---
title: "AIソフトウェアファクトリーを作って学んだこと"
description: "15〜20のClaude Codeセッションが働くFoxlのAIソフトウェアファクトリー。その作業を5つのプラットフォームでどう検証しているか、そして書いただけのルールが強制されて初めて守られた理由です。"
author: "Foxl Team"
date_published: "2026-11-12"
date_modified: "2026-11-13"
canonical_url: "https://foxl.ai/ja/blog/ai-factory"
markdown_url: "https://foxl.ai/ja/blog/ai-factory/index.md"
image: "https://foxl.ai/blog/ai-factory-cover.png"
social_image: "https://foxl.ai/blog/social/ai-factory.png"
content_type: "Deep dive"
topics: ["Coding agents","Multi-agent","Claude Code","Continuous integration","Verification","Release engineering"]
products: ["Foxl Code","Foxl Agent"]
---

<!-- Generated by scripts/blog-publishing.mjs; do not edit. -->

# AIソフトウェアファクトリーを作って学んだこと

> Foxlチームは、15〜20のコーディングエージェントが同時に働くAIソフトウェアファクトリーで、ひと月に数十回リリースしています。コードを書くのは簡単なほうで、それが正しいと知るのはずっと難しいことでした。その確認の仕組みを作りながら学んだことをまとめました。

- Author: Foxl Team
- Published: 2026-11-12
- Updated: 2026-11-13
- Reading time: 24 minutes
- Canonical HTML: [https://foxl.ai/ja/blog/ai-factory](<https://foxl.ai/ja/blog/ai-factory>)

![手描きの段ボール箱です。4枚のふたが開き、側面に大きなチェックマークがあります。箱はチェックに合格しましたが、中は空です。](<https://foxl.ai/blog/ai-factory-cover.png>)

Foxlチームは、ひと月に数十回リリースしています。10月は66回で、正式版が22回、ベータが44回でした。リリースのたびにWindows、macOS、Linux向けのデスクトップアプリが出て、正式版ではiOSとAndroidのアプリ、Webアプリも一緒に出ます。そのすべてが動くことを、毎回確かめなければなりません。

同じ月、私たちのリポジトリでは2,140のプルリクエストが開かれ、2,040がマージされました。1日に70近く開かれた計算です。そのコードの大半を書いたのは人ではなく、コーディングエージェントです。1台のMacで15〜20のClaude Codeセッションが同時に、それぞれ自分のブランチで動いています。これらのセッションがコミットに使うGitHubアカウントのコントリビューショングラフを見ると、変化がひと目でわかります。その前の2年は、それぞれ数百のコントリビューションでした。今年は30,000を超えています。

![GitHubプロフィールの2026年のコントリビューショングラフを3月下旬から示した画面です。見出しは33,951 contributions in 2026で、4月から8月まではほとんどの日が薄い緑のマスですが、9月下旬から11月にかけて濃い緑のマスが密集しています。](<https://foxl.ai/blog/ai-factory-contributions.webp>)

エージェントが作業を計画し、コードを書き、テストし、レビューまで担う開発は、AIソフトウェアファクトリーと呼ばれるようになりました。人は何を作るかを決め、何を出すかを最後に判断します。私たちのファクトリーもそのように動いています。ところが3月にコードをエージェントに任せてみると、難しいのはコードを書くことではありませんでした。エージェントが書いたコードが本当に正しいのか、5つのプラットフォームのすべてで持ちこたえるのかを知ることのほうでした。

この記事は、そのための確認の仕組みを作りながら私たちが学んだことです。要点を先に言うと、**エージェント向けに書いただけのルールは、例外なく破られました。**ほとんどは数日しかもちませんでした。長持ちしたのは、ミスが入ってきたまさにその経路に置いたチェックで、次のミスはほぼ毎回、まだチェックのない経路から入ってきました。

## 1つのセッションから20へ

最初の4か月は、1つのセッションを一日中開いたまま、diffが出るたびに人がすべて読んでいました。ほぼすべての変更がそのままmainに入り、6月のプルリクエストはリポジトリに1つしかありません。限界は人の注意力でした。きちんと追えるのは、せいぜい1セッションでした。

