢い脳を雇っても、repoのルールを知らない・作業ブランチが混ざる・過去の判断を忘れる・レビューが浅い・秘密値を読む——職場が散らかっていると成果が積み上がらない。2026年6月の更新を並べると、その職場のほうが動き出している：GitHub Desktop 3.6（worktree/AGENTS.md/model picker/BYOK/conflict支援）、低遅延の MAI-Code-1-Flash（高頻度反復向け）、深さを設定できる Copilot コードレビュー（review depth/MCP/skills/grep・rg・glob・view）、OpenAI Codex の worktrees/PR/review/automations。さらに codebase-memory-mcp（repoをナレッジグラフ化し構造検索・MIT・約19,600★）、headroom（文脈圧縮・Apache-2.0・約53,000★）、SkillSpector（スキル/MCPの脆弱性スキャン・約11,300★）が記憶・圧縮・安全という職場インフラを担う。CAGが受託で標準化している5点＝worktree（机）/AGENTS.md・docs/TASKS（就業規則）/repo記憶（資料棚）/レビューゲート（上司）/MCP権限の棚卸し（鍵）も一次情報として紹介。結論は足し算でなく掛け算＝強いモデル×整った作業環境。モデル比較だけ見ている人はAI開発の作業台を見落としている。数値は公式/GitHub上の主張でCAG非検証。

甲斐ショウジ甲斐ショウジ
CAG主宰／合同会社ATK CAIO（最高AI責任者）
技術12分で読めます
技術AI開発の主戦場は、モデル比較から「作業環境」へ移った ──モデルは脳、harnessは職場

技術ノート ｜ AI駆動開発の現場から

AI開発の話題は、いまも「GPTが強い」「Claudeが賢い」「Copilotが便利」というモデル比較で盛り上がる。けれど毎日AIにコードを書かせていると、差がつく場所はそこだけではないと分かってくる。賢いモデルを入れても、repoのルールを知らない・作業ブランチが混ざる・過去の判断を忘れる・レビューが浅い・読ませてはいけない秘密値を読む。これでは、どれだけ優秀な"脳"を雇っても、職場が散らかっていて成果が積み上がらない。

2026年6月の更新を並べると、その「職場」のほうが動き出しているのが見える。GitHub Desktop 3.6、Copilot 向けの低遅延モデル MAI-Code-1-Flash、深さを設定できる Copilot コードレビュー、そして repo の記憶・文脈圧縮・スキル安全を担う周辺ツール群。AI開発の主戦場は、モデル単体から「AIが働く作業環境（harness）」へ広がっている。[1]

この記事は、私たち電脳技巧集団（AI職人ギルド）が毎日 Claude Code や Codex を使って受託開発を回している現場の視点から、この流れを整理する。要点を先に言うと——モデルは脳、harness は職場。職場が弱いと、強い脳も仕事にならない。なお外部ツールの数値やスター数は確認時点（2026-06-29）のGitHub・公式情報に基づくもので、CAGが独自に検証したものではない。

ダークな開発作業環境。中央にAIの脳を表す発光ノード、周囲に分離された作業ブランチ（worktree）のタブ、ルールを書いたAGENTS.mdパネル、構造化されたコード記憶の索引、レビューゲートのチェック画面。脳が整った職場で働いている様子。シアンとゴールドのアクセント
強いモデル（脳）を、迷わず働ける作業環境（職場）に住まわせる。2026年のAI開発で差がつくのは、その設計のほうだ

01脳は​雇った。​でも​職場が​壊れている

現場の困りごとから始めたい。AIコーディングを本気で回すと、最初にぶつかるのは「モデルが賢いか」ではなく、同じ失敗が繰り返されることだ。原因をたどると、たいていモデルではなく作業環境にある。

強い脳でも、職場が壊れていると成果が積み上がらない モデル ＝脳 ルールを知らないrepo固有の作法が無い ブランチが混ざる並行作業が衝突 過去を忘れる判断の記憶が無い レビューが浅い重要変更も素通り 秘密値を読む権限が広すぎる
同じミスが繰り返される原因は、たいていモデルではなく「職場の壊れ」。ルール不在・ブランチ混在・記憶喪失・浅いレビュー・過剰な権限

