実践

Warp × Claude で自己改良エージェントを構築——ターミナルツールの実装解体

ターミナルツール Warp が Claude 上にエージェントを構築した事例を Anthropic 公式ブログから読み解く。鍵はモデルの賢さではなく、過去のコマンド実行を次の入力に変換するエンジニアリング層にある。

文字サイズ

Warp が最近、Anthropic の公式ブログでケーススタディとして取り上げられた。自社で Claude を使って自己改良エージェントをどう実装したかを紹介する内容で、記事は HN のトップページに約19時間掲載され、コメントも10件ついた。ターミナルツールという領域において、Warp は AI ターミナル製品の中でも特に完成度の高い存在として知られており、彼らのエンジニアリング上の取舍選択には学ぶところが多い。

Warp が今回やったことの全体像

Warp のエージェントはチャットボットではない。ターミナル内で直接コマンドを実行し、ファイルを編集し、その出力をもとに次のアクションを判断する。

GitHub Copilot のように「関数を補完する」ツールとは違い、Warp のエージェントは自然言語の指示を受け取る。たとえば「倉庫内のすべての TODO コメントを markdown の表に書き出して」といった形で渡すと、ステップ分解、コマンド実行、エラー処理を自律的にこなす。

重要なのは、Warp のエージェントが hardcode されたワークフローでも、ワンショット LLM 呼び出しでもない点だ。Claude を複数ラウンドで呼び出し、都度、直前の結果に応じて振る舞いを変えていく。

「自己改良」は魔法じゃない——3つの具体的メカニズム

Anthropic のブログでは「自己改良」を 3 つの層に分けて説明している。この区別なしに「モデルが自己反思できる」と考えると万能薬扱いしてしまうので、注意したい。

第1層:ツール呼び出し結果の再注入。Claude は標準で tool use をサポートしている。エージェントは bash、read_file、edit_file というツール定義を渡し、Claude 自身が呼び出しのタイミングや引数、結果の解釈を決める。これは Claude API 標準の機能であり、Warp が新しく発明したものではない。

第2層:失敗時のプロンプト再構築。コマンドが失敗したとき、表示されるエラーが「Permission denied」なのか「command not found」なのかで、Claude が見る情報はまったく異なる。Warp は stderr、exit code、前回の呼び出し引数を再構成して、Claude に「前回なぜ失敗したか」を見せるプロンプトを生成する。これがブログで最も丁寧に解説されている層で、具体的な例も掲載されている。

第3層:トレースの再生。Warp は各エージェントセッションの全過程——各ステップのコマンド、出力、モデルの推論、ユーザーフィードバック——を保存している。失敗したセッションはリプレイ可能、成功したセッションは few-shot のサンプルとして次のラウンドに投入できる。これは Claude 側の機能ではなく、Warp が独自に追加したエンジニアリング層だ。

3 層をまとめるとこうなる:Claude が「次に何をすべきか」を判断し、Warp が「過去の自分を次のラウンドの入力に変換する」役割を担う。

ターミナルエージェントのボトルネックはモデルではなくコンテキスト

ターミナル環境には独特の特徴がある。コマンド出力が異常に長くなる(npm install のログは何百行にもなる)、状態が汚染される(直前の cd が次に影響する)、エラーメッセージの曖昧さ(error: EACCES が権限問題なのかパス問題なのか判別が必要)などだ。

Claude API をそのまま叩くだけでは実用にならない。Warp は中間に独自の層を挟み、以下を実装している:

  • 出力の切り詰めと構造化要約。npm install の完全ログをそのまま Claude に渡さず、まず要約を作成。バージョン番号、warning、最終 exit code といった重要情報を残す
  • 作業ディレクトリのスナップショット。エージェントがファイルを編集する前にベースラインを保存し、問題があればロールバック可能にする
  • ツールのホワイトリスト。すべての bash コマンドを許可するわけではなく、rm -rf / のような破壊的なコマンドは即座に拒否する

これらは「モデルをもっと賢くする」とは無関係で、純粋なエンジニアリング負債の解消だ。Anthropic のブログも「The model is rarely the bottleneck. The plumbing around it is.」と認めている。

エンジニアリング視点で見る——この事例は模倣に値するか

判断基準は明確だ。Warp 固有の要素と汎用パターンを見極める必要がある。

Warp 固有の要素:

  • ターミナル UI の優位性(TUI 内で diff をハイライト表示、破壊的操作の確認ダイアログを表示)
  • シェルとの深い統合(zsh の履歴や補完を取得可能)
  • ユーザー層が開発者中心で、トークンコストに対する感度が低い

汎用パターン:

  • ツール呼び出し + リフレクションループ(react 風の agent loop)
  • トレース再生 + 失敗ケースを学習データ化
  • コンテキスト圧縮(長くなる出力が発生するあらゆる場面で有用)

ターミナル以外の領域では前 3 つは模倣できない。だが後 3 つはあらゆる Agent プロジェクトに応用可能で——特にトレース再生については、ほとんどの Agent チームが不十分にしか実装していないのが実情だ。

HN コメント欄の論点を整理する

コミュニティは大きく 2 派に分かれた。

批判派:「self-improving なんてマーケティング用語で、本質は few-shot prompting + retry にすぎない」というコメントが最多の票を集めた。Warp はモデルを改造しているわけではなく、本当の意味で「学習」しているわけでもない、各セッション内でリフレクションしているだけだという事実を的確に突いている。

実用派:トークンコストを懸念する声が多い。複雑なタスク 1 件で Warp Agent が数万トークンを消費するケースは珍しくなく、複数ラウンド + 長い出力 + リフレクションプロンプトの全てにコストがかかる。エージェントを 1 晩走らせて結果が出なかった場合、請求書の方が新人インターンを雇うより高くなりかねない。

さらに鋭いコメントとして「Self-improving は本物だが、方向性が正しいとは限らない。Agent は何ラウンドも回すとユーザー意図からどんどん離れていく可能性がある。なぜならエージェントが最適化しているのは『コマンドを成功させる方法』であって『ユーザーの課題を解決する方法』ではないからだ」がある。

これは核心を突いていると感じる。

編集部の見解

Self-improving agent という言葉はすっかり濫用されており、ほとんどのチームが自己演出のために使っている。実体を分解すれば「複数ラウンド呼び出し + 結果の再注入 + リフレクションプロンプト」でしかない。Warp の事例が特殊な点は「自己改良」していること自体ではなく、この仕組みをターミナル——エラーが許されない環境——で実用的に動かしたことだ。コマンドが落ちたらそこで終わり、「まあいいや」は通用しない。

私見として、Warp のこのエンジニアリングパターンは今後半年で様々な Agent フレームワーク——特に開発者向けツール向けのもの——に模倣されるだろう。ただし模倣されるのは表面的な部分——ツール呼び出し + 複数ラウンドのリフレクション——に留まる。トレースシステムとコンテキスト圧縮は難易度が高い。どちらも成熟したオープンソースソリューションがなく、自前で構築する必要があるからだ。

不確実な点:この Agent の長期的なコスト構造に関するデータが公開されていない。Warp がトークン削減に取り組んでいないなら、利益率は維持できない可能性がある。また「自己改良」の方向性の問題——先ほどのコメントが指摘した件——をどう解決するかについて、現時点で明確な答えは出ていない。

出典:How Warp builds self-improving agents on Claude

出典: https://claude.com/blog/how-warp-builds-self-improving-agents-on-claude