Codexエージェントループを深掘りする：DatadogとSoraの28日間Androidリリースからの知見

Codexは4人のエンジニアで28日以内にSoraのAndroidアプリをリリースした。Datadogでは現在1,000人を超えるエンジニアが、人間のレビュアーが見逃してきたシステムレベルの欠陥を捉えるためにCodexに依存している。この2つの物語はどちらも同じ一つのアーキテクチャに由来する。一見シンプルな制御ループが、言語モデル、ツール群、そしてサンドボックス環境を包み込んでいる。

AIコーディングアシスタント、メディア生成パイプライン、あるいは世界に対して行動を起こす必要があるあらゆるエージェントを構築しているなら、Codexエージェントループは今あなたが研究できる最もクリーンなリファレンスだ。本記事ではその動作の全体像、プロダクションチームが実際に何に使っているか、そして同じアーキテクチャパターンをhiapi上に構築できるメディア生成エージェントへどう移植するかを順に解説する。

本記事はOpenAIの公開エンジニアリング記事「Unrolling the Codex agent loop」（2026年1月）、Datadogのケーススタディ、およびSora Androidデリバリーの振り返りに基づいている。以下のHiapiプラットフォーム価格は2026-06時点のもの。

エージェントループとは一体何か

エージェントループとは、あなたと言語モデル、そしてモデルが呼び出しを許可されているツールの間に位置する制御フローである。ユーザーの視点では、1つの「ターン」はチャットメッセージが1つ入り、チャットメッセージが1つ出てくるように見える。しかしその内部では、単一のターンがモデルと外部ツールの間の何度もの往復を含むことがある。

1ターンの形：

1. プロンプトの準備。 エージェントはシステムプロンプト、プロジェクトレベルの指示（CodexではAGENTS.mdファイル）、会話履歴、そしてユーザーの新しいメッセージを組み立てる。
2. 推論。 モデルは最終アシスタントメッセージか、あるいはツール呼び出しを返す。
3. ツール呼び出しなら、エージェントはサンドボックス内でその呼び出しを実行し、結果を捕捉し、会話に追記して、ステップ2に戻る。
4. 最終アシスタントメッセージなら——「ご依頼のarchitecture.mdを追加しました」といった具合に——そのターンは終了し、制御がユーザーに戻る。

鍵となる特性は、「出力」がターミナルに表示されるアシスタントメッセージだけではないことだ。実際の出力の大部分はツール呼び出しの副作用である。書き込まれたファイル、実行されたテスト、インストールされたパッケージ。アシスタントメッセージは単なる終了シグナルにすぎない。

だからこそエージェントループは「数ステップ多いだけのチャット」ではない。チャットは各ターンで1回の往復しかない。一方エージェントループは単一ターン内で何十回もの「推論 → ツール → 推論」サイクルをこなし、ユーザーには締めくくりのメッセージだけが見える。

ループを速くする3つの特性

上記ループの素朴な実装でも動くが、数ターン後には遅く高価になる。Codexの設計は、参考にすべき3つのアイデアでこれを解決している。

1. Responses API上でのプレフィックスキャッシュ。 エージェントがモデルと対話するたび、プロンプトの冒頭は同じ長いプレフィックスだ。まずシステムプロンプト、次にAGENTS.md、そして初期の会話。最初のリクエストがそのプレフィックスに対応するモデル内部のキーバリュー状態を計算しキャッシュする。同じセッション内の後続リクエストは、共有プレフィックス部分の再計算をすべてスキップする。

実用上の帰結：セッションの途中でAGENTS.mdを編集してはいけない。システムプロンプトは通常最大の単一キャッシュブロックであり、それを変更するとセッション残りのキャッシュが無効になる。Codex自身のエンジニアはこれを最もよくある「自ら招いた」速度低下の原因として挙げている。

