AI自律型指示書生成・実行システムの比較検討

作成日: 2025-07-27
概要: AIが自ら適切なペルソナとタスクを選択し、指示書を生成・実行する方式の比較

背景

現在のシステム要素：

• モジュールシステム: 動的な指示書生成
• ペルソナ・タスク分離: 役割と作業の明確化
• チェックポイント: 進捗管理

これらを統合し、AIが自律的に最適な実行方法を選択するシステムを検討。

方式1: フルオート型（完全自律）

概要

ユーザーの要求からAIが全てを自動判断

ユーザー: 「競合他社の技術動向を調査して報告書を作って」
    ↓
AI: 1. 要求分析
    2. ペルソナ選択: market_researcher + technical_writer
    3. タスク選択: competitive_analysis + report_generation
    4. 指示書生成
    5. 自己実行

実装イメージ

# scripts/auto_execute.sh
USER_REQUEST="$1"

# AIによる分析と生成
echo "$USER_REQUEST" | ai_analyze_and_generate.sh

# 生成される内容
{
  "selected_personas": ["market_researcher", "technical_writer"],
  "selected_tasks": ["competitive_analysis", "report_generation"],
  "execution_plan": {
    "phase1": {
      "persona": "market_researcher",
      "task": "competitive_analysis",
      "parallel": true
    },
    "phase2": {
      "persona": "technical_writer",
      "task": "report_generation"
    }
  }
}

メリット

• 最も簡単な使用方法
• ユーザーの負担最小
• 一貫性のある実行

デメリット

• ブラックボックス化
• 制御が困難
• 予期しない動作の可能性

評価: ★★☆☆☆

シンプルだが、制御性に課題。

---

方式2: セミオート型（提案＋承認）

概要

AIが提案し、ユーザーが承認後に実行

ユーザー: 「新しいAPIの設計と実装をお願い」
    ↓
AI: 以下の構成を提案します：
    
    【ペルソナ】
    - Phase1: api_designer（API設計）
    - Phase2: backend_engineer（実装）
    - Phase3: technical_writer（ドキュメント）
    
    【タスク】
    - api_design → implementation → documentation
    
    【並列実行可能な部分】
    - エンドポイント別の実装
    - ドキュメント作成
    
    この構成で進めてよろしいですか？[Y/n]

実装イメージ

# 生成される実行計画
execution_plan:
  name: "API開発プロジェクト"
  phases:
    - id: "design"
      persona: "api_designer"
      task: "api_design"
      outputs: ["api_spec.yaml", "design_doc.md"]
      
    - id: "implement"
      persona: "backend_engineer"
      task: "code_implementation"
      parallel_hints:
        claude_code: "エンドポイントごとに4つのタスクで並列実装"
      depends_on: ["design"]
      
    - id: "document"
      persona: "technical_writer"
      task: "technical_documentation"
      can_start_early: true  # 設計完了後から開始可能

メリット

• 透明性が高い
• ユーザーが制御可能
• 学習効果（AIの判断を理解）

デメリット

• 承認ステップが必要
• 完全自動化ではない

評価: ★★★★☆

バランスが良く、実用的。

---

方式3: テンプレート駆動型（パターンベース）

概要

よくあるパターンをテンプレート化し、AIが選択・カスタマイズ

project_templates/
├── software_development.yaml    # ソフトウェア開発
├── research_project.yaml       # 研究プロジェクト
├── business_analysis.yaml      # ビジネス分析
├── content_creation.yaml       # コンテンツ作成
└── product_launch.yaml         # 製品ローンチ

テンプレート例

# project_templates/research_project.yaml
template:
  name: "研究プロジェクトテンプレート"
  description: "学術研究や調査プロジェクト用"
  
  phases:
    - name: "文献調査"
      persona_options: ["academic_researcher", "market_researcher"]
      task: "literature_review"
      customizable: true
      
    - name: "データ収集・分析"
      persona: "data_scientist"
      task_options: ["data_collection", "statistical_analysis"]
      
    - name: "論文・レポート作成"
      persona_options: ["academic_researcher", "technical_writer"]
      task: "research_paper"
      
  ai_customization_points:
    - "研究分野に応じたペルソナ調整"
    - "成果物形式の選択"
    - "並列実行可能な部分の特定"

使用例

ユーザー: 「AIの安全性に関する研究をしたい」
    ↓
AI: 研究プロジェクトテンプレートをカスタマイズします：
    
    1. 文献調査フェーズ
       - ペルソナ: academic_researcher（AI倫理専門）
       - 並列実行: 4つの研究領域で同時調査
    
    2. 分析フェーズ
       - ペルソナ: data_scientist + security_analyst
       - タスク: リスク分析 + 統計分析
    