7月には、私たちのクラウドコーディングエージェントである[Foxl Code](<https://foxl.ai/ja/code>)を、Foxl自身のリポジトリに向けました。タスクごとにクラウドVMが1つ付き、7月22日にはこの構成で[1日に5回の本番リリース](<https://foxl.ai/blog/five-releases-one-day>)を出しました。ただし、そのVMにはmacOSがありません。XcodeやiPhoneシミュレーターが必要な作業は、結局Macに戻ってくる必要がありました。

8月には働き方を変えました。セッションごとにgit worktreeを1つ、変更ごとにプルリクエストを1つにしたのです。セッションが互いの作業を上書きしなくなったので、複数のセッションを同時に動かせるようになり、プルリクエストは8月の598から、9月に946、10月に2,140へと増えました。

![2026年のmainへの月別コミット数です。3月から7月までは月260〜435件、作業がプルリクエストに移った8月は1,204件、マージトレインが始まった9月は1,985件、コーディネーターのセッションが調整を担った10月は6,400件、11月の最初の11日間で4,969件です。棒の横には、7月22日の1日5回のリリースと、11月2日のメモリ不足も書き添えてあります。](<https://foxl.ai/blog/ai-factory-throughput-ja.png>)

数が増えるにつれ、新しい問題が見えてきました。セッション同士が同じファイルを同時に編集し、Macのメモリが足りなくなりました。何より、9月24日の最初のマージトレインで、CIが緑でもプルリクエストが正しいとは限らないことがはっきりしました。これについては後で詳しく書きます。

## 確かめられる場所が、働く場所を決める

5つのプラットフォームを確かめるには、まずそれを動かせるマシンが必要です。私たちが使うマシンは3種類で、それぞれ確かめられることが違います。

![6種類のチェックと3種類のマシンの対応表です。ユニットテストとWebビルドは3つとも実行できます。まっさらなWindowsやLinuxでデスクトップアプリを動かせるのはレーンボックスだけです。AndroidエミュレーターはレーンボックスとMacで動きます。Xcode、iPhoneシミュレーター、macOSのデスクトップアプリと本物のブラウザはMacにしかありません。スマートフォンから始められるのはクラウドVMだけです。](<https://foxl.ai/blog/ai-factory-machines-ja.png>)

クラウドVMは隔離されたLinuxの作業に向いていて、スマートフォンからすぐに起動できます。まっさらなWindowsやLinuxでデスクトップアプリを動かしたいときや、Androidエミュレーターが必要なときは、セッションは使い捨てのEC2インスタンスを1台受け取ります。私たちはこれをレーンボックスと呼んでいます。そして残りのすべて、つまりXcode、iPhoneシミュレーター、本物のChrome、macOSのデスクトップアプリを確かめられるのは、Macだけです。

そのため、ほとんどのセッションが1台のMacで動くことになりました。このMacは私たちが毎日使うコンピューターでもあります。つまり、すべてのセッションが1台のマシンのメモリを分け合い、本物のデータのすぐ隣で働いているのです。

## エージェントを起動するのは、もう解けた問題です

多くのエージェントを一度に動かすツールは、すでにたくさんあります。私たちが見たツールはどれも並列実行を簡単にしてくれますし、いくつかはエージェント同士の会話もできます。違うのは、エージェントがどこで動くか、そしてその結果の確認をどこまで引き受けるかです。

### Claude CodeとCodex

この2つがエージェントそのものです。Claude Codeは、ターミナルを閉じても動き続けるバックグラウンドセッションをそれぞれのworktreeで動かし（`claude --bg --worktree`）、セッション同士でメッセージを送り合ったり、サブエージェントを起動したりできます。Webやスマートフォンから始めるクラウドセッションもあります。CodexはCLI、デスクトップアプリ、IDE拡張として提供され、Codex WebはOpenAIのクラウドにあるLinuxコンテナでタスクを実行します。