面白いのは、これらが全部「モデルを別のものに替えても直らない」ことだ。GPTをClaudeにしても、repoのルールは伝わらないし、過去の判断は思い出せない。直すべきは脳ではなく、脳が働く環境のほう。そして2026年6月、まさにその環境が業界全体で更新され始めた。

02GitHubも​OpenAIも、​同じ方​向を​向いている

象徴的なのが GitHub Desktop 3.6 だ。これまで「Gitのクライアント」だったツールが、worktree（作業ブランチの分離）、AGENTS.md / copilot-instructions の参照、モデルピッカー、BYOK（自前のAPIキー持ち込み）、マージコンフリクト支援を同じGit作業面にまとめて入れてきた。[2] commitメッセージの生成も、repoの基準（AGENTS.md 等）に合わせる前提になっている。「AIをどこに置くか」ではなく「AIが働く作業台ごと作る」発想だ。

別々のプロダクトが、同じ「作業環境」へ収束している 作業環境harness GitHub Desktop 3.6worktree / AGENTS.md / model picker Copilot code reviewreview深度 / MCP / skills / file tools OpenAI Codexworktrees / PR / review / automations
GitHub Desktop・Copilotコードレビュー・OpenAI Codex。狙う製品は違うのに、更新の中身は「AIが働く作業環境を整える」方向に揃ってきた

Copilotのコードレビューも同じだ。レビューの「深さ（review depth）」を組織のデフォルトとして設定でき、MCPサーバー・スキル、さらに grep / rg / glob / view といったCLI由来のファイル探索ツールを使ってコードを読み込むようになった。[3] レビューもまた「作業環境の設定対象」になったわけだ。OpenAI Codex の更新履歴も、pull request ワークフロー・レビューコメント・変更ファイル表示・worktrees・AGENTS.md・automations と、同じく作業環境の要素を前に出している。[4]

03脳を​タスクで​分ける​ ──全部に​最強モデルは​要らない

もうひとつの変化が、モデルを役割で使い分ける動きだ。GitHubは Copilot Business / Enterprise 向けに MAI-Code-1-Flash を一般提供した。位置づけは明確で、低遅延・高頻度の agentic coding ワークフロー向け——つまり重い設計判断ではなく、軽くて回数の多い反復タスクを担うモデルだ。[5]

タスクの重さでモデルを振り分ける（router） 入ってくる仕事設計 / 修正 / 反復 / 調査 振分 強いモデル（max級）設計・抽象化・セキュリティ・難バグ 低遅延モデル（Flash級）高頻度・軽い反復・素早い下書き
重い判断は強いモデル、軽く回数の多い反復は低遅延モデルへ。Copilotレビューの「深さ」設定も同じ発想＝重要変更だけ深く読む

これはコードレビューの「深さ」を変えられる話と地続きだ。軽微な変更は速く浅く、DB・認証・課金・RLSのような壊れると痛い変更は深く。脳もレビューも「常に最強・常に全力」ではなく、タスクの重さに合わせて強度を選ぶ。コストと速度を無駄にせず、肝心なところに重さを寄せる——これも立派な作業環境の設計だ。

04記憶・圧縮・安全 ──脳を​支える​"職場インフラ"

作業環境を支える周辺ツールも育っている。GitHub上で伸びている3つのrepoが分かりやすい（数値はいずれも確認時点のGitHub・README上の主張で、第三者再現やCAGの検証ではない）。

役割ツール（OSS）何を解決するか
記憶codebase-memory-mcp
MIT・約19,600★		repoをナレッジグラフ化し、agentが総当たりで読まず構造検索できるMCPサーバー[6]
圧縮headroom
Apache-2.0・約53,000★		ツール出力・ログ・履歴・ファイルを圧縮し、Claude / Codex 等を横断する文脈レイヤー[7]
安全SkillSpector
Apache-2.0・約11,300★		スキルやMCPの脆弱性・悪意あるパターンを導入前にスキャン（最小権限の発想）[8]

※ スター数・性能値は2026-06-29時点のGitHub/READMEの記載。話題性の目安であって品質保証ではない（ライセンス・更新頻度・セキュリティを別途確認すべき）。codebase-memory-mcp の「トークン大幅削減」等の数値もREADME上の主張で、第三者再現は未確認。