2. ツール呼び出しの結果はループの内部に留まり、ループの上に積み重ならない。 各ツールの出力は同じ会話に追記される。当たり前に聞こえるが、これはモデルが実行したすべてのコマンド、見たすべてのエラー、確認したすべてのファイルを完全に記憶していることを意味する——手動の要約は一切不要だ。代償はコンテキストウィンドウが急速に成長することであり、Codexは会話が長くなりすぎると自動圧縮で対処する。

3. 終了はターン数のカウントではなく、モデル出力の形態から検出される。 エージェントには最大反復回数のセーフティネットがない。モデルがツール呼び出しを出し続ける限りループし続け、モデルが通常のアシスタントメッセージを出した瞬間に停止する。この判断をモデルに委ねることで、オーケストレーションコードを簡潔に保てる。

ケース1：Datadogがこのループをシステムレベルのコードレビューに使う

Datadogの普及事例が最も有用なのは、エージェントループが本番環境で何を得意とするか、そして何を得意としないかを教えてくれる点だ。

DatadogのAI開発体験チームは、人間のレビュアーが見逃す類の欠陥を発見できるコードレビューエージェントを求めていた。lintではなく、スタイルでもなく、サービスをまたぐリグレッション、性能の崖、そして実際の障害を再現するような変更だ。彼らは従来のほとんどのツールが「高機能なlinter」のように振る舞うと指摘した。単一のdiff内の浅いパターンをフラグ立てするだけだ。周辺システムについてのモデルを持っていない。

普及前にエージェントを検証するため、チームは障害リプレイのテストフレームワークを構築した。過去の障害を引き起こしたpull requestを再構築し、それぞれを新たに到着したレビューのようにCodexに与え、そしてオンコールエンジニアに尋ねた。Codexのコメントは結果を変えたか、と。

公表された結果：Codexは過去の障害の約22%で有用な新規フィードバックを提供した——チームが評価した他のどのツールをも上回った。各pull requestは当時すでに人間のレビューを通過していたため、このテストは本質的に「レビュアーが当時見逃したもの」を測っている。

現在1,000人を超えるDatadogエンジニアがすべてのPRでこれを使っている。エンジニアはコメントに👍/👎で応答し、コードを修正するか、理由を添えて提案をスキップする。興味深い設計上の選択は、Datadogが影響を間接的なチャネルで測っていることだ——エンジニアがSlackで有用な発見について投稿する——正式なツール内メトリクスではない。チームはエージェントをゲートキーパーではなく拡張手段と見なしている。シグナルを提示し、決定は人間が下す。

そこから学べるパターン：エージェントループが最も得意とするのは、目の前のdiffだけでなくシステム全体にわたって推論することだ（依存関係、テスト、関連サービス）。それには適切なツールと適切な読み取り権限を与える必要がある。エージェントループはシャシーであり、ツール面とプロジェクトコンテキストこそが本物のリスクを提示できるかどうかを決める。

ケース2：28日間でSora Android版をリリース

Sora Androidの物語はより過激な実証点だ。2025年10月8日から11月5日の間、4人のエンジニアからなるチームがCodexを使ってSoraを「iOS専用」から公開Androidリリースへと押し進めた——28日間のサイクルで、18日目に社内従業員向けビルド、その10日後に公開リリース。このアプリはGoogle Playストアで1位になり、ユーザーは最初の24時間で100万本以上の動画を作成した。リリース時のクラッシュフリーレート：99.9%。

チームは何が有効で、そして——より有用なことに——何が無効だったかを率直に語った。

無効だったことは、あの明白なプロンプトだった。「iOSコードに基づいてSora Androidアプリを構築せよ。開始。」彼らは試し、すぐに中止した。成果物は技術的には動くが、プロダクト体験は不十分だった。彼らの言葉を借りれば、Codexは「まだ、伝えられていないことを推測するのが得意ではない」のであり、誘導なしでは「深いアーキテクチャ判断」が難しかった。