### Orca

![Orcaのデスクトップアプリです。左には2台のMacのプロジェクトとworktreeの一覧、中央には2つのワーカーを起動し、それぞれの結果を報告するコーディネーターエージェントの会話、右にはワーカーたちのペインがあり、隅には同じ会話を表示するOrcaのスマートフォンアプリが重なっています。](<https://foxl.ai/blog/ai-factory-orca.webp>)

[Orca](<https://github.com/stablyai/orca>)はmacOS、Windows、Linux向けのデスクトップアプリです。Claude CodeやCodexのようなCLIエージェントを、それぞれのworktreeで並列に動かし、大きなタスクを渡すと、コーディネーターのエージェントが作業をワーカーに分け、結果を持ち帰ります。上のスクリーンショットがその場面です。エージェントはSSHホストや、worktreeごとのクラウドVMでも動かせ、失敗したチェックやレビューコメントは修正のためにエージェントへ送り返されます。

### herdr

![ターミナルウィンドウのherdrです。左には2つのワークスペースと、1つのエージェントがidle、Claudeがworkingと表示されたエージェント一覧があり、2つのペインのうち一方にはherdr自身のコードについてのエージェントのメモ、もう一方ではClaude Codeが動いています。](<https://foxl.ai/blog/ai-factory-herdr.webp>)

[herdr](<https://github.com/herdrdev/herdr>)はRustのバイナリ1つでできたターミナルランタイムです。エージェントをラップせず、ターミナルを受け持つので、Claude Code、Codex、OpenCodeのどれとも同じように動きます。SSH接続が切れてもターミナルはバックグラウンドで動き続け、ペインごとにそのエージェントがworking、blocked、idleのどれなのかを表示し、エージェント同士はCLIとソケットAPIを通じて互いにプロンプトを送れます。

### Kiro Crew

![Kiro Crewのcrew boardです。conductorのゴールと作業項目がneeds a decision、working、finishedにまとめられ、項目ごとにワーカーの報告とconductorの状態が付いています。1つの項目にはacceptance criteriaがないという印があり、完了した項目にはverified against the bar, acceptedと書かれています。](<https://foxl.ai/blog/ai-factory-kiro-crew.webp>)

[Kiro Crew](<https://github.com/kirodotdev/KiroCrew>)は、自分のハードウェア（Mac、コンテナ、リモートマシン）で動き、会話と会話のあいだも働き続けるワークスペースです。セッション、メモリ、タスクのチェックポイントは再起動しても残り、受けた修正は次の振る舞いを変える教訓として積み重なります。上のcrew boardには、conductorが割り当てた項目ごとに、ワーカーの報告と、conductorがその結果を基準に照らして受け入れたかどうかが並びます。

### Foxl Code

![ブラウザで開いたFoxl Codeのワークボードです。要対応と完了は空で、進行中にはfoxl-ai/acme-webのタスクが3つあります。3つともエージェントはClaude Codeで、1つは開始待ち、2つはエージェント作業中です。](<https://foxl.ai/blog/ai-factory-foxl-code-ja.webp>)

Foxl Codeは前半で触れた私たちのクラウド製品で、招待されたアカウント向けのプライベートベータです。ブラウザやスマートフォンからタスクを説明すると、Claude Codeのようなエージェントが専用のVMでその作業をします。大きな依頼は互いに独立したサブタスクに分かれて同時に始まり、それぞれ1つのプルリクエストになります。上の画面は、1つの依頼が3つのサブタスクに分かれた直後のボードです。レビュアーはリポジトリの`MERGE-REVIEW.md`を、プルリクエストではなくデフォルトブランチから読みます。そのため、変更が自分を採点する基準を書き換えることはできません。ただし、プルリクエストはあくまで1つずつ確かめられます。複数をまとめてマージした状態でテストするには、チャットでマージトレインを頼みます。

