技術的概要：自律型コーディングには自律性ではなく、能動性が必要である

1. 問題定義

ソフトウェア開発の風景は、インラインコード補完から、リポジトリの編集、プルリクエストの管理、スケジュールされたルーチンの実行を可能にする自律型コーディングエージェントへと移行しつつある。現在のシステムは顕著な自律性（監督なしで行動する能力）を示しているが、能動性の明確な定義と評価フレームワークが欠けている。

核心的な問題は、エージェントがいつ行動し、何を提示し、いつ沈黙すべきかを決定するメカニズムの欠如である。現在のエージェントは、明示的なプロンプトや固定されたスケジュール（レベル 2）に基づいて動作することが多く、「活動的であること」と「有用であること」を区別できていない。以下については明確な説明がない。

• ソフトウェア開発の文脈における能動性の意味。
• 単純な自律性との違い。
• 能動的な長期タスクが満たすべき受入基準。
• 自発的なエージェントの行動が、単なる侵入ではなく有益であると判断するための指標。

これらの定義がなければ、フィールドはエージェントの「インサイトポリシー（次に何が重要かに関する意思決定プロセス）」が効果的かどうかを評価できない。

2. 方法論とフレームワーク

著者は、混合イニシアチブ相互作用（Horvitz, 1999）と自律性の分類体系（Händler, 2023）に基づいた理論的フレームワークを提案する。方法論は 3 つの主要な構成要素からなる。

A. 意思決定理論的定式化

本論文は、エージェントが割り込みコストを最小化しつつ期待効用を最大化するように行動 $a^*$ を選択する、意思決定理論的な方程式を用いて能動的行動をモデル化する。
$$a^* = \arg\max_{a \in A} \mathbb{E}_{p(o|a,s_t,E_t)} [U(o; \theta)] - \text{Cost}_{int}(s_t, a; \theta)$$

• 行動空間 ($A$): notify（通知）、question（質問）、draft（ドラフト作成）、そして決定的に重要な stay silent（沈黙）を含む。
• 状態 ($s_t$): 開発者の状態（開いているバッファ、カレンダー、スプリントの締切）。
• イベントストリーム ($E_t$): コード、プロジェクト、コミュニケーションイベントの連続ストリーム。
• 割り込みコスト ($\text{Cost}_{int}$): 開発者の集中力、ワークフローのフェーズ、回復時間に基づく変動的コスト。
• インサイト: 文脈に根ざし、時間的制約を持つ仮説と、行動するか沈黙するかという決定をペアにしたものとして定義される。

B. 能動性の 3 レベル分類体系

著者は、エージェントが意思決定方程式の各項を計算する能力に基づき、エージェント型コーディングシステムを 3 つのレベルに分類する。

1. レベル 1（反応型）: エージェントは明示的なプロンプトがある場合のみ実行される。リクエスト間の永続的な環境存在や時間モデルを持たない。
2. レベル 2（スケジュール型）: エージェントはスケジュールや事前定義されたトリガー（例：ウェブフック、GitHub イベント）に基づいて実行される。出力をフィルタリングまたはランク付けする可能性があるが、開発者ごとの文脈横断的な割り込みポリシーを学習しない。沈黙は学習された選択ではなく、単にトリガーの欠如に過ぎない。
3. レベル 3（状況認識型）: エージェントはイベントストリームを継続的に監視し、完全な行動空間（stay silentを含む）全体にわたって効用と割り込みコストを計算し、開発者のフィードバックに基づいてポリシー ($\theta$) を更新する。何を、いつ、そして何かを提示すること自体が正しい行動かどうかを決定する。

C. 評価プロトコル

本論文は、ソフトウェア開発へのアクティブユーザーシミュレーション（Nathani et al., 2026）の適応を提案する。SWE-Bench のような最終タスク完了のスコアリングではなく、評価はインサイトストリームに焦点を当てる。

• トレース収集: リポジトリの差分、CI ログ、コミュニケーション、IDE の状態を整合させた、タイムスタンプ付きで再生可能な開発者ワークフローのトレース。
• シナリオ構造: 長期シナリオには、弱いシグナル、撹乱要因、確認的な証拠、そして沈黙が正しい行動となる瞬間が含まれる。
• 指標:
  1. インサイト決定品質 (IDQ): エージェントが適切なタイミングで正しい行動（通知、質問、ドラフト作成、沈黙）を選択したかどうかをスコアリングする。
  2. 文脈根拠スコア (CGS): 提示されたインサイトが回復可能な証拠（ファイル、差分、ログ）によって支持されているか、そしてメッセージがその証拠に忠実であるかを測定する。
  3. 学習リフト (LL): ポリシーが開発者のフィードバックに適応した場合の IDQ の改善度を、固定されたポリシーと比較して測定する。

