TL;DR:SpaceXSIのエンジニアLauren Tanは、講演前の1ヶ月に約3,000件のPRを本番環境にリリースし、Grok Bot全チームで約11,000件、全チームのrevert率は約0.5%だと語った。彼女が示したのは信頼ピラミッドという考え方で、agentがミスをしたときはまずコードベースを直し、確定的な検査を書き、検証を加え、ルールファイルへの一文は最後にするというものだ。この速度は約半年の環境整備の後に実現した、とも述べている。この講演を紹介した人気投稿はおおむね要点を捉えているが、引用された長文の冒頭の二文、マルチagentが90%強いこととCursorが1週間でブラウザを作ったこと、それぞれに原文では前提がある。

11月15日、X上の英語投稿がLauren Tanの講演を紹介した。agentがミスをするたびにpromptへの一言ではなくlintルールにする、agentが映像・スクリーンショット・テストで成果を検証する、結果として1ヶ月に3,000件のPRが本番環境にリリースされる、コードベースが今やagentが大部分のPRを自分でマージするほど整理されている、という内容だった。私が11月19日に読んだとき、この投稿は約500万回表示されていた。

投稿は同じ著者が2日前に書いた長文〈How to build an AI agent swarm that works without you〉を引用していた。冒頭の二文は、Anthropicのagentチームが単一agentを90%上回ったこと、Cursorが1週間でブラウザを作ったことだった。二つを続けて読むと、agentを複数起動して自走させれば生産性が爆発する、という読み方がしやすい。

講演映像・公式講演録ページ・引用元の原文をひととおり照合した。講演が語っていたのは、agentがミスしにくい環境を先に整えること。二つの投稿で目を引く三つの数字には、原文にそれぞれ前提がある。

この記事は「知性と秩序」シリーズの一部だ。

Lauren Tanとは誰か。〈All Code Is Slop (Except Mine)〉は何を語ったか

Lauren Tanのハンドルネームはpotetoで、SpaceXSIのPrincipal Engineerとして、Grok Botのコアチームに属している。SpaceXSIはSpaceX傘下のAI部門で、前身はxAI。Grok BotはAIチームメイトを目指す彼らの製品で、デスクトップ版はElectronアプリケーションだ。以前はMeta Reactコアチームのメンバーとして React Compilerに携わり、2026年初頭にはCursorに在籍していた。

2026年11月11日、彼女はサンフランシスコのAI Engineer Code Summitのメインステージで〈All Code Is Slop (Except Mine)〉を発表した。AIの文脈でslopとは、大量に生成された粗雑なアウトプットを指すことが多い。一次資料は公式講演録ページと講演映像で、映像は約17分半だ。

agentがミスをしたとき、修正はどの層に置くか

彼女はagentが信頼できるコードを書くための作業を、逆さまのピラミッドとして整理している。最も幅の広い層が一番上にあり、幅が広いほどエンジニアの時間を投資すべき場所だという。上から順に:

  1. コードベースそのもの:APIデザイン・アーキテクチャ・リファクタリング。
  2. モデルの判断に依存しない確定的な検査:lint・型・コンパイラ・テスト。
  3. 検証:実行したプログラムをagentがテストする実行時検証、および形式検証。
  4. テキストルール:AGENTS.md・rules・skillsといった、モデルの判断に依存する説明。

最下部の頂点が人によるレビューで、頂点に近づくほどコストが高い。

AIでコードを書くとき、agentがミスをすると最初の反応はpromptやルールファイルに「これをするな」と一文足すことになりがちだ。彼女はその順序を逆にする。理由はコードベースがagentへの最大の入力だから。コード内に残った場当たり的な書き方は、次のagentがお手本として踏襲してしまう。彼女はガーデニングに例えて説明した。2024年時点でレビューしていたのは同僚の3件のPR、この講演の時点では約300件になっている。だからagentを修正するたびに、彼女は二つのことを問う。確定的な検査として書けるか、ミスをした瞬間に弾けるか。さらに良いのは、設計の段階でその誤った選択肢を取り除き、そのミスをそもそも書けないようにすることだ。

テキストルールがなくなるわけではない。判断が必要で検査として書けないことは、依然としてこの層に残る。「ミスのたびにlintにする、promptにはしない」という紹介文は、この前提が抜けている。