並べて比べると、こうなります。

| ツール | エージェントが動く場所 | 強み | 限界 |
| --- | --- | --- | --- |
| Claude Code | 自分のマシン、またはWebやスマートフォンから始めるクラウドセッション | それぞれのworktreeで動き、互いを一覧してメッセージを送り合うバックグラウンドセッション、サブエージェント | メッセージが届くのはClaude Codeのセッションだけ |
| Codex | 自分のマシン、またはOpenAIのクラウド | CLI、デスクトップアプリ、IDE、クラウドで同じエージェント | クラウドのタスクはLinuxコンテナで動くので、Xcodeの作業はローカルに残る |
| Orca | 自分のマシン、SSHホスト、worktreeごとのクラウドVM | どのCLIエージェントでも動く、タスクをワーカーに分けるコーディネーター、スマートフォンアプリ、失敗したチェックの差し戻し | 複数のプルリクエストをまとめてマージした状態のテストは説明にない |
| herdr | 自分のマシンとSSHホスト | どのエージェントの下にも入る：切れても動くターミナル、ペインごとのworking、blocked、idle、エージェント同士のプロンプト | ターミナルは受け持つが作業は受け持たない：独自のレビューやマージの手順はない |
| Kiro Crew | 自分のMac、コンテナ、リモートマシン | 再起動しても残るセッション、メモリ、チェックポイント、修正から得る教訓、基準に照らして作業を受け入れるconductor | ワーカー同士が直接つながるチャネルはまだない |
| Foxl Code | タスクごとに1つのVM、Foxlのクラウド | スマートフォンから開始、プルリクエスト1つずつ同時に動くサブタスク、リポジトリのマージ基準に従うレビュアー | プライベートベータ、macOSなし、プルリクエストをまとめてテストするのは頼んだマージトレインだけ |

私たちはClaude Code自身のセッションの上にファクトリーを組み立てました。ファクトリーが1つのClaude Codeセッションから育ったこと、そしてこのMacのセッションは、Xcodeやシミュレーターのすぐ隣で、すでに互いを一覧してメッセージを送り合えたことが理由です。

どのツールでエージェントを動かしても、変わらないことが2つあります。1台のマシンのエージェントはそのマシンのメモリを分け合わなければならず、エージェントがしたことが正しいかどうかは、誰かが判断しなければなりません。この記事の残りは、その2つについての話です。

## 20のセッション、1台のMacのメモリ

10月17日の午後、19のセッションが開いていました。Webビルドは1回で3.5 GBほどのメモリを使いますが、10分のうちに4つのセッションがそれを求めました。2つはTypeScriptのチェックを実行し、1つは断りなくiPhoneシミュレーターを起動しました。8つのセッションが同じCSSファイルに変更を抱えていました。その日の午後、私たちはセッションに、メモリを控えめに使うこと、順番を待つこと、使う前に尋ねることを指示しました。

同じ日、1つのセッションがコーディネーターになりました。ほかのセッションは起動時に、誰がどのファイルを受け持っているかを書いた共有ファイルを読み、自分のタスクと触る予定のファイルを1行でコーディネーターに送り、担当範囲を受け取ります。ほかのセッションが受け持つファイルが必要なら、そのセッションに変更内容を送って反映してもらいます。ビルド、テストスイート、シミュレーターのようにメモリを多く使う作業の前には、見積もったメモリと時間を付けて`HEAVY?`を送り、`GO`を待ちます。コーディネーターは許可を出すたびに、Macのメモリプレッシャーを読みます。

下は、この記事の最初のビルドが待ったキューです。モデルのベンチマークとシミュレーターの実行がすでに並んでいて、ビルドは50分待ってようやく始まりました。

![UTCの05:00から06:30までのタイムラインで、共有の重い作業のキューのステップごとに1行です。05:03から05:41までNotesのモデルベンチマーク、05:41から06:07のあいだにシミュレーターの実行、ネイティブビルドとシミュレーターの実行、開いてすぐ止まったスクリーンショット確認、シミュレーターの時間計測があり、続いて05:18から待っていたこの記事の2回のサイトビルドが06:08から06:25まで動きます。05:57に早めに始めた依存関係のコピーも示しています。](<https://foxl.ai/blog/ai-factory-queue-ja.png>)

