オプションCでは、各リクエストの実際の証拠と処理要件に応じて、調整作業の規模を調整できます。事実確認であれば、1回の検索操作とコーディネーターによる直接的な対応で済むかもしれませんが、比較調査であれば、並行検索、文書分析、統合、正式な報告書の作成が必要となる場合があります。
Anthropicのオーケストレーター・ワーカー型ガイダンスでは、タスクを動的に分解し、ワーカーを選択し、その結果を組み合わせる中央モデルについて説明しています。このパターンは、必要なサブタスクを事前に確実に予測できない場合に特に適しています。Anthropicのマルチエージェント研究アーキテクチャも同様に、リードエージェントを使用してクエリを分析し、適切な研究戦略を決定します。
オプションAは柔軟性に欠ける2経路システムを構築し、事実に基づかないすべてのクエリを依然として最もコストのかかるワークフローに通します。オプションBは、ラベル付きトレーニングデータ、外部で管理される分類器、および最適なエージェントの組み合わせの安定した定義を必要とします。オプションDは実装コストは低いものの、クエリの種類が事前に定義されたカテゴリを超えて進化すると脆弱になります。動的調整では、モデルの既存の推論能力を使用して、ソース要件、分析深度、期待される出力、および不確実性を評価し、結果を大幅に改善する専門家のみを呼び出します。

限られたレビュー能力は、意味的な誤りが発生する可能性が最も高い記録に集中させるべきである。
スキーマ検証は、応答が正しい構造とデータ型を持っていることを確認するものであり、抽出された値が正確であることを保証するものではありません。曖昧な表現、矛盾する記述、証拠の欠落、モデルで報告された不確実性などは、抽出に人間の判断が必要であることを示す直接的な指標です。
Anthropic の信頼性に関するガイダンスでは、幻覚低減法ではエラーを完全に排除できないため、Claude が不確実性を表明できるようにし、事実に基づいた出力をソース資料に基づかせ、重要な情報を検証することを推奨しています。これらの原則は、構文的に有効な出力を自動的に信頼できるものとして扱うのではなく、不確実または証拠的に矛盾する記録をレビュー担当者に送ることを支持します。( https://docs.anthropic.
(com/en/docs/test-and-evaluate/strengthen-guardrails/reduce-hallucinations) オプション B では、明確で十分に裏付けられた値にレビュー担当者のリソースを浪費する一方で、他のフィールドの曖昧なエラーを見落とす可能性があります。オプション C はリアクティブです。下流での承認は意味の正しさを保証するものではなく、サイレントエラーは処理エラーを引き起こさない可能性があります。オプション D は全体的な品質の偏りのない推定値を提供するため、二次監査メカニズムとして保持する必要がありますが、5% しかレビューできない場合、ランダム選択はリスクのあるレコードを検出する最も効率的な方法ではありません。
実運用においては、モデルの信頼度をそれ自体で較正された確率として扱うべきではありません。矛盾する情報源の範囲、欠落している引用、OCRの品質、検証警告、文書の種類、ビジネスへの影響といった客観的なシグナルと組み合わせて使用​​する必要があります。
公式参照資料／トピック：ヒューマン・イン・ザ・ループ・レビュー、不確実性処理、ソース・グラウンディング、リスクベースのエスカレーション。

