長時間実行されるコーディングエージェントには、より大きなモデルではなく、ハーネスが必要だ

長時間実行されるコーディングエージェントにおける、もどかしい失敗モードは、必ずしもパッチの不具合とは限りません。それは、タスクが2回圧縮され、複数のツールが実行され、サブエージェントが概要を返したにもかかわらず、誰も「何が証明されたのか、何がまだ仮説なのか、そして次に何が起こるべきなのか」という単純な質問に答えられない状況です。

より大きなコンテキストウィンドウを購入しても、その疑問は解決しません。セッションの先頭にポリシーに関するより長いプロンプトを表示しても同様です。

便利なデフォルト設定は、2つの別々の決定です。

1. タスクの失敗につながる可能性のある入力制約と実行制約に基づいて、モデルのルーティングを行います。
2. 作業は、状態を記録し、アクションを制限し、証拠を確認し、再開可能な引き継ぎを生成するハーネスを通して実行される。

このガイドは、一般的なコーディングモデルのランキングではありません。長時間かかるコーディングタスクの最初のChinaAPIを選択するための実践的な方法を示し、さらに重要な点を指摘します。モデルは推論コンポーネントであり、永続エージェントはそれを取り巻くオペレーティングシステムである。

現在のルーティング在庫

2026-07-24 に取得した、ゲートウェイと照合済みの当社カタログスナップショットには、稼働中のトークン課金 model IDs 25 件が含まれています。いずれにも、カタログのメタデータで Reasoning と Tools のタグが付いています。11 件が 1M トークンのコンテキストウィンドウを公開しており、6 件が 1M コンテキスト、ツール対応、ビジョン入力を兼ね備えています。

これは可用性と公開機能のマップであり、ベンチマークではありません。モデルがツールを正しく実行しているか、より多くのバグを修正しているか、トラフィック量の下で信頼性を維持しているかを証明するものではありません。ただし、エージェントビルダーがすべてのタスクをテキストのみのフラッグシッププロンプトとして扱うのをやめるのに十分な数の異なるルートを持っていることを意味します。

その立場は揺るぎない。「旗艦」という言葉に惑わされるのではなく、任務に必要な証拠と予算に基づいてルートを選択してください。1Mのみのモデルは、受け入れチェックにスクリーンショットが必要な場合、誤った節約になります。限定された抽出タスクまたはテスト作成タスクがより低コストのルートで受け入れられる場合、プレミアムコーディングルートは誤ったデフォルトになります。

正確な ID、現在の表示料金、カタログの変更については、本番で使う前に最新料金を確認してください。Cursor、Cline、および LiteLLM の各ガイドでは、ツールごとの設定で同じ OpenAI-compatible エンドポイントを示しています。

モデルルートはタスク契約ではありません

エージェントは優れたモデルを持っていても、ごくありふれた方法で長期的な仕事に失敗する可能性がある。

• リポジトリのスキャンは、コンテキスト予算を黙って全て消費します。
• ツールループは、コストが予想外に高くなるまで再試行を繰り返す。
• 以前のセッションのTODOは、ブランチが変更された後、現在の事実として扱われます。
• いくつかのサブエージェントはもっともらしい要約を返すが、親エージェントはそれらが現在の差分と信頼区間と一致するかどうかをチェックしない。
• 最終的な回答には「完了」と表示されているが、実際には受け入れテストは実行されていない。

これらは主に言語モデルの問題ではなく、タスク状態、権限、および検証の問題である。

OpenAI は、自社の Codex ハーネスを、エージェントループの中でユーザー、モデル、ツールを統括するレイヤーだと説明しています。同社のエンジニアリングチームも、エージェントをめぐる作業とは、単により良いプロンプトを出すことではなく、環境とフィードバックループを規定することだと述べています。次をお読みください：エージェントループの解説と Harness Engineering のレポート。

実務上の結論は単純だ。モデル選択はタスクカード内の1つの項目として扱い、タスクプラン自体とはみなさない。

長時間の作業はすべて、境界を定めたタスクカードから始める。

このタスクカードは、トレースと一緒に保管できるほど小さいながらも、漠然としたコーディング要求が無限ループに陥るのを防ぐのに十分な具体性を備えています。このモデルはあくまで候補であり、測定可能な優位性を主張するものではありません。