キューのルールは`heavy.sh`というシェルスクリプト1つに入っていて、一度ならず変わってきました。10月28日には厳しすぎました。Macのメモリが43%空いているのに、10のジョブが最大16分待たされ、私たちはキューを外しました。11月2日には緩すぎました。セッションが19ほど開いていて、そのうちいくつかはサブエージェントを2〜5個動かしていましたが、ゲートはサブエージェントも、6時間動き続けていた開発サーバーも数えていませんでした。Macのメモリが尽き、ハーネスがバックグラウンドのシェルを片付けたとき、コーディネーターの監視プロセスも一緒に止まりました。

今のゲートは、実行のたびにMacのメモリを計測します。余裕があればジョブはすぐに始まり、なければ待たされ、同時に動く重いジョブは4つまでです。重い作業の前の判定は、おおよそ次のとおりです。

```
# LOCKS is a directory every session shares; run/<pid> marks a heavy run.
level=$(sysctl -n kern.memorystatus_vm_pressure_level)  # 1 normal, 2 warn, 4 critical
free=$(memory_pressure -Q | awk -F: '/free percentage/ {print int($2)}')
live=0
for f in "$LOCKS"/run/*; do
  [ -e "$f" ] && kill -0 "${f##*/}" 2>/dev/null && live=$((live + 1))
done

hold() {
  [ -e "$LOCKS/STOP" ] || [ "$level" -ge 4 ] ||
  { [ "$level" -ge 2 ] && [ "$live" -ge 2 ]; } ||
  [ "$free" -lt 25 ] || { [ "$free" -lt 30 ] && [ "$live" -ge 1 ]; } ||
  [ "$live" -ge 4 ]
}
# Wait while hold() is true or older tickets fill the free slots (2 at warn, 4 otherwise).
# Then write run/$$, run "$@" as a child, and remove run/$$ when it exits.
```

待っているジョブは先着順の整理券を受け取ります。以前、30ほど待っていたとき、スロットが空いた瞬間に最初に確認したジョブが勝ち、あるジョブは後から来たものに抜かれて35分待ちました。マシン全体の上限もあり、サブエージェントは6つまで、シミュレーターは1つまでですが、この2つはまだゲートが強制しない、書かれただけのルールです。

## 書いただけのルールは破られる

この記事に出てくる出来事はどれもルールを1つ残し、そのルールは日付付きで書き残されました。そのうち3つを見ると、書かれただけのルールがどうなるかがわかります。

1つ目は本物のデータです。私たちが実際に使っているFoxlのデスクトップアプリから起動したエージェントのセッションは、アプリの環境を引き継ぎます。その中には、アプリのデータベースを指す変数もあります。10月19日、そうしたシェルから実行したテストスイートが、本物のFoxlのデータベースに偽の会話を305件書き込みました。その変数を消すルールが同じ日に入り、10月24日からは`heavy.sh`が自分でその変数を消すようになりました。それでもミスは戻ってきました。npmで直接実行したチェック、使い捨てのスクリプト、デスクトップサーバー全体をバンドルするテストと、毎回ラッパーが覆っていない経路から入ってきたのです。今はデスクトップサーバーが、テストランナーの下で動いているときは本物のデータを開くのを拒否します（`foxl/server/paths.ts`）。使い捨てのスクリプトだけは、今も書かれたルールが頼りです。

2つ目は、本物のお金を使うスクリプトです。`check-remote-input.mjs`は、リポジトリを読んで問題があれば失敗する数十の`check-`スクリプトに混じっていますが、実際には本番のFoxl Codeサービスで本物のタスクを始めます。9月23日、すべての`check-`スクリプトをまとめて実行したとき、タスクが1つ始まりました。そのときのルールは、チェックを名前で1つずつ実行することでした。10月18日には、このスクリプトがgrepで選んだチェックの一覧に紛れ込み、その3つのタスクの料金で、私たちのテスト用アカウントの残高がマイナスになりました。今、このスクリプトは `--live`フラグなしでは何もせず、pr-validateのテストがその状態を守っています。