並べると役割分担が見えてくる。記憶はrepoの構造を覚え、毎回全文を読ませない。圧縮は長いログやツール出力を要点に畳んで文脈を節約する。安全はスキルやMCPを増やすほど広がる攻撃面を、入れる前に点検する。どれも「モデルの賢さ」とは別の、職場の設備だ。脳が優秀でも、机が無く・記憶が無く・施錠も無い職場では、まともに働けない。

MCPは権限レイヤーだ、の記事サムネイル 関連記事 ｜ スキル/MCPを増やす前に読む"安全"の話MCPは便利な拡張機能ではなく、権限レイヤーだ →

05CAGの​作業台 ──​私たちが標準化している​こと

ここからは現場の一次情報だ。私たちは受託開発でClaude CodeやCodexを毎日使うが、案件の品質を決めているのは「どのモデルを選ぶか」より、どのrepoでも同じ"作業台"を最初に組むことだと感じている。長く触るrepo（GMJ系・CAG・マルチテナント基盤など）では、次の5点を標準化している。

ダークな開発作業台のUIモック。左にworktreeで分離された複数の作業ブランチのタブ、中央にAGENTS.mdのルールとdocs/TASKSのチェックリスト、右に構造化されたコード記憶の索引とレビューゲート（軽微は高速・重要は深く）、下にMCP権限の棚卸し表。シアンとゴールド
どのrepoでも最初に同じ作業台を組む。worktree＝机、AGENTS.md＝就業規則、記憶＝資料棚、レビューゲート＝上司、MCP棚卸し＝鍵の管理
  • worktree（机を分ける）：作業単位ごとにブランチを物理的に分離し、agentの並行作業が混ざらないようにする。1つの机で複数の仕事を広げない。
  • AGENTS.md / docs/TASKS.md（就業規則）：repo固有のルール・禁止事項・検証コマンド・「人が承認すべき境界」を明文化する。新しい脳が来ても作法が伝わる。
  • repoの記憶（資料棚）：構造検索できる索引を用意し、毎回コードを総当たりで読ませない。文脈を節約し、調査を速くする。
  • レビューゲート（上司）：軽微な変更は速く、DB・RLS・認証・課金・外部送信のような壊れると痛い変更は深くレビューする。重さを使い分ける。
  • MCP・権限の棚卸し（鍵の管理）：agentが触れる範囲を最小に絞り、削除・デプロイ・外部送信・秘密値の読み取りは承認ゲートの内側に置く。

この5点は、どれも特定のモデルに依存しない。だからモデルが新しくなっても作り直す必要がなく、むしろ新モデルの差分検証がやりやすくなる。「最強モデルが来た」ときに慌てて飛びつくのではなく、整った作業台で旧モデルと並べて走らせ、自分たちの作法を守れるかを確かめる。脳を替える前に、職場が整っているか。これがCAGの順番だ。

最強モデルより強いharness、の記事サムネイル 関連記事 ｜ なぜ"最強モデル選び"だけでは足りないか「最強モデル」より「強いharness」── frontier AIが"政策で止まる"時代のエージェント設計 →

06とは​いえ ──「職場さえ​整えれば」も​誇張だ

誤解されないように、反対側も正直に書く。「モデル比較は終わった」「repo indexを入れれば全部解決」と言うのは、どちらも言い過ぎだ。差がつく軸が増えただけで、モデル性能が要らなくなったわけではない。

  • モデル性能はまだ重要。設計・抽象化・セキュリティ判断・未知のバグ調査では、強いモデルがはっきり効く。職場を整えたうえで、肝心な仕事には強い脳を使う。
  • 記憶は古くなる。間違った記憶・古いindexは、agentを自信たっぷりに誤誘導する。記憶は「正」ではなく「補助」で、元の文書へ戻れる設計を残す。
  • 圧縮は情報を落とす。長いログを畳むのは便利だが、DB/RLS/セキュリティの微妙な差分を落とすことがある。重要判断では原文に戻れるようにする。
  • worktreeは万能ではない。机は分けられても、DBマイグレーション・環境変数・Vercel/Supabaseのような共有された外部状態は分離されない。ここは別の注意が要る。
  • スキル・MCPは増えるほど危ない。便利さと攻撃面はセットで増える。導入前スキャンと最小権限を前提にする。