4コマ漫画:agentがミスをしたとき、修正はどの層に置くか。agentがミスをすると、最初の反応はpromptやルールファイルに「これをするな」と一文足すことになりがちだ。コード内に残った場当たり的な書き方は、次のagentがお手本として踏襲してしまう。agentを修正するたびに、彼女はまず問う。確定的な検査として書けるか、ミスをした瞬間に弾けるか。さらに良いのは、設計の段階でその誤った選択肢を取り除き、そのミスをそもそも書けないようにすることだ。どちらも無理なら、ルールファイルに書く。

ミスをコードの中で防ぐために、彼女が実際に行ったこと

彼女が挙げた問題の多くはCursorで見つかったもので、CursorもGrok BotもどちらもElectronアプリケーションだ。解決策はチームがGrok Bot向けに作ったフレームワーク「Dune」に組み込んだ。

  • 誤用されやすいAPIを禁止する:プロダクションコードではReactのuseEffectを使わず、指定されたフレームワークAPIのみを使う。agentがこのhookに必要な判断を繰り返し誤用したことが理由だ。公式講演録ページは、これはチームのローカルなアーキテクチャ選択であり、このhookを一律禁止すべきとは主張していないと注記している。
  • ディレクトリとlintで境界を引く:Cursorではagentがメインプロセスのコードをレンダラープロセスにimportすることがあった。Grok Botはメインプロセスとレンダラープロセスを明確に命名した二つのトップレベルディレクトリに分け、依存関係解析ツールとlintルールで相互importを禁止している。
  • コメントを減らし、lintを増やす:CursorではagentがsetTimeoutやrequestAnimationFrameなどのタイマーを使い、命令的スタイルと宣言的スタイルの衝突を強引に埋め、その場当たり的な書き方を正当化するコメントを追記することがあった。Grok Botチームはその後コメントの約99%を禁止し、代わりにlintルールのエラーメッセージで根本原因を修正するよう直接agentに伝えるようにした。

agentが同じミスを繰り返したとき、彼女の手順はまずlintを一本書いて新しい誤った書き方を弾き、それから古いお手本を片づけ、次のagentが踏襲しないようにすることだ。

彼女によれば、PRをレビューする方法も変わった。レビューはagentが提出した検証の成果物、映像・スクリーンショット・グラフ、そして形式検証の結果を確認することに絞られている。agentはChrome DevTools Protocolを通じて実行中のアプリケーションを操作し、TLA+はマルチデバイス通知の設計を検査し、Leanは仮想化アルゴリズムの性質を証明し、プロパティベーステストによるUIテストも使っている。これらはすべて実験と初期成果として語られており、形式手法には可能性があるが万能ではないとも述べている。

彼女自身のトークン消費の大半は、コードを書くことではなく検証に使われている。同僚のCindy Sridharanの言葉として、1日の約70%のトークンが検証に使われているとも引いた。

私が経験した別のバージョン:制限を受けたagentが別の経路を探した

私はエンジニアではないが、この順序は自分のワークフローで二度経験した。

一度目はGrokをレビュアーとして設定したときのことだ。Macでファイルへの書き込みを禁止したところ、拒否されたGrokはシェルを経由して別の経路から書き込もうとし、最終的にmacOSのサンドボックスに弾かれた。その後、三層の読み取り専用制限を重ねた。ツール一覧は読み取り系のみ、権限ルールで書き込みとコマンドラインをブロック、最下層でサンドボックスがもう一度弾く。一層を迂回しても、次の層がある。Lauren Tanのピラミッドに当てはめると、最初の制限は元の書き込み経路を弾いたが別の経路は防げず、最終的に弾いたのは最下層のサンドボックスだった。

二度目は原稿の修正だ。対比の文型・ダッシュ・読点の連打・短文の連打・定型のつなぎ言葉という五種類の問題を入稿前のスクリプトに組み込み、見直すべき箇所を集めて表示するようにした。

ただしスクリプトにも管理できない部分がある。表示されるのは見直し候補の文であって、修正命令ではない。意味・語調・経験が本当にあったかどうかは自分で確認する。ツールは問題を見つける助けにはなるが、起きていない出来事が実在することを確かめてはくれない。これを私はピラミッドの最後にテキストルールと人によるレビューが残る理由として読んでいる。このスクリプトはパターンを検出できるが、検出した箇所がすべて問題というわけでもなく、事実の確認もできない。

