AIコーディングワークフローを構築する多くの開発者は、すぐにシングルエージェントの壁に直面します。複雑なプロジェクトを一つのエージェントで処理しようとすると、時間がかかり、結果も不十分になりがちです。本記事では、厨房の比喩を用いてマルチエージェントワークフローの実践方法を深く紹介し、5つの検証済みパターンをまとめます。
シングルエージェントの問題は、期待が大きすぎ、タスクの分解が不十分なことにあります。プロジェクトが単純なHTMLゲームから実際のアプリケーションに移行すると、開発者はAIが「合成」「閲覧」するのを長時間待ち、最終的に悪いコードと肥大化したコンテキストウィンドウに悩まされます。マルチエージェントアーキテクチャでは、「シェフ」（オーケストレーター）が注文を分解し、検証可能なタスクとして「調理人」（サブエージェント）に割り振ります。各サブエージェントは独立したコンテキストウィンドウを持ち、自分のタスクに専念するため、シングルエージェントのコンテキスト肥大化や非効率を回避できます。
マルチエージェントワークフローが最近実用的になった理由は、基盤モデルの性能向上と、人気のAIコーディングエージェントがマルチエージェントオーケストレーションを容易にしたためです。例えば、OpenAIのCodexワークフローやAnthropicのClaude CodeとMCPエコシステムがこのアーキテクチャをサポートしています。最大の進展は速度です。Codex Sparkは約1200トークン/秒で動作し、並列処理や検証ステップを実用的に導入できるようになりました。実際の例として、CodexとFigma MCPを使用してウェブサイトをFigmaにコピーするタスクでは、シングルエージェントワークフローが平均36.5分、平均12回の介入（成功率0%）だったのに対し、マルチエージェントワークフローは5.2分、2回の介入で初回成功を達成しました。
このアーキテクチャには3つの直接的な利点があります：
- トークン効率：実効コンテキストウィンドウが約20万から2500万以上に拡大します。オーケストレーターはファイルの読み書きやツール呼び出し結果の直接参照を行わず、delegate_taskを介してサブエージェントを生成します。各サブエージェントは新しいコンテキストウィンドウを持ち、コンテキストの喪失や頻繁な圧縮を回避します。
- 制御力：順次実行ワークフローにより各ステップを厳密に制御できます。オーケストレーターはスクリプトに従い、タスク分解、探索、テスト、ドキュメント作成などのフェーズごとにサブエージェントを生成します。内部試験では、この順次ループにより手動介入が84.3%削減されました。
- 速度：明確に定義されたタスクを並列実行できます。5つのマスコットバリエーション生成を並列で行ったところ、約1分で完了し、順次実行の5分と比較して約5倍の高速化を達成しました。
記事では5つの実用的なマルチエージェントワークフローパターンも紹介しています：
- 準備ライン（Prep Line）：複数のサブエージェントが独立して複数のオプションを生成し、人間が最適なものを選びます。デザイン探索、コードバリエーション、テスト生成に適しています。例として、Parchi用に50のマスコットバリエーションを作成するため、5つのCodex Sparkサブエージェントに各10バリエーションを生成させ、好みのものを選びました。
- ディナーラッシュ（Dinner Rush）：複数のサブエージェントが異なる独立タスクを同時に処理し、共通の目標に貢献します。MoonshotAIがKimi-K2.5で開拓した「群」の概念に基づきます。アプリの独立コンポーネント構築に適していますが、タスクがファイルを共有しないことが重要です。
- コース順次（Courses in Sequence）：プロジェクトを複数のウェーブに分割し、各ウェーブ内では並列、ウェーブ間は順次依存します。大規模リファクタリングやフルリビルドに適しています。各ウェーブのサブエージェントは自身のタスクに関連するコンテキストのみを取得します。
- 準備から盛り付け（Prep-to-Plate Assembly）：サブエージェントが順次実行し、各タスク完了後に検証して次に引き渡します。長期研究や多段階パイプラインに適しており、状態はファイルとタスクキューに保持され、会話履歴には残りません。
- ゴードン・ラムゼイ（Gordon Ramsay）：コードを書くサブエージェントとは別に、検証専門のサブエージェントを配置し、品質を確保します。これはアーキテクチャというよりも規律であり、コード作成と検査を分離します。
これらのパターンはすべて、問題を小さく明確なタスクに分解し、各サブエージェントに最小限のコンテキストを与えるという原則に基づいています。これらのパターンを実践することで、開発者はシングルエージェントの制限を突破し、より信頼性が高く効率的なAIワークフローを構築できます。モデルの速度が向上し続ける中、マルチエージェントワークフローはAIコーディングの主流パラダイムとなるでしょう。