AI エージェントの効率を最大化するには、コード構造と命名に対する人間の制御をある程度放棄すべきでしょうか? @AmpCode チームの @rockorager による記事「エージェントによるエージェントのためのコードベース」は、新しい傾向を提起しています。AI エージェントが開発にさらに深く関与するようになるにつれて、コード構造は主に人間中心から主に AI エージェント中心へと進化するべきでしょうか? 核心的な対立：人間の直感 vs. AIの直感。Ampを用いたTUIフレームワークを開発する際、筆者は当初、AIの判断を修正するために人間のプログラミング経験に頼っていました。例えば、AIが画面更新関数に「present()」という名前を付けた際、筆者は自身の習慣に基づいて「swapScreens()」という名前に変更しました。 しかし、著者らは、この「人間による修正」がマイナス効果をもたらすことを発見しました。AIがその後、関数を修正または再度呼び出しようとすると、トレーニングデータ内の確率に基づいて「present()」を検索し、見つからないと混乱し、結果としてトークンの消費量が増加し、効率が低下しました。 実験の転換点：AIに力を与える これに気づいた作者は戦略を変更し、AI の命名習慣やファイルの保存場所に干渉することはなくなり、コードの「風水」を AI 自身で完全に決定できるようになりました。 結果は驚くべきものでした。効率が大幅に向上したのです。AIが生成したコードは、命名規則、ファイル構造、そして作者が通常は使わないような非定型的なオブジェクト指向パターンさえも使用していましたが、AIは自ら作り出した環境で力を発揮しました。複雑で文書化されていないフレームワークを素早く理解し、正確に新機能を追加したりバグを修正したりすることができました。 詳細な洞察: AI 向けに最適化されたコードベースに関する記事から導き出された重要な結論は、AI の効率性はコーディング機能だけでなく、コードベース自体が AI の「考え方」に準拠しているかどうかにも左右されるということです。 • 確率の一貫性：AIは確率モデルに基づいて動作します。コードベースの構造と命名がAIモデルの重みの予測（つまり、FlutterのAPI設計など、トレーニングデータ内の統計的規則性）に準拠している場合、AIはコードロジックを「推測」したり「再学習」したりする必要がなくなり、最高の動作効率を実現します。 新たなバランス：著者は、これが「エージェントによる、エージェントのための」新しいタイプのコードベースを生み出したと主張しています。このコードベースは、人間が好む「読みやすさ」をある程度犠牲にして、AIの究極の「保守性」と実行速度を優先しています。 原文を読む