3. 主要な貢献

本論文は 4 つの具体的な貢献を行う。

1. 3 レベル分類体系: 自律性から能動性を形式的に分離し、反応型、スケジュール型、状況認識型のエージェントを区別する。
2. 比較監査: 5 つの現代的コーディングエージェント（Cursor、GitHub Copilot、Jules、Claude Code、および LangChain のリファレンスアーキテクチャ）を 5 つの実用的基準（O1–O5）に対して分析する。
   • 発見: 現在展開されているエージェントはレベル 2 の周りに集まっている。割り込みコストの計算（O1）、学習された行動としての明示的な沈黙（O2）、開発者ごとのフィードバックに基づくポリシー更新（O3）を公に文書化しているものはない。
3. プロトタイプレベル 3 エンジン: 「インサイト」ユニットを中心に据えた概念的アーキテクチャであり、開発者のメンタルモデルを維持し、反応から学習する。
4. 評価指標: 能動的行動を測定するための主要単位として IDQ、CGS、LL を提案し、焦点をタスク完了からインサイトポリシーの品質へと移行させる。

4. 結果と知見

本論文は、展開されたレベル 3 システムからの測定された実験結果を提示していない。これは立場表明と測定提案である。しかし、既存システムの監査は以下の知見をもたらす。

• 「能動性のギャップ」: Cursor Automations や Claude Code Routines のようなシステムはスケジュールされたタスク（レベル 2）をサポートしているが、割り込みコストの計算や、沈黙を明示的かつ学習された行動として扱う証拠はない。
• O1-O5 監査:
  • O1（割り込みコスト）: 展開されたエージェントでこれを計算しているという文書はない。
  • O2（明示的な沈黙）: 行動空間において沈黙を学習された行動として文書化しているエージェントはない。
  • O3（フィードバック更新）: 証拠は弱い。一部のシステムはメモリを公開しているが、表示決定への影響は不明確である。
  • O4（文脈横断）: 複数の文脈カテゴリを取り込むための部分的な証拠が存在する。
  • O5（開始チャネル）: 広く満たされている。エージェントは別々のツールなしでメッセージを表示できる。
• 現状に関する結論: 最前線は新しい能力を発明することではなく、既存の相互作用パターンをソフトウェア開発の specifics、特にいつ割り込み、いつ沈黙すべきかの判断に適応させることにある。

5. 意義と主張

本論文は、次世代のコーディングエージェントは、どれだけの作業を完了するかではなく、インサイトポリシーの品質と改善度によって評価されなければならないと主張する。

• パラダイムの転換: 能動性は、単なる自動化ではなく「混合イニシアチブの協働」として捉えられるべきである。エージェントが、どの貢献が注目に値するか、どの証拠がそれらを信頼できるものとするか、そしてフィードバック後にどのように適応するかを学習する場合、そのエージェントは能動的である。
• 説明責任: このフレームワークは能動性をテスト可能にする。「インサイト」を定義し、IDQ、CGS、LL を測定することで、フィールドは製品ラベルを超えて測定可能な行動へと移行できる。
• 設計への示唆: 真のレベル 3 エージェントには、遅延されたインサイトを検査可能にするインターフェースが必要であり、開発者が提案を受け入れ、編集、または却下できるようにすることで、学習に必要なフィードバックループを提供する。
• 謙虚さ: 著者はこれが提案であることを認めている。シミュレートされた開発者は実ユーザーと乖離する可能性があり、リアルタイムの作業からの割り込み発見は非同期メッセージにそのまま転用できないかもしれない。本論文は、不確実性を報告し、能動性を単一のベンチマークスコアではなく、実在の開発者に関わる特性として扱うことを提唱している。

要約すると、本論文は、エージェント型コーディングが成熟するためには、「より多くを行う」ことから「より良く決定する」ことへと進化し、沈黙の戦略的価値と割り込みポリシーの継続的適応に特化した焦点を当てる必要があると論じている。