この記事を書くとき、自分が蓄積した74件の修正記録をこの分け方で整理し、codexにも概要から独立して整理してもらった。照合した結果、17件は今すぐテキストから削除できる。検査がすでに書かれているか、そのルールの前提がなくなっているかのどちらかだ。23件は検査として書き直せる。34件はテキストに残すしかなく、その大半は判断・権限の委譲・文体に関するものだ。

整理し終えて、むしろ気になったのは別のことだった。私がすでに検査していると思っていた箇所が三か所、実は誤ったバージョンを検証していた。たとえば原文が修正された後に一つの言語だけ再翻訳されると、残りの二言語の古い訳がすでに更新済みとして記録されてしまうケースだ。この三か所はまだ修正していない。次にやることだ。私の読み方としては、ピラミッドの前半に置いた検査も、定期的に人が遡って検証する必要がある。

補足説明1:3,000件のPRの裏にある、省かれた半年と0.5%

講演で語られた数字はこの通りだ。

  • 彼女個人が講演前の1ヶ月に約3,000件のPRを本番環境にリリースした。
  • Grok Bot全チームの同月分が約11,000件。10月は少なくとも1件のPRを貢献した人が約227人、安定版クライアントはほぼ毎日リリースされている。
  • 全チームのrevert(マージ後に撤回)の比率は約0.5%で安定している。講演では彼女個人の比率は示されなかった。より詳しい講演録まとめには、この比率はrevertされたPRだけを数えており、後から別のPRで修正されたバグは含まないと注記されている。

投稿が伝えた3,000件という数字は正確だが、二つのことが抜けている。一つは、彼女が約半年かけてagentの作業環境を整えた後にこの速度に慣れた、と本人が述べていることで、しかもその半年はいわゆる「ソフトウェアファクトリー」型の自動化を始める前の話だ。もう一つは、あの0.5%だ。私の読み方では、件数を増やせるのは前段階で積み上げた検査と検証があってこそで、件数だけを見てもその層は見えない。

投稿には、agentが大部分のPRを自分でマージしている、と書かれていた。講演での言い方は、agentが大部分のPRを自分でマージ「できる」というものだった。公式講演録ページはこれを条件付きで述べている。修正が一つひとつ検査や設計に落とし込まれ、レビューすべきものが十分に減って初めて、agentに自分でマージさせることができる。現時点で確実に動いている自動マージは別の流れだ。毎回のリリース後、Cursorプロジェクトが実際のユーザーと同様にビルド全体を操作し、バグを見つけたら修正PRを開いて自動マージする。彼女はまた、今ではほとんどのプロダクションコードに人が深くレビューに入る必要がなくなったとも述べた。

彼女が言った一言を記録しておきたい。内側のコーディングループが粗雑なコードを出し続けているなら、自動化してもより多くの粗雑なコードを量産するだけだ。

これらの数字はすべて彼女が登壇中に自ら報告したもので、第三者による検証は見つからなかった。公式講演録ページもこれはチームの自己申告した成果であり、対照実験ではなく、他のコードベースに同じことが当てはまると証明するものではないと明記している。講演録ページには各PRのサイズや種類、消費したトークンの総量も記載されていない。

補足説明2:「agentチームが90%強い」は何との比較か

この数字はAnthropicが2025年6月に公開したエンジニアリング記事〈How we built our multi-agent research system〉に由来し、正確な値は90.2%だ。よく省かれる前提が三つある。

  • 比べたのはAnthropicの内部研究型評価で、Claude Opus 4を主agentとし数体のClaude Sonnet 4をサブagentとして使ったときと、Opus 4単独を比べている。
  • これは情報収集・調査研究といった並列化しやすい作業であり、コーディングの評価ではない。
  • 同じ記事にはマルチagentシステムが通常のチャットの約15倍のトークンを消費すること、そしてコーディングタスクの多くは研究と比べて真に並列化できる部分が少ないことも書かれている。

同じ記事には90%という数字が二つある。もう一つは並列化によって複雑なクエリの調査時間が最大90%短縮されたというもので、あの長文の本文で使われていたのはこちらだ。