3つ目はpushのロックです。pushは、セッションがディレクトリを作ることで取るロックを通っていました。11月2日、あるセッションが並列のツール呼び出しのまとまりの中で、手作業でロックを取ろうとしました。ほかのセッションがロックを持っていたのでディレクトリの作成は失敗しましたが、まとまりの残りはそのまま実行されました。そのセッションはpushし、それからほかのセッションのロックを削除しました。ロックを取り、自分のロックだけを解放するスクリプトがその朝に入りましたが、自分のworktreeに閉じ込められたセッションはそれを使えず、手で1手順ずつロックを取り続けました。同じミスは11月4日にもまた起きました。

これらのチェックのどれも、その種類のミスを終わらせてはいません。どれも前のミスが通った経路を塞いだだけで、今のところ、次のミスは毎回別の経路を見つけています。

## 緑のチェックが証明すること

私たちのCIはすべてセルフホストランナーで動き、すべてのプルリクエストは`pr-validate`という関門を通らなければなりません。問題は、その緑のチェックが何を証明するかです。緑が意味するのは、プルリクエストが単独でテストを通ったということだけです。

9月24日、v0.7.27の最初のマージトレインがその差を示しました。54のプルリクエストがそれぞれ自分のCIで緑だったのに、止めるべき欠陥が4つありました。1つはIMEで入力した最後の文字を失い、もう1つはiPhoneのロック画面からの返信を壊していました。同じ日、19のレビュアーエージェントを同時に動かしていたMacが完全に固まりました。それ以来、レビュアーは同時に7つまでにしていますが、これも書かれただけのルールです。

そこで今は、準備のできたプルリクエストをすべてマージしたツリーからトレインを作り、そのツリーの上でマージするかどうかを判断します。レビュアーのエージェントは関連するプルリクエストを1グループずつ受け持ち、受け取る指示にはこうあります。英語の原文のままです。

> Your job is to REFUTE each PR in your group, not to confirm it. Assume every PR body overclaims until you have reproduced its claim. A green pr-validate on the PR proves little: it ran without the other PRs, and it cannot see UX or cost.

プルリクエストを確かめるのではなく、反証せよという指示です。主張を自分で再現するまでは、どのプルリクエストの本文も誇張していると見なすこと、そしてプルリクエストでpr-validateが緑でもほとんど何も証明しないこと、つまりほかのプルリクエストなしで走り、UXもコストも見えないことも書いてあります。レビュアーは、MERGE、パッチを書き出したMERGE\_WITH\_FIXES、HOLD、CLOSEのいずれかで答えます。修正はプルリクエストの上に別のコミットとして積まれ、直せないプルリクエストは、それを除いたトレインを作り直して外します。

Cognitionの[「Don’t Build Multi-Agents」](<https://cognition.com/blog/dont-build-multi-agents>)は、互いの作業が見えないエージェントに1つのタスクを分けて渡すことに反対し、文脈全体を持つ1つのエージェントに任せるべきだと主張しています。私たちも、各セッションに1つのタスクを丸ごと任せています。それでも残る問題があります。エージェントは自分の作業を過信するのです。だからレビュアーには反証するよう指示しています。

エージェントが機能と一緒に書くテストは、とりわけ弱い証拠です。テストとコードは問題についての同じ理解から生まれるので、エージェントがベンダーのAPIや依頼の意図を読み違えれば、どちらも同じ間違いを抱えます。確認の種類ごとに見えるものは、次のとおりです。

![6種類の確認と5種類の失敗の対応表です。型チェック、同じコミットで書いたテスト、修正前のツリーで失敗するテスト、マージしたトレインでのCIは、どれもコードが間違っている場合の一部しか捉えません。後の2つは、何も試していないテストの一部も明らかにし、マージしたトレインでのCIは互いを壊す変更を捉えます。変更を書いていないレビュアーは、コード、テスト、そうした相互作用を捉え、外部のシステムの振る舞いの違いもときどき捉えます。リリースが届いたかどうかは、行き先に尋ねて初めてわかります。](<https://foxl.ai/blog/ai-factory-evidence-ja.png>)