{
  "task_id": "repo-bugfix-01",
  "task_type": "repository_bugfix",
  "candidate_model": "LongCat-2.0",
  "escalation_model": "glm-5.2",
  "source_modalities": ["repository_text", "issue", "test_log"],
  "context_requirement": "1m",
  "needs_tools": true,
  "max_tool_rounds": 8,
  "max_attempts": 2,
  "max_cost_usd": "set per task",
  "acceptance_checks": [
    "targeted test passes",
    "diff stays inside the named module",
    "no unsupported claim in the handoff"
  ],
  "human_approval_required_for": ["production deploy", "data deletion", "credential change"]
}

最初に注目すべき 2 つのフィールドは、モデル名ではありません。次の 2 つです：source_modalities と acceptance_checks。

エージェントがブラウザのスクリーンショットとCSSの変更を照合する必要がある場合は、トークン価格を比較する前に、対応する入力機能を持つモデルを選択してください。タスクの結果をテストで確認できない場合は、エージェントが編集を開始する前に、レビューまたは承認の手順を記述してください。タスクが破壊的なコマンドを許容できない場合は、モデルが警告を再読み込みすることを期待するのではなく、権限境界を実行可能にしてください。

以下は、上記の候補モデルのOpenAI-compatible開始点です。

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["CHINAAPI_API_KEY"],
    base_url="https://api.chinaapi.ai/v1",
)

response = client.chat.completions.create(
    model="LongCat-2.0",
    messages=[
        {"role": "system", "content": "Work only within the stated task card."},
        {"role": "user", "content": "Inspect the failing test before proposing a patch."},
    ],
)
print(response.choices[0].message.content)

現在の正確な model ID は最新料金から取得して使用してください。このコードはリクエストの経路を確立するだけのもので、完全な自律型コーディングエージェントではありません。本番のループには、独自のツールスキーマ、サンドボックス、認可ポリシー、テレメトリ、受け入れチェックの実行系が引き続き必要です。

チャットループを回復可能なシステムに変える5つのコントロール

1スクロールする会話ではなく、タスクグラフ。

各ノードには、入力、出力、ステータス、依存関係、所有者、および受け入れチェックが必要です。リポジトリのスキャンは実装前に実行できます。テストは、関連するコードが存在する前には実行できません。本番環境でのアクションは、人間の承認を待つことができます。これらの関係を明示的にすることで、エージェントが利用可能なすべてのツールを次の適切なアクションとして扱うことを防ぎます。

2出所と有効期限のあるメモリ

PLAN.md、STATE.md、および HANDOFF.md は、事実に立ち返れる場合にのみ役立ちます。各記述について、どこから来たのか、いつ書かれたのか、どのブランチに適用されるのか、いつ再確認すべきかを記録してください。現在のコード、コミット、プルリクエスト、CI、テストは、古い要約より優先されます。

これはメモリのガベージコレクションの実践例です。メモリは永遠に増え続けるアーカイブではありません。基となる事実が変わったときに整理されるべき、作業用インデックスなのです。

3故障の原因を説明できる痕跡

ツール呼び出し、入力参照、結果、テスト出力、再試行回数、および状態遷移を保存します。目的は監視や最大限のログ記録ではありません。目的は、後々の疑問に答えられるようにすることです。つまり、タスクが失敗したのは、モデルが不適切な編集を選択したためか、事前の仮定が古かったためか、ツールが利用できなかったためか、あるいは受け入れルールが存在しなかったためか、といった疑問です。

4強制力のある境界線

プロンプトは便利な緩やかな制約です。権限、サンドボックス、フック、リンター、テスト、承認、ロールバックパスはより厳格な制約です。取り返しのつかない操作や重大な結果を招く操作は、後者の制約の背後に配置してください。

Claude Code のサブエージェントのドキュメントは、同じ分離を別の角度から示しています。分離されたワーカーは冗長な探索からメインのコンテキストを守れますが、その出力には、それを評価する親ワークフローが依然として必要です。Claude Code のサブエージェントガイドは、この境界を設計するうえで役立つ背景資料です。