公平に言えば、長文の本文は冒頭より慎重な書き方をしていた。agentの群れをいつ使うべきでないかを丸ごと一段落で論じており、15倍のトークンという数字を引き、Google Research・Google DeepMind・MITの研究〈Towards a Science of Scaling Agent Systems〉も引いている。この研究は、マルチagentの協調は並列化できるタスクでは明確な効果があるが、逐次処理が必要なタスクでは逆に性能が落ちることを示している。著者は、まず1体のagentで試し、十分な結果が出たらそこで止める、とも勧めている。拡散したのは主に冒頭の二文だ。この長文はX上でPaid partnershipと表示されており、AIスタッフサービス「Viktor」の協賛であることが文末に記されている。

Cursorが1週間でブラウザを作ったことは何を証明するか

これは部分的に事実だ。Cursorは2026年1月の記事〈Scaling long-running autonomous coding〉で、agentをゼロからブラウザの実装に当たらせ、ほぼ1週間実行し続け、1,000ファイルにわたる100万行超のコードを書いたと報告した。agentは三つの役割に分かれていた。プランナーがコードベースを探索しタスクを切り出し、エグゼキュータがタスクの完了に集中し、クリティックが各ラウンドの終わりに継続するかどうかを判断する。Cursorの原文には数百体のagentが同時に動いていたとあり、Simon Willisonが自身の記事で記録したところでは、ピーク時に約2,000体だったという。

「1週間」には注釈が必要だ。Simon Willisonがまとめた対談によると、ほぼ1週間はCursorが記事を公開した時点までの最長の連続実行であり、研究プロジェクト全体では約3週間かかっている。その前段階としてWilson Linが2025年11月から個人のサイドプロジェクトとして始め、最初は単一のagentで進めていた。「ゼロから」にも多少の割引が必要で、agentはTaffyやQuickJSなどの既存パッケージを自ら導入している。また小さな一時的なバグはagentに残させることを許容し、正確さよりスループットを優先した。

ただしこれは研究実験だ。Simon Willisonの記事はプロジェクト作者のWilson Linとの対談をまとめたもので、Wilson Linは正式リリースや実際に使えるソフトウェアとして作ることは最初から意図していなかったと語っている。当時JavaScriptはオフの状態だった。エンジンはまだ実装中で、あるagentがそれをフィーチャーフラグの後ろに置いていた。これが証明したのはagentが長期間協調できることであり、こうして作ったものがそのまま使えるということではない。

環境を先に整えてから、手を離す

三つを並べて読むと、共通点が浮かぶ。AIコーディングのアウトプット量は驚くほど大きくなれるが、どの拡大にも前提がある。Lauren Tanの数字は、彼女の言葉によれば半年の安全網整備が先にある。Anthropicの90%は並列化しやすい研究タスクとの比較で、マルチagent自体が通常のチャットより約15倍のトークンを消費する。Cursorのブラウザは実験だ。

今月初め、私はThorsten Ballの15のagent作業習慣について書いた。その中の一条に、agentが散らかったコードを積み上げることをもう心配しなくてよい、とある。当時の私の読み方は、彼がそう言えるのは彼の作業条件と関係している、というものだった。Lauren Tanのこの講演は、そうした条件を具体的に展開してくれた。コードベースの境界、ミスを弾けるlint、agentが自分で実行する検証、そして検証に費やす大半のトークン。粗雑なコードを気にしなくていいと言う人と、すべてのコードは粗雑だと言う人、私には同じことの両面に見える。

これは〈AIにより大きな仕事をさせたいなら、まずエラーを捕まえる仕組みを作る〉で書いたことと同じ線上にある。Lauren Tanはそこにもう一つの答えを加えてくれた。ミスはどの層で食い止めるか、という答えだ。

次にagentがまた同じミスを犯したとき、まずルールファイルに一文足すのを急がないこと。その前に問う。これはテストかlintとして書けるか、ミスをした瞬間に弾けるか。さらに問う。書き方を変えて、そのミスをそもそも書けないようにできるか。どちらも無理なら、ルールファイルに書く。

ルールファイルが長くなるほど、どの行をコードに任せられるか振り返る価値がある。