そのため、新しいテストは修正前のツリーで失敗するときだけ数え、最後の関門はマージしたトレインでのCIです。リポジトリの外で起きることなら、証拠はその外のシステムにあります。CLIのバージョンを上げてから10日間、Foxl CodeのリモートのCodexとOpenCodeのターミナルは入力を一切受け付けませんでしたが、その間すべての関門は緑でした。リリースのワークフローが成功を報告したのに、TestFlightにビルドがなかったこともあります。そして11月3日には、43あるスクリーンショットのハーネスのうち34が本物のフォントなしでページを表示していたことがわかりました。レビュアーは、出荷されたアプリが描かない字形を見て判断していたのです。

## 行き先に直接尋ねる

正式版のリリースは、1回のワークフローの実行です。その1回で、Windows、Linux、macOS、iOS、Androidのアプリ、Webアプリ、リレーサーバーまでをビルドして出します。ワークフローが成功したという報告を、私たちはそのまま信じません。リリース後のチェックは、行き先ごとに直接尋ねます。

あるスクリプトは、5つのプラットフォームすべてにファイルがそろうまで待ってからリリースを公開します。Homebrewのcaskは公開されたリリースと照合します。更新するワークフローが正常に見えている間に、caskが4回のリリースにわたって1週間前のビルドを配っていたことがあるからです。デプロイされたWebアプリはリリースのバージョンと照合します。Workerは古いバンドルでも200を返すからです。TestFlightにはAppleのAPIで尋ねます。

## 似た仕組みを作るなら

私たちに効いたことをまとめます。

- エージェントごとに別のgit worktreeを用意してください。APFSでは`cp -Rc`が`node_modules`をコピーオンライトのクローンとしてコピーするので、ディスクをほとんど使いません。1つの`node_modules`を複数のworktreeにシンボリックリンクするのは避けてください。
- 1つのエージェントをコーディネーターにし、共有の状態は、すべてのエージェントが読めるただのファイルに置いてください。誰がどのファイルを受け持つか、誰が何を動かしているか、何が凍結されているかです。
- メモリを多く使う作業は、計測したメモリで関門を設け、ビルドと一緒にサブエージェントと開発サーバーも数えてください。
- refは名前ではなくSHAで読んでください。ほかのセッションが`origin/*`を絶えず動かしているからです。

マージトレインを作る前に、プルリクエストを1つずつ順にmainへ畳み込んでいけば、チェックアウトせずに衝突の地図を作れます。bashではこうです。

```
# Each head as a local ref first: git fetch origin '+refs/pull/*/head:refs/pr/*'
prs=(101 102 103)
acc=$(git rev-parse origin/main)
for pr in "${prs[@]}"; do
  out=$(git merge-tree --write-tree --name-only "$acc" "refs/pr/$pr"); code=$?
  if [ "$code" -eq 0 ]; then
    acc=$(git commit-tree "${out%%$'\n'*}" -p "$acc" -p "refs/pr/$pr" -m "train: #$pr")
  elif [ "$code" -eq 1 ]; then
    echo "#$pr conflicts in:"; echo "$out" | sed -n '2,/^$/p'
  else
    echo "#$pr: merge-tree failed ($code)"; exit "$code"
  fi
done
```

変更履歴のように、すべてのプルリクエストが末尾に追記するファイルは、ほぼすべての衝突に顔を出します。このコマンドに限ってunionマージを使わせれば避けられます。`git -c core.attributesFile=<file>`で指定し、そのファイルに`CHANGELOG.md merge=union`と書いてください。

## 人がすること

この構成で私たちはコードを書きませんし、diffもめったに読みません。依頼はたいてい1文とスクリーンショット1枚です。私たちが読むのは戻ってくるものです。各プルリクエストのスクリーンショット、各トレインの判定、そしてすべてのリリースの最後に出るレポートです。レポートには、何が出たか、各チェックが何と答えたか、そのリリースに含まれるすべてのプルリクエストのスクリーンショットが載っています。

