近年のChatGPTをはじめとする大規模言語モデル（LLM）の急速な普及に伴い、私たちはAIとの付き合い方を模索し続けてきました。
その中で、最初に注目されたのが「プロンプトエンジニアリング」であり、次にRAG（検索拡張生成）などに代表される「コンテキストエンジニアリング」が主流となりました。
しかし、レバレッジが効く領域は再び移動しています。今、私たちは第三の大きな転換期である「ループエンジニアリング（Loop Engineering）」の時代を迎えています。
この記事では、AIエージェントのガバナンスとスケールを扱った注目の書籍『Loop Engineering：Scaling and Governing Agentic AI』のPreface（はじめに）に書かれたエッセンスをもとに、これからのエンジニアに求められる新しい規律の全貌を初心者向けに詳しく解説します！
🔄 LLM活用の「3つの変遷（シフト）」
LLMを実務で活用するための技術は、この数年で大きく3つのフェーズへと進化してきました。
1. 第1のシフト：プロンプトエンジニアリング（Prompt Engineering）
LLMが登場した当初、最も重要視されたのは「LLMに何を言うべきか（プロンプトの文言）」でした。リクエストを丁寧に表現し、いくつか例（Few-shot）を与え、出力形式を細かく指定するスキルです。これはLLMから成果を引き出すための最初のレバレッジでした。
2. 第2のシフト：コンテキストエンジニアリング（Context Engineering）
LLMのコンテキストウィンドウ（一度に読み込めるトークン量）が拡大し、APIなどのツールが成熟するにつれて、制約は「単一のリクエストの文言」から「モデルの前にどのような情報を提示するか（コンテキストの質）」へと移りました。データベースから検索した関連文書（RAG）、スキーマ定義、過去の対話履歴、ツールの説明など、提示する情報の設計が重要になりました。
3. 第3のシフト：ループエンジニアリング（Loop Engineering）
そして現在、レバレッジは個々のメッセージのやり取りから、システム全体の「繰り返し構造（ループ）」へと移行しています。これが「ループエンジニアリング」です。 モデルに対して単発の指示をして一発で結果を出させる（ワンショット生成）のではなく、「目標（ゴール）が達成されるか、またはセキュリティ上の制限（ガードレール）によって停止されるまで、モデルが自律的に計画し、行動し、結果を観察し、修正を繰り返す反復的なシステム」を設計する規律を指します。
🤖 単なる「おもちゃ」のエージェントと「本番システム」の違い
昨今、「AIエージェント」という言葉はあらゆるシステムを指すように拡大解釈されています。しかし、本書の文脈におけるループエンジニアリングは、単に「LLMにプログラムを書かせて、その結果をエディタにコピー＆ペーストする」といったレベルのものではありません。
真にループエンジニアリングが目指す自律システムとは、以下のような特徴を持ちます。
- 多くのステップにまたがって自律的に動作すること。
- 直前のステップで観察した結果に基づいて、次に何をすべきかをモデル自身が決定すること。
- モデル自体が忘れてしまった状態（ステート）を、システム側で保持できること。
- 本番環境でガバナンス（統制）を効かせ、安全性を確保し、信頼できる状態で運用できること。
つまり、設計の最小単位はもはや「個別のメッセージ」ではなく、システム全体の「ループ」そのものなのです。
⚠️ 「デモ」と「本番システム」の間にある不都合な真実
自分のノートPCの上で動作する簡単なエージェントのデモスクリプトを作ったことがあるエンジニアは多いかもしれません。
「起動して、キューを監視し、LLMを呼び出し、ローカルのツールを動かして結果をチェックし、再度実行する」
こういったスクリプトは十分に有用ですし、面白いものです。しかし、それは個人のAPIキーや、ハードコードされたパス、そして「実行時には人間がそばで見張っていること」を前提とした、辛うじて動いている状態に過ぎません。
実際の顧客が毎日利用するような本番運用に耐えうるシステムへと昇華させるためには、極めて不都合な現実と向き合う必要があります。
- 途中でクラッシュした場合の処理：中途半端にシステムの状態が書き換わったまま残されるリスク。
- モデルのドリフト（劣化・乖離）：モデル自身が過去に出力したデータで再学習を繰り返すことで、静かに精度が劣化していく問題（モデル崩壊）。
- 進化するコードベース：開発チームの誰もが把握しきれない速度でコードベースが進化し、動作が不透明になるリスク。
これらの致命的な問題は、開発段階のスクリーンショットや、数分間のデモでは決して表面化しません。本番環境で稼働してから3ヶ月後など、最も不都合な時間帯に突然牙を剥きます。
ループエンジニアリングとは、これら本番運用の現実的な失敗に対処するためのガバナンス、可観測性（オブザーバブル）、安全性の設計図（ブループリント）なのです。
📘 本書『Loop Engineering』の構成と学び方
本書は、エージェントAIシステムを単なるプロトタイプから堅牢なサービスへとスケールさせるために、以下の4つのパートに分かれて構成されています。
- 第1部：コアアーキテクチャ エージェント型ループの本質、ReActパターンの基礎、およびループを構成する6つの要素（オートメーション、ワークツリー、スキル、プラグイン、サブエージェント、外部メモリ）を学びます。
- 第2部：オーケストレーションとスケール LangGraph、AutoGen、CrewAIといったフレームワークの使い分けや、ローカル開発から、共通のAIゲートウェイと可観測性を備えた本番運用（LLMOps）へ移行する方法を扱います。
- 第3部：ガバナンス、セキュリティ、安全性 モデルの出力をそのまま実行させないソブリンエージェントループ（SAL）、暗号論的エビデンスチェーン、そして人間が主体的にコントロールを維持するヒューマンインザループ（HITL）制御を解説します。
- 第4部：評価と長期的な健全性 自己欺瞞に陥らない自動評価システム、理解負債やモデル崩壊といった緩やかな長期リスクへの対策を扱います。
💻 数学とコードの向き合い方
本書に登場するコードは、コピペしてそのまま使うための「スニペット」ではなく、仕組みを視覚的・論理的に理解するための実例（イラスト）として書かれています。また、厳密な数学的理論はすべて付録Aにまとめられているため、数式を確認したい読者と、文章ベースで軽快に読み進めたい読者の双方が自分に合った形で学び進めることができます。
著者は、最も効率よくループエンジニアリングを学習する方法として、以下のように提言しています。
「自分が設計している（あるいはこれから設計する）具体的なシステムを頭に思い浮かべながら読み進め、一章を読み終えるごとに、実際に手を動かしてシステムに変化を加えること」
📘 おすすめの関連書籍
Loop Engineering: Scaling and Governing Agentic AI (English Edition)
本書で解説した「プロンプトからループへ」のパラダイムシフトと、エージェントAIを本番運用に載せるための設計思想・ガバナンスについて詳細に記述された原著です。実践的なアーキテクチャの構築方法を体系的に学びたい方は、ぜひ手にとってみてください。
🎯 まとめ：これからのエンジニアに必要なもの
プロンプトを工夫してLLMに一発で良い文章を出させるだけの時代は終わりを告げました。
これからの時代、エージェントAI開発で真に価値を持つのは、「自律的に動作するシステムが暴走しないように制御し、仮に失敗しても安全に回復でき、かつ全体の処理が完全に監査可能な仕組み（ループ）」を設計できるエンジニアです。
これからエージェントシステムを本番投入しようと考えている開発者や、組織全体のLLMプラットフォーム構築を任されているプラットフォームエンジニアにとって、ループエンジニアリングは必須のスキルセットになるでしょう。