Anthropic公式：AIに"ダメ出し役"をつけると品質が上がる——GAN着想の3エージェントで長時間自律コーディングを実現

ポイント

• Anthropic LabsがGAN着想のマルチエージェントアーキテクチャを公開——生成エージェントと評価エージェントを分離し、長時間自律コーディングの品質を大幅に向上
• 「AIは自分の仕事を正しく評価できない」問題への解法——独立した評価者に厳しくダメ出しさせることで、デザインもコードも品質が上がる
• 1行プロンプトからフルスタックアプリを4時間・$124で自律生成する実例を公開

何が起きたか

Anthropic Labsの Prithvi Rajasekaran氏が、長時間自律コーディングのための新しいハーネス（エージェント制御基盤）設計を公開した。GAN（敵対的生成ネットワーク）にインスピレーションを得たPlanner → Generator → Evaluator の3エージェント構成で、数時間にわたる自律的なフルスタックアプリケーション開発を実現している。

一次ソース: Anthropic Engineering Blog

なぜ単純な実装ではダメなのか

Anthropicが特定した2つの根本的な課題がある。

1. コンテキスト不安（Context Anxiety）

長時間タスクでコンテキストウィンドウが埋まるにつれ、モデルの一貫性が低下する。さらに一部のモデル（Sonnet 4.5）は、コンテキスト上限に近づくと作業を途中で切り上げてしまう「コンテキスト不安」を示す。

対策: コンテキストリセット（ウィンドウを完全クリアして新しいエージェントを起動し、構造化された引き継ぎで状態を受け渡す）。コンパクション（会話の要約）とは異なり、エージェントに完全なクリーンスレートを提供する。

2. 自己評価の甘さ

エージェントは自分が生成した成果物を評価すると、品質が明らかに低くても「よくできている」と自信を持って回答する。デザインのような主観的タスクでは特に顕著で、バイナリテスト（テストの合否）がない領域では品質判定が甘くなる。

対策: 生成と評価を別エージェントに分離する。評価者を懐疑的にチューニングする方が、生成者を自己批判的にするよりもはるかに容易。

3エージェントアーキテクチャの詳細

エージェント	役割	特徴
Planner	1〜4文のプロンプトをフル仕様書に展開	技術詳細より製品コンテキストに集中。AI機能の組み込みも指示
Generator	スプリント単位で実装	React + Vite + FastAPI + SQLite/PostgreSQL。git管理付き
Evaluator	Playwright MCPでアプリを実操作してQA	各基準にハードしきい値。不合格なら具体的フィードバック付きで差し戻し

スプリント契約（Sprint Contract）

各スプリント開始前に、GeneratorとEvaluatorが「完了の定義」を交渉する。GeneratorはQAのやり方を提案し、Evaluatorが「正しいものを作っているか」をレビュー。合意してからコーディングに入る。

評価者のQAの実例

Evaluatorが実際に検出したバグの例：

• 「矩形塗りつぶしツール」がドラッグ開始/終了点にしかタイルを配置しない（fillRectangle関数が mouseUp で正しく発火しない）
• エンティティ削除のキーハンドラが2つの条件を同時に要求するが、クリック時に片方しかセットされない
• PUT /frames/reorder ルートが /{frame_id} の後に定義され、FastAPIが "reorder" を整数としてパースしようとして422エラー

実験結果

ゲームメーカー（Opus 4.5）

構成	所要時間	コスト
ソロエージェント	20分	$9
フルハーネス	6時間	$200

ソロ実行ではゲームが動作しなかった（エンティティは表示されるが入力に反応しない）。ハーネス版は16機能・10スプリントの仕様を自動生成し、AI統合を含む動作するアプリを完成させた。

DAW（Opus 4.6、簡略化版ハーネス）

フェーズ	所要時間	コスト
Planner	4.7分	$0.46
Build（3ラウンド）	約3時間20分	$113.85
QA（3ラウンド）	約25分	$10.39
合計	3時間50分	$124.70

デザイン品質への応用——4つの評価基準

フロントエンドデザインにも同じGANパターンを適用。4つの採点基準を設計した：

1. Design quality — 色、タイポグラフィ、レイアウトが統一された世界観を作っているか
2. Originality — テンプレートやAI生成パターン（紫グラデーション＋白カードなど）ではなく、意図的な創造的選択があるか
3. Craft — タイポグラフィ階層、スペーシング、色彩調和の技術的品質
4. Functionality — 美的要素とは独立したユーザビリティ

Design qualityとOriginalityを重視。5〜15回のイテレーションで品質が向上し、10回目で3D空間ナビゲーションに全面転換するような創造的飛躍も観測された。

モデル進化とハーネス設計の関係

Opus 4.6ではコンテキスト不安が大幅に改善され、スプリント分割が不要に。コンパクション（自動要約）だけで長時間の連続セッションが可能になった。

「ハーネスの各コンポーネントは、モデルが自力ではできないことについての仮定を体現している。その仮定はストレステストする価値がある」

実用的な指針: 評価者は固定的な要否判断ではない。タスクがモデルの単独能力の境界を超えるとき、コストに見合う価値がある。

スコア: 27

Anthropic公式のエンジニアリングブログで、実データと具体的なアーキテクチャを伴うマルチエージェント設計の知見。個人開発者がClaude Codeで長時間タスクを組む際の直接的な参考になる。GAN着想という新しいフレーミングと、モデル進化に伴うハーネス簡略化の議論は、AIエンジニアリングの最前線を示している。