だから結論は足し算ではなく掛け算だ。強いモデル × 整った作業環境。どちらかがゼロなら成果もゼロに近づく。モデル比較だけを見ている人は、AI開発の作業台を見落としている。逆に、worktree・AGENTS.md・記憶・レビューゲート・権限の棚卸しを整えた人は、どのモデルが来ても淡々と成果を出せる。次に差がつくのは、脳の銘柄ではなく職場の設計のほうだ。

AI開発の見方モデル比較だけモデル × 作業環境（harness）
問いどれが賢いかどの職場で働かせるか
repoの作法毎回モデル任せAGENTS.mdで明文化・継承
並行作業ブランチが混ざるworktreeで机を分ける
過去の判断毎回忘れる記憶（索引）で構造検索
レビュー一律・浅い重さで深さを使い分け
新モデル対応来るたび作り直し同じ作業台で差分検証

※ 上表は「見方」の対比であり、モデル性能を軽視するものではない。差がつくのは「モデル性能 ＋ 作業環境」の掛け算。外部ツールの数値は公式/GitHub上の主張でCAG非検証。

出典・脚注

  1. 本記事の主張「主戦場がモデル比較から作業環境比較へ広がっている」は、下記の複数更新が示す方向性に基づくKai（CAG）の観察・解釈。定量的な市場データではない。素材＝kai_wiki deep dive「AI開発の主戦場はモデル比較から作業環境比較へ移った」（2026-06-29・fact-check済）。
  2. GitHub Changelog「GitHub Desktop 3.6 — worktrees and deeper Copilot integration」（2026-06-26）。worktree対応、Copilotによるcommit authoring、merge conflict支援、model picker、BYOK、AGENTS.md / copilot-instructions 参照。
    https://github.blog/changelog/2026-06-26-github-desktop-3-6-worktrees-and-deeper-copilot-integration/
  3. GitHub Changelog「Copilot code review: analysis depth and efficiency updates」（2026-06-25）／「Shape Copilot code review around your team」（2026-06-02）。review depth、MCP servers、agent skills、grep/rg/glob/view 等のfile探索ツール、組織デフォルト設定。
    https://github.blog/changelog/2026-06-25-copilot-code-review-analysis-depth-and-efficiency-updates/
  4. OpenAI Codex Changelog。pull request ワークフロー、レビューコメント、変更ファイル、artifact viewer、automations、worktrees、AGENTS.md 等の作業環境要素。
    https://developers.openai.com/codex/changelog
  5. GitHub Changelog「MAI-Code-1-Flash for Copilot Business and Copilot Enterprise」（2026-06-26）。低遅延・高頻度の agentic coding ワークフロー向けとして一般提供。plan adminによるpolicy有効化が必要。
    https://github.blog/changelog/2026-06-26-mai-code-1-flash-for-copilot-business-and-copilot-enterprise/
  6. codebase-memory-mcp（DeusData・GitHub）。repoをナレッジグラフ化し構造検索できるMCPサーバー。MIT。確認時点（2026-06-29）約19,600★。性能値（トークン削減等）はREADME上の主張で第三者再現は未確認。
    https://github.com/DeusData/codebase-memory-mcp
  7. headroom（headroomlabs-ai・GitHub）。ツール出力・ログ・ファイル・履歴を圧縮し、cross-agentの文脈レイヤー/MCPを提供。Apache-2.0。確認時点 約53,000★。
    https://github.com/headroomlabs-ai/headroom
  8. SkillSpector（NVIDIA・GitHub）。AI agent skillsの脆弱性・悪意あるパターン・MCP最小権限などを検出するスキャナー。Apache-2.0。確認時点 約11,300★。
    https://github.com/NVIDIA/SkillSpector

