ブログ

Karpathyの「Autoresearch」をClaude Codeのスキルにする：自動最適化のアーキテクチャを探る

2026年5月22日 H.Ueda

Andrej Karpathy氏が公開した「Autoresearch」というプロジェクトのコンセプトに触発され、それを実用的なエージェントスキルへ落とし込む試みが注目を集めています。今回は、I Turned Karpathy’s Autoresearch Into a Agent Skill For Claude Code That Optimizes Anything — Here Is the Architecture という記事を参考に、あらゆる課題を自動で最適化するエージェントの仕組みについて解説します。

ちょっと面白そうな内容だったので参考まで。　

Karpathyの「Autoresearch」とは何か？

Andrej Karpathy氏が公開したAutoresearchは、非常にシンプルなコード（わずか630行ほど）で構成されています。このプロジェクトの本質は、高度なアルゴリズムそのものではなく、「人間が寝ている間にエージェントが実験を繰り返し、損失曲線を下げ続ける」というループの構造にあります。

この仕組みを、単なる「研究用」として終わらせるのではなく、日々の開発業務で発生する「APIのレスポンス改善」や「プロンプトの品質向上」といった具体的な課題に適用しようというのが、今回のエージェントスキルの狙いです。

自動最適化ループのアーキテクチャ

このエージェントスキルがどのように動くのか、そのプロセスを可視化してみましょう。基本的には、以下の図のようなサイクルを繰り返すことで、目標とする指標を改善していきます。

flowchart TD
    Start[目標の定義: 例 APIを高速化せよ] --> Research[リサーチと仮説立案]
    Research --> CodeGen[実験用コードの生成と実行]
    CodeGen --> Evaluation[実行結果の評価・計測]
    Evaluation --> Analysis[ログの分析と次の打ち手の決定]
    Analysis --> Loop{目標達成?}
    Loop -- No --> Research
    Loop -- Yes --> Success[最終的な最適化結果の出力]

この流れは、私たちエンジニアが普段行っている「修正して、試して、ログを見て、また直す」という作業そのものですよね。これをClaude Codeのようなエージェントに「スキル」として持たせることで、文字通り「寝ている間に終わらせる」ことが可能になります。

3つのコア・コンポーネント

このアーキテクチャを支えるのは、大きく分けて3つの要素です。

1. 制約に基づいた「リサーチ」

エージェントに闇雲にコードを書かせるのではなく、「今のボトルネックは何か？」「過去の失敗から何を学べるか？」を考えさせます。Karpathy氏のコードが短かったように、複雑な指示よりも「シンプルなループを維持する」という制約が、逆にエージェントの動きを研ぎ澄ませる結果につながります。

2. 実行環境のサンドボックス化

エージェントが生成したコードを安全に実行し、そのパフォーマンス（実行時間やメモリ使用量、あるいは生成物の質）を客観的に測定する場所が必要です。Claude Codeはローカルファイルへのアクセスやコマンド実行ができるため、この「実験」のステップと相性がいいわけですね。

3. 分析ログの蓄積

「どの修正が効果的だったのか」を逐一記録します。たとえば、以下のような表形式で進捗を管理するイメージです。

試行回数 実施した施策 指標（例：レスポンス時間） 結果
第1回 キャッシュ処理の追加 500ms → 320ms 改善（採用）
第2回 ライブラリの並列化 320ms → 310ms 微増（不採用）
第3回 クエリの最適化 310ms → 120ms 大幅改善（採用）

具体的な活用シーン

この「最適化スキル」をClaude Codeに組み込むと、以下のような作業を自動化できるようになります。

  • APIのレイテンシ削減: 複数の実装パターンを自動で試し、最も速いコードを選択させる。
  • プロンプトエンジニアリング: LLMへの指示文を少しずつ変化させ、テストケースに対する正解率が最も高いプロンプトを見つけ出す。
  • フロントエンドのCTR改善: 見出しのパターンを複数生成し、既存のデータに基づいてスコアリングを行う。

たとえば、プロンプトの最適化を依頼する場合、以下のような指示からスタートすることになります。

# Claude Codeへの指示イメージ
"autoresearchスキルを使って、このプロンプトの精度を80%以上に引き上げて。
実験のログは logs/prompt_optimization.md に残しておいてね。"

このように指示を投げれば、あとはエージェントが「仮説→実験→分析」を自動で回し、最終的に「最もパフォーマンスの良いプロンプト」を納品してくれる、というわけです。

まとめ

Karpathy氏のAutoresearchから学べる最も重要なことは、「優れたループは、優れたコードに勝る」ということかもしれません。

あえて機能を絞り、改善のサイクルを高速に回すことに特化させる。この考え方をClaude Codeのエージェントスキルとして実装することで、これまで人間が時間を溶かしていた「微調整の繰り返し」という作業から解放される道筋が見えてきます。

「とりあえずこの部分を速くしておいて」とエージェントに伝えて、自分はコーヒーを飲みに行く。そんな開発スタイルが、すぐそこまで来ているように感じられますね。

参照記事

« 記事一覧へ戻る