5新しいセッションが実際に使用できるチェックポイント

引き継ぎは時系列の日記のようにする必要はありません。当初の目的、検証済みの事実、決定事項とトレードオフ、未解決のリスク、具体的な次の行動、そして最初に読むべき情報源を記録しておきましょう。そうすれば、次のセッションでは、過去の推測をすべて引き継ぐことなく、凝縮された会話からスムーズに移行できます。

こうした統制が確立されると、人間の役割はより明確になる。すなわち、目標と範囲を設定し、重大な決定を承認し、リスクを検証し、結果を受け入れることである。運用上の詳細は、個人の短期記憶ではなく、システムが担う。

長い文脈は役立つが、支配するものではない

モデルアーキテクチャとエージェントガバナンスは混同されやすい。両者は長時間のセッションで出会うが、解決する問題は異なる。

MoE は、トークンごとにモデルの一部だけを活性化しつつ、パラメータ容量を増やします。MLA は、長いコンテキストでの推論におけるアテンションと KV キャッシュ処理のコストを下げます。DeepSeek の V3 レポートは、効率化の設計の中でこの 2 つの手法を説明しています。技術レポートをお読みください。

これらの進歩により、より長いコンテキストを手頃な価格で利用できるようになる。ただし、古いハンドオフが古くなっているかどうか、サブエージェントの結論がレビューされているかどうか、または展開に承認が必要だったかどうかを判断することはできない。

長いコンテキストは「モデルがより多くの資料を保持できるか？」という問いに答えます。

ガバナンスは、「どの情報が依然として有効か、誰がそれに基づいて行動できるか、そしてタスクがうまくいかなかった場合にどのように復旧できるか」という問いに答えるものです。

一方を他方の代わりとして使用しないでください。

失敗を神話ではなく、評価の材料として活用しよう。

エージェントの失敗の痕跡は、生の素材であって、すぐに使える訓練例ではない。

まず、問題を分類します。メモリファイルがエージェントを誤った方向に導いたのか？ハンドオフでリスクが見落とされたのか？スケジューラが間違ったタスクを並列化したのか？エージェントがCIの証拠をスキップしたのか？モデルが健全なタスク契約内で失敗したのか？それぞれのカテゴリは、鮮度チェック、チェックポイントフィールド、フック、評価、より優れたツールインターフェース、またはルーティングルールの変更など、異なる修正方法を示唆します。

そうして初めて、繰り返される失敗が、教師あり学習の例、嗜好データ、強化学習、または回帰テストに役立つようになる。不適切なトレースと不十分なタスクを区別できないシステムは、ノイズをより効率的に学習するだけである。

このガイドが主張しないこと

表中のモデル全体におけるリポジトリレベルのバグ修正完了率、ツール呼び出し成功率、エージェントループ遅延、承認済みパッチコスト、リカバリ品質に関するChinaAPIの反復結果はまだ公開していません。そのため、いずれの候補も普遍的に最適なコーディングモデルとは断言せず、モデルの可用性を保証することも、カタログメタデータをパフォーマンスランキングに変換することもしていません。

カタログは変更される可能性があり、1Mウィンドウは証拠の品質ではなく容量を表します。デプロイ前に正確なmodel IDと表示レートを確認してください。独自のリポジトリに対して固定タスクセットを実行し、受け入れ結果と合計修復時間を保存してから、使用可能な結果で勝った場合にのみルートを昇格させます。

実際の作業手順は華やかではないが、確実だ。

route by required inputs and constraints
→ bound the task with a card and acceptance checks
→ execute under permissions, trace, and budgets
→ checkpoint verified facts for recovery
→ convert recurring failures into evals and guardrails

こうして、コーディングエージェントは単なる端末を備えたモデル以上の存在となる。それは、自身の動作を説明し、セッションの境界を越えて存続し、目標、境界、判断、そして受容といった、拡張可能な唯一の制御面を人間に提供するシステムとなるのだ。

情報源と方法

• この記事の ChinaAPI カタログに関する事実は、ゲートウェイと照合済みの models-data.json の 2026-07-24 取得スナップショットに基づいています。件数はそのスナップショットのフィールドを反映したものであり、品質や提供状況を保証するものではありません。
• OpenAI、Codexエージェントループの展開
• OpenAI、ハーネスエンジニアリング
• クロード・コード、カスタムサブエージェントの作成
• DeepSeek-V3技術レポート