AIが​迷わず働ける​"作業環境"を、​一緒に​整えませんか

AGENTS.md・worktree運用・repo記憶・レビューゲート・MCP権限設計まで、AI駆動開発の土台づくりをご相談いただけます。気軽にどうぞ。

CAGに相談する
技術AI駆動開発コーディングエージェントAGENTS.mdworktreeMCPGitHub CopilotCodex
Related関連記事技術をもっと見る→
GPT-5.6 Sol を、分かりやすく ──新モデルで本当に見るべきは「出し方」だった技術11分GPT-5.6 Sol を、分かりやすく ──新モデルで本当に見るべきは「出し方」だったOpenAIが2026年6月26日に限定プレビューを公開した次世代モデルGPT-5.6（フラッグシップの呼び名がSol、ほかにTerra/Luna）。新モデルはつい「どのベンチで勝ったか」で見がちだが、今回いちばん面白いのは性能表より“出し方”のほうだ。いきなり全公開せず、信頼できるパートナーへの限定プレビュー→API/Codex先行→広い展開と段階を踏み、System Card・自動レッドチーミング（A100換算 約70万GPU時間・自己申告値）・リアルタイム監視という層で囲んで出した。System Cardはサイバー/生物・化学を「High capability（Criticalには未到達）」と分類し、エージェント的コーディングでGPT-5.5より“ユーザー意図を超える行動”が増える傾向も正直に明記。max reasoning／ultra mode（サブエージェント活用）、Sol価格は入力$5・出力$30（100万トークンあたり）、Cerebras上で最大750トークン/秒（2026年7月・一部顧客から予定）。だから差がつくのは“最強モデルを選ぶ眼”でなく、強いモデルを安全に現場へ入れる運用の型——承認ゲート・権限の絞り込み・旧新の差分検証だ。新モデルが来たら、ベンチの順位を眺める前に自分の代表タスクを旧新で走らせ「賢くなったか」より「自分の作法を守れるか」を確かめる。情報紹介記事（数値はOpenAI公式・System Cardの主張に基づきCAG非検証）。AI動画は「プロンプト一発」から「HTMLで作る」へ ──HeyGenの“HyperFrames”という、動画をコードにする新しい潮流技術9分AI動画は「プロンプト一発」から「HTMLで作る」へ ──HeyGenの“HyperFrames”という、動画をコードにする新しい潮流「AIで動画」と聞くと、プロンプトを打てば数十秒で動画が出てくる体験を思い浮かべる。でも仕事で困るのは最初の生成でなく、直せるか・前と同じものを作れるか・ブランドを守れるか・どこを変えたか分かるか、のほう。HeyGenが公開したOSS「HyperFrames」が面白いのは、動画を魔法の出力でなくHTML/CSSで書く“コード”として扱う点。GitHubで公開数か月で3万超スター、Apache-2.0、npm v0.7.14（CAG非検証・公式/GitHubベース）。AIコーディングエージェント（Claude Code/Cursor/Codex等）から使う前提で、企画DESIGN.md→台本SCRIPT.md→絵コンテSTORYBOARD.md→HTML作成→lint/snapshotチェック→render の工程をskill（19個）として進める。diffで差分・lintで不備・snapshotで見た目確認・同じ入力で同じ動画＝Video-as-Code。Reactで動画のRemotionに対しHTML中心の別の賭け（置き換えでなく用途で選ぶ）。リリース/PR/ニュース/提案/SNSのテンプレ量産に向く。ただし一発で高品質ではない・目視チェック必須・Node22/FFmpeg/フォントの準備・クラウドやTTSは有料枠、という注意も。情報紹介記事。MCPは「便利な拡張機能」ではなく、AIに何を触らせるかの“権限レイヤー”だ ──GitHubが企業研修にした日、AI導入は“統制の設計”になった技術10分MCPは「便利な拡張機能」ではなく、AIに何を触らせるかの“権限レイヤー”だ ──GitHubが企業研修にした日、AI導入は“統制の設計”になったGitHubのExpert Servicesに「Copilot Agents and MCP」という4時間の企業向けトレーニングが載った。扱うのはCopilot Coding Agent・Agent mode・MCP servers、前提はGitHub Enterprise Cloud、目的にsecurity/complianceが入る。これはMCPが「開発者がローカルで試す便利ツール」から「会社が管理すべきAIエージェントの権限レイヤー」へ移ったサインだ。GitHub Docsでは、MCP設定後にCopilotがツールを自律利用し承認を求めないこと、リポジトリ単位のMCP設定がcloud agentとcode reviewに共有されることが明記されている＝個人の趣味設定でなくrepo governance。