    3. 執筆フェーズ
       - ペルソナ: academic_researcher
       - 成果物: 査読論文形式

メリット

• 実績のあるパターンを活用
• カスタマイズが容易
• 品質が安定

デメリット

• テンプレート作成が必要
• 新規性のあるプロジェクトに対応困難

評価: ★★★★☆

実用性と柔軟性のバランスが良い。

---

方式4: 対話型進化システム（インタラクティブ）

概要

AIとの対話を通じて段階的に最適化

ユーザー: 「新しいWebサービスを作りたい」
AI: どのような種類のWebサービスですか？

ユーザー: 「データ可視化ダッシュボード」
AI: 以下の構成はいかがでしょうか：
    - frontend_engineer（UI実装）
    - data_scientist（データ処理）
    - ux_designer（デザイン）
    
    特に重視したい点はありますか？

ユーザー: 「リアルタイム性とスケーラビリティ」
AI: それでは以下を追加提案します：
    - system_architect（アーキテクチャ設計）
    - performance_analyst（パフォーマンス最適化）
    
    並列実行可能：
    - フロントエンドとバックエンドの同時開発
    - コンポーネント別の実装

実装の流れ

# 疑似コード
class InteractiveProjectBuilder:
    def build(self, initial_request):
        context = analyze_request(initial_request)
        
        while not context.is_complete():
            suggestion = generate_suggestion(context)
            user_feedback = get_user_feedback(suggestion)
            context.update(user_feedback)
            
        return generate_execution_plan(context)

メリット

• 要件の明確化
• ユーザー教育効果
• 柔軟な対応

デメリット

• 時間がかかる
• ユーザーの知識に依存

評価: ★★★☆☆

丁寧だが効率性に課題。

---

方式5: ハイブリッド型（推奨）

概要

上記方式の良い部分を組み合わせた実用的なアプローチ

基本フロー

1. クイックスタート（方式1）
   └→ 簡単な要求は即座に実行
   
2. テンプレート提案（方式3）
   └→ 該当するテンプレートがあれば提示
   
3. カスタマイズ提案（方式2）
   └→ 必要に応じてカスタマイズを提案
   
4. 対話的調整（方式4）
   └→ 複雑な要求は対話で明確化

実装例

#!/bin/bash
# smart_execute.sh

analyze_request() {
    # 要求の複雑度を判定
    if is_simple_request "$1"; then
        echo "quick"
    elif has_template "$1"; then
        echo "template"
    else
        echo "interactive"
    fi
}

# 使用例
./smart_execute.sh "READMEを更新して"
# → クイックモード: technical_writer + documentation タスクで即実行

./smart_execute.sh "新製品の市場調査と開発計画"
# → テンプレートモード: product_launch テンプレートを提案

./smart_execute.sh "革新的なAIシステムの研究開発"
# → 対話モード: 詳細を確認しながら構築

統合実行例

# 生成される統合指示書
integrated_instruction:
  metadata:
    generated_by: "AI Autonomous System"
    strategy: "hybrid"
    confidence: 0.85
    
  execution_chain:
    - step: 1
      mode: "single_persona"
      config:
        persona: "market_researcher"
        task: "market_analysis"
        
    - step: 2
      mode: "parallel_personas"
      config:
        personas:
          - "system_architect"
          - "ux_designer"
        tasks:
          - "architecture_design"
          - "ui_design"
        parallel_hint: "設計を並列で進める"
        
    - step: 3
      mode: "sequential_with_early_start"
      config:
        primary:
          persona: "software_engineer"
          task: "implementation"
        secondary:
          persona: "technical_writer"
          task: "documentation"
          can_start_at: "50%"

メリット

• 状況に応じた最適な方式
• 効率性と制御性のバランス
• 段階的な学習と改善

デメリット

• 実装が複雑
• 初期設定が必要

評価: ★★★★★

最も実用的で柔軟。

推奨事項

1. 段階的導入

1. Phase 1: セミオート型（方式2）から開始
2. Phase 2: テンプレート（方式3）を追加
3. Phase 3: ハイブリッド型（方式5）へ進化

2. 安全機構

• 実行前の確認（デフォルト）
• 実行計画の可視化
• ロールバック機能

3. 学習機能

• 成功パターンの蓄積
• ユーザーフィードバックの反映
• テンプレートの自動生成

実装優先度

1. 最優先: セミオート型の基本実装
   • generate-instruction.sh の拡張
   • ペルソナ・タスク選択ロジック
   • 実行計画の可視化
2. 次点: テンプレートシステム
   • 基本テンプレート作成
   • カスタマイズ機能
3. 将来: ハイブリッド型への進化

まとめ

推奨アプローチ: セミオート型（方式2）から始めて、段階的にハイブリッド型（方式5）へ

理由:

• 透明性と制御性を確保
• ユーザーの学習を促進
• 実装が現実的
• 将来の拡張が容易

AIの自律性を高めながら、人間の制御を保つバランスが重要です。