オプション A では、パイプライン全体を通して出所情報が第一級データとして保持されます。各発見には、要約された主張、裏付けとなる抜粋、ソース識別子、URL または文書タイトル、およびページやコンテンツブロックインデックスなどの位置情報が含まれる必要があります。合成エージェントは、証拠とソースの関連付けを切断することなく発見を組み合わせることができ、レポートジェネレーターは構造化されたレコードから直接引用を生成できます。Anthropic の引用に関するドキュメントでは、信頼できる引用では、裏付けとなる箇所とその正確なソース位置 (PDF ページ範囲やコンテンツブロックインデックスを含む) が特定されると説明されています。すべての生出力を渡すオプション B では、証拠は保持されますが、過剰なコンテキストが導入され、ソースの選択が難しくなります。
選択肢Cのように、文章中のインライン参照は、その後の要約時に変更、省略、または主張から切り離される可能性があります。選択肢Dは、レポート作成後に調査を繰り返すため、当初使用した証拠とは異なる情報源を見つける可能性があります。したがって、構造化された出所契約は、すべてのサブエージェントの出力に必須であり、各引き渡し時に検証されるべきです。レポート作成者は、関連する証拠記録がない事実の主張については、引用を捏造したり、後から再構築したりするのではなく、拒否またはフラグを立てるべきです。

オプションBは、クロードが習得すべき判断基準を示しています。厳選された例を用いることで、構造的に類似したコードでもプロジェクトの状況によって異なる結果が生じることを示すことができます。例えば、承認済みの認証ラッパーと安全でない直接呼び出し、あるいは意図的なパフォーマンスのトレードオフと偶発的な二次演算などが挙げられます。こうした対比を通して、クロードは禁止語句を単に暗記するのではなく、新しいコードにもその根底にある判断基準を適用できるようになります。
Anthropicは、出力の精度と一貫性を向上させる最も信頼できる方法の1つとして、関連性があり、多様で、明確に構造化された例を挙げています。実際のユースケースを反映し、重要なエッジ条件を網羅する複数の例を推奨しています。オプションAは、コンテキストを消費し、維持管理が困難になり、将来のあらゆるバリエーションを予測できない、過度に大きなネガティブカタログを作成するリスクがあります。オプションCは生成後にテキストをフィルタリングするため、選択されたキーワードを使用している真の発見を抑制してしまう可能性があります。オプションDは危険なほど曖昧です。レビュー担当者に保守的であるように指示すると、実際だが不確実な欠陥を抑制し、リコール率を低下させる可能性があります。プロンプトでは、許容可能な例と問題のある例をペアで提示し、各分類が異なる理由を説明し、報告されたすべての発見について具体的なコード証拠を要求する必要があります。Anthropicプ​​ロンプトのベストプラクティス

再開すると、以前のアーキテクチャ分析、依存関係マッピング、および会話履歴が保持され、1 時間分の有効な作業を繰り返すコストを回避できます。Anthropic は、セッション ID による再開により、読み込まれたファイル、実行された分析、および決定を含むエージェントの以前の完全なコンテキストが復元されると述べています。( https://code.claude.com/docs )
/en/agent-sdk/sessions )
しかし、セッションはリポジトリのスナップショットではなく、履歴知識を表します。3つのファイルが外部で変更されたため、エージェントはどのファイルが影響を受けたかを伝えられ、以前の結論に依拠する前にそれらを再読み込みするように指示される必要があります。Anthropicは、セッションはファイルシステムではなく会話を永続化することを明確にしています。
https://code.claude.com/docs/en/agent-sdk/sessions ) ターゲット再分析は、変更されていない 9 つのファイルの確立されたコンテキストを保持しながら、エージェントのモデルの古い部分を更新します。
オプションAは、分析対象のコードの大部分が変更されていないにもかかわらず、貴重な作業を破棄します。オプションCは正確ですが、変更の有無に関わらず12個すべてのファイルを再処理するため非効率的です。オプションDは安全ではありません。エージェントが、古い関数シグネチャ、依存関係、または制御フローに基づいて推論を継続する可能性があります。
継続プロンプトでは、変更されたファイルを特定し、既知の場合はマージの目的を要約し、以前の理解との比較を重点的に行うよう求めるべきです。これらの変更によって影響を受けるアーキテクチャ上の結論は、明示的に修正する必要があります。
公式の参考資料／トピック：セッション再開、ファイルシステムと会話状態の比較、対象を絞った再分析、リポジトリ変更の認識。