だから設計対象はagentの作り方でなく、5層（作業契約＝AGENTS.md／権限＝MCP／専門手順＝skills／検証＝hooks/eval/CI/review／記録＝logs/監査）。CAGはkai_wikiをMCPで配線し「読むのは自由・書けるのは決められた場所だけ」で運用、GMJ案件ではRLS・tenant分離・メール送信など危険な境界を最初に切る一次情報から、自社リポの棚卸し（Agent Readiness Audit）を提示。外部の機能はGitHub公式ベースでCAG非検証。AIエージェントは、チャット欄から「チームの作業場」に引っ越した ──Claude Tagが示す、次の競争軸は“作業場設計”技術10分AIエージェントは、チャット欄から「チームの作業場」に引っ越した ──Claude Tagが示す、次の競争軸は“作業場設計”2026-06-23、AnthropicがClaude Tagを発表した。Slackに@Claudeとして常駐し、選んだチャンネルとツールの文脈でタスクを受けるTeam/Enterprise beta。これを「SlackでClaudeが使える」と読むと半分しか見えない。本当に動いたのは、AIのUIが個人のチャット欄からチームの作業場へ引っ越したことだ。SlackのAgentforce、GitHubの社内分析agent Qubot、Claude Codeのauto modeも同じ地点へ寄っている。すると次の競争軸はpromptの上手さではなく、席（どのチャンネルか）・記憶・権限・監査ログ・担当範囲・成果物の置き場という“作業場設計”になる。CAGはLINE WORKSのトークルームに常駐するナレッジBotを実装してきた一次情報から、難所はAIの賢さでなく“何を知識として取り込むか”の境界だと知っている。メタ会話をingest段階で分離し、確定値をコードのガードで保護する。常駐AIを置く前のチェックリスト（席/記憶/権限/監査/担当/成果物）を提示。外部製品の機能・数値は各社公式・報道ベースでCAG非検証。「どのモデルが最強か」はもう古い ──Sakana Fuguが見せた、AIを束ねる”司令塔”の競争技術11分「どのモデルが最強か」はもう古い ──Sakana Fuguが見せた、AIを束ねる”司令塔”の競争「GPT・Claude・Geminiどれが最強か」はそろそろ古くなる。Sakana AIが2026-06-22にGA公開したFugu / Fugu Ultraが面白いのは、新しい巨大モデルを作ったからでなく、複数の強いモデルをどう呼び分け協調させるかを“モデルそのもの”にした点だ。モデル選択・役割分担・検証・やり直しを、外側のコードでなく学習済みの司令塔（coordinator）へ寄せる。OpenAI互換APIでbase_url/modelの差し替えで試せ、Codex CLIにはcodex-fuguラッパー。ルーターでもMixtureでもなく、TRINITY/Conductor基盤で役割（Thinker/Worker/Verifier）と協調・自己再帰を学習。ただし第三者初日検証では、軽いコード生成でfugu 55秒/2,141トークン vs fugu-ultra 269秒/28,950トークン（司令塔トークン込み）で品質差は限定的＝軽い仕事にUltra常用は割に合わない。司令塔トークンは可視だがモデル別呼び出しは見えず監査に不足しうる。導入軸はquality/latency/cost/traceability/governance、置き換えでなくadvisor/fallback/benchmarkとして測ってから。数値は各社公式主張/初日小サンプルでCAG非検証。「たくさん書けるAI」から「無駄を書かないAI」へ ──Agent Minimalism、上手さはAIに余計な仕事をさせないことへ技術10分「たくさん書けるAI」から「無駄を書かないAI」へ ──Agent Minimalism、上手さはAIに余計な仕事をさせないことへAIコーディングを使い込むと、悩みが「書けない」から「書きすぎ」に変わる。読ませるログが長すぎる、差分が大きすぎてレビューできない、標準機能で済むのに自作する——生成能力が飽和したあと残るのは“無駄”だ。2026年6月、この課題に別角度から答えるツールと研究が並んだ。入口を絞るheadroom（渡す前に文脈を圧縮・60〜95%削減は公式claim）、出口を絞るponytail（書く前にYAGNI→標準→最小実装を問う判断階段・平均−54%LOC等は自己ベンチ）、過程を測るHugging Face（最終答えでなくturns/tokens/errors/traceを測る）。鍵は「少ないコード≠雑なコード」——削っていいのは儀式と重複、削ってはいけないのは検証・セキュリティ・アクセシビリティ。AGENTS.mdに判断階段と測り方を契約として落とし、安全は別ゲートにする実装案まで。数値は各プロジェクトの公式claim/自己評価でCAG非検証、「Agent Minimalism」は本記事の整理概念。

言語化できるものは、全て作る。

あなたの「作りたい」を、定価とスピードで形に。まずは無料の相談から。

制作事例を見る