複数AI Coding Agent運用における、タスク設計・実行判断・承認フローの仕組み化
要点
- AIエージェント実行前のコンテキスト量・コスト判断を仕組み化
- タスク規模に応じて Go / Split / Defer の3段階で実行方法を判定
- リポジトリ全体ではなく、実際に参照される範囲を基準に負荷を推定
案件背景
Cursor / Codex / Orcaなど複数のAI Coding Agentを使い分ける中で、実行前の判断や承認方法がAgentごとに分散しないよう、共通のpreflightと実行フローを設計しました。
タスク規模・参照Issue・利用予算などを評価するagent-budget-routerを共通Coreとして整理し、Agent固有の差分は薄いadapterに分離。Linearをタスク管理の起点とし、人間の承認を挟んでから実装へ進める構成を実機で検証しています。
タスク規模・参照Issue・利用予算などを評価するagent-budget-routerを共通Coreとして整理し、Agent固有の差分は薄いadapterに分離。Linearをタスク管理の起点とし、人間の承認を挟んでから実装へ進める構成を実機で検証しています。
課題
- AIエージェント実行前に、どの程度のコンテキストを消費するか判断しづらい
- リポジトリ全体の規模だけでは、実際にエージェントが参照する情報量を把握できない
- 大きなタスクをそのまま高性能モデルへ渡すと、成果を確認する前に利用枠を大きく消費する可能性がある
- タスク分割やモデル選択の判断が、利用者の経験や感覚に依存しやすい
- AI利用コストを実行後に把握するだけでは、事前のコントロールが難しい
やったこと
- agent-budget-routerを明示呼び出し型Skillとして再設計
- Core / Resolver / Skill Orchestrator / Host shimを責務分離
- Linear Issue参照を共通Resolver経由で解決
- Cursor / Codex / Orcaの3環境で同一Core出力を実機検証
- SKIP / DIRECT / CONFIRM_FIRST / SPLIT / DEFERの判断体系を共通化
- 実行前に人間の承認を必須化
- 承認時にIssue・prompt・scopeを再検証
- 内容変更時は旧承認を無効化し、再承認へ戻す
- 同じ承認の再送による二重実行を防止
- Cursor / Codex固有のsession差分をadapter側へ隔離
- 旧transparent Hook方式からportable Skill方式へ移行
実現したこと
- AIエージェントへタスクを渡す前に、想定負荷を確認できるようになった
- 大きすぎるタスクを事前に検知し、分割して実行できるようになった
- モデル選択やタスク分割の判断基準を明文化できた
- AI利用コストを「実行後に確認するもの」から「実行前に判断するもの」へ変更できた
- AI活用をツール単体の利用ではなく、運用設計・コスト管理まで含めて扱えるようになった
設計のポイント
AIの判断と、人間の承認を分離
CoreがSPLITを推奨しても、それをそのまま実行を許可せず、AIによる実行方針と人間による承認workflowを別レイヤーとして設計しました。
Agent固有差分をCoreに持ち込まない
Cursor / Codex / Orcaで呼び出し方法やsession保持方法は異なるが、共通の判断ロジックは変更しない。差分はshim / adapterで吸収。
よくなったこと
AIエージェントの性能に依存するのではなく、「何を・どの単位で・どのモデルへ渡すか」まで含めてAI利用を設計する仕組みを構築。タスク実行前に負荷とコストを判断できるようにすることで、AI活用を属人的な試行錯誤から、再利用可能な運用ルールへ落とし込みました。
補足
- コンテキスト消費量を実行前に推定するフローを構築
- AIエージェント向けタスクの適切な粒度を判断可能に
- モデル選択・タスク分割・コスト管理の判断基準を標準化
- Cursor Skillとして継続利用できる形に実装
- GitHub公開により、他環境でも再利用可能な形へ整理
