コード開発におけるAIエージェントの系統と状態を追跡する論理的な方法
本記事では、エージェンティックソフトウェア開発において、AIエージェントの決定履歴、構成、生成コードの系統を体系的に追跡する方法を探ります。著者は、可観測性とスケーラビリティのために「エージェントウェアハウス」を構築することを提案し、エージェントデータの保存におけるGitの限界について議論します。
エージェンティックなソフトウェア開発では、AIエージェントの系統と状態を追跡することが重要です。従来のGitコミット履歴はファイルの変更のみを記録しますが、エージェントの意思決定プロセスに関する情報は欠けています。著者のJason Davenport氏は、エージェントの知識を管理するシステムが必要であると主張します。これには、エージェントが下した決定、その決定方法、およびエージェントの構成が含まれます。
コードを作成するエージェントの場合、少なくとも各コミットのGitコミットSHA、エージェントのバージョンまたは識別子、およびエージェントセッションのログを追跡する必要があります。しかし、Gitはペイロードサイズに制約があり、ログは急速に成長する可能性があります。一つの解決策は、コミットにエージェントのメタデータを強制的に追加し、後でエージェントコンポーネントを検索できるようにすることです。また、エージェントが構築するシステムの可観測性も考慮する必要があり、コードはシステムの現在の「計画」に過ぎず、実際の動作バージョンも必要です。
著者は、エージェントからコード、デプロイメントに至る系統システムを提案しています。これはデータ管理における行レベルの系譜と似ており、コンテナメタデータ内のコミットSHAやプルリクエスト内のエージェントSHAなどの識別子を残すことで、システムの各段階を結びつけることができます。大規模なエージェント開発には、専用のデータストアである「エージェントウェアハウス」が必要です。これはスキル、MCP、Gitフック、クラウド可観測性スイートなどのソースからメタデータとトランザクションデータを収集するデータウェアハウスです。データを一元化することで、特定のコミットSHAやエージェントに対する系統を構築し、エージェントの動作がシステムに与える影響を理解し、スキルの調整やモデルの微調整が可能になります。
プロトタイプ段階ではエージェント情報をコードリポジトリにパッケージ化するのは簡単ですが、スケールが大きくなると問題が生じます。異なるエージェントがコードベースの共通知識を共有しつつ、固有の情報も保持する必要があります。そのため、上記のような論理アーキテクチャを備えたシステムの設計が必要です。著者はセッションジャーナルスキルを使用したローカルシステムの開発を開始しており、データエンジニアリングの基礎を学ぶことを推奨しています。エージェントの状態管理は、スケーリングにおける最大のボトルネックの一つになりつつあります。