11月3日の朝がその一例です。UTCの04:59に、レビューを投稿するカードの新しい編集ウィンドウを写したスクリーンショット20枚つきで、プルリクエストが上がってきました。文字は別のフォントで描かれ、入力欄はブラウザ標準の箱で、ボタンが3つカードの下へ縦に積まれていました。05:04に私たちはコーディネーターに2行送りました。作者にデザインシステムに沿ってウィンドウを作り直させ、プルリクエストをドラフトに戻してから上げ直すように、という内容です。12秒後にはドラフトになっていました。09:30にアプリ自身の下書きエディターの上で戻ってきて、296枚のスクリーンショットはどれもアプリのフォントが読み込まれてから撮られていました。11:50にマージされました。別のフォントはプルリクエストのせいではありませんでした。そのスクリーンショットのハーネスがアプリのフォントを配信していなかったのです。その日に理由を調べたことで、私たちは先に書いた34のハーネスを見つけました。

![最初に上がってきたときのGitHub上のプルリクエスト。Telegramのメッセージとレビューカードの編集ウィンドウを並べたScreenshotsの表。レビューカードは代わりのフォントで、ブラウザ標準の入力欄の下にPost、Done、Not nowが縦に積まれている。](<https://foxl.ai/blog/ai-factory-edit-before.webp>)

![戻ってきたときのGitHub上の同じプルリクエスト。The real bundle: the Edit windowの節、撮るたびにアプリのフォントを確かめたという説明、4つの配色のデスクトップのスクリーンショットの表。その中にレビューカードの編集ウィンドウ。](<https://foxl.ai/blog/ai-factory-edit-after.webp>)

何かがうまくいかなかったときは、それを捕まえられたはずのルールを、日付と出来事と一緒に、その領域の`CLAUDE.md`に書き、それからスクリプトでそのルールを強制できる箇所を探します。元に戻せる判断はエージェントがコードを見て下し、何を決めたかを書き残します。元に戻せないことと、お金に関わることは、すべて人を待ちます。Foxlを、人々が比べる製品より不便にするプルリクエストは、コードが正しくても保留します。

## まだ解けていないこと

レビュアーはエージェントですが、適用する基準は人が書いたもので、レビュアーの判定もまだ人が読んでいます。今はその読む作業が、プルリクエストとリリースのあいだでいちばん遅い工程です。そこで、ほかのエージェントが人なしで確かめられるように、主張の種類ごとに基準を書いています。ロジックの修正なら、修正前に失敗し、マージしたトレインで通るテスト。ベンダーのAPIなら、本物のサービスから取ったキャプチャ。人が目にするものなら、本物のフォントで本物のビルドから撮ったスクリーンショット。コストなら、計測したリクエスト数。リリースなら、行き先ごとの答えです。元に戻せないことと、お金に関わることは、これからも人の担当です。

基準がいつ十分になったのかをどう見分けるかは、まだわかりません。計画は、テストを評価するようにレビュアーを評価することです。レビュアーごとに、CIが見逃した欠陥をいくつ見つけたか、人がその判定をどれだけ覆したかを数えます。ある種類の主張で人がレビュアーを覆さなくなれば、その基準にもう人は要りません。どちらの数字も、まだありません。

## 参考資料

1. [Claude Code の変更履歴](<https://github.com/anthropics/claude-code/blob/main/CHANGELOG.md>) - Reference
2. [Codex](<https://github.com/openai/codex>) - Reference
3. [Orca](<https://github.com/stablyai/orca>) - Reference
4. [herdr](<https://github.com/herdrdev/herdr>) - Reference
5. [Kiro Crew](<https://github.com/kirodotdev/KiroCrew>) - Reference
6. [Kiro Crew の RFC 一覧](<https://github.com/kirodotdev/KiroCrew/blob/main/docs/request-for-change/README.md>) - Reference
7. [Foxl Code](<https://foxl.ai/ja/code>) - Reference
8. [Cognition「Don’t Build Multi-Agents」](<https://cognition.com/blog/dont-build-multi-agents>) - Reference