有効だったことは、Codexをプラットフォーム間のセマンティックトランスレータとして扱い、その周囲に強力な足場を組むことだった：

• まずプロジェクトのアーキテクチャパターン——ナビゲーション、依存性注入、ネットワーキング——を確立し、少数のサンプル機能を手作業で書いた。これらが残りのコードベースの基準を設定した。
• AGENTS.mdファイルを使ってチームの規約をコード化し、Codexの出力を一貫させた。
• 頻繁にCodexにiOSのSwiftコードと既存バックエンドを参照させ、意味的に等価なKotlinを生成するよう求めた。彼らのまとめは「クロスプラットフォームの未来はCodexだ」。
• Codexを「新しく入社したシニアエンジニア」として扱った——人間がアーキテクチャ、システム設計、ユーザー体験を担い、Codexが境界の明確な範囲内で重い作業を担う。

報道によれば、Codexが生成したコードの割合は約85%に達し、4週間でおよそ50億トークンの予算を消費した。

ここには過小評価されがちな2つの教訓がある。第一に、エージェントの品質はあなたが組む足場の良し悪しに制約される：サンプル、AGENTS.md、明確なスコープ。第二に、グリーンフィールドプロジェクトでは「小さなチーム＋有能なエージェント」が「エンジニア人数の拡大」に勝る——フレッド・ブルックスの観察がついに適切な手の中で反例を得たのだ。

移植可能なパターン

コードレビューとAndroidデリバリーの具体的な詳細を剥ぎ取ると、あらゆるエージェント構築チームがコピーすべき4つのパターンが残る。

拡張する前にまずパターンを確立せよ。 ナビゲーションパターン（Sora）であれ、「リスクのある変更」とは何か（Datadog）であれ、人間の仕事は初期段階で行われる。サンプル機能と安定したAGENTS.mdが、これらのパターンを後続の各ターンへと伝える手段だ——そしてそれらはまさにプレフィックスキャッシュが報いるものと一致する。

最大のツール面ではなく、適切なツール面をエージェントに与えよ。 Datadogのレビュアーはサービスをまたぐ読み取りを必要とする。SoraのトランスレータはiOSソースとバックエンドの読み取りを必要とする。両チームとも読み取り面を注意深くキュレーションした。ツールリストが大きいことは優れていることを意味しない。

アーキテクチャは人間に、実装はエージェントに任せよ。 両ケーススタディともこの分業に収斂する。人間が構造的な意思決定を設定し、エージェントが境界の明確な範囲内を埋める。この分業を逆転させることがチームが時間を浪費する所以だ。

ツールのメトリクスではなく、結果で測れ。 Datadogは意図的にSlackの反応と障害結果を観察し、エージェント自身の出力量は見ない。これが最適化目標を誠実に保つ。コメントは多いが障害の挙動を変えないコードレビューツールは、有用なツールではない。

このループをメディア生成エージェントに応用する

エージェントループのアーキテクチャはコード専用ではない。モデルが行動し、観察し、反復する必要があるあらゆる場所で、同じ制御フローが当てはまる。

hiapiプラットフォームは、単一の非同期エンドポイントを通じてすべてのメディア生成モデルを公開している——POST /v1/tasksで生成タスクを作成し、GET /v1/tasks/:idで結果を収集する——したがってループ内の「行動」ステップは、一度書けばすべてのモデル間で再利用できる2呼び出しの関数だ。具体的には、次のようなループを持つ動画制作エージェントを構築できる：

1. エージェントがブリーフを受け取る：「大理石の上に置かれた腕時計の、6秒のプロダクトショットを作成せよ」。
2. プロンプトを組み立て、POST /v1/tasksでseedance-2-0タスクを作成し、完了までタスクIDをポーリングする（2026-06時点、hiapiプラットフォームでは480Pは動画1秒あたり$0.15、720Pは2.2倍の係数で課金——上記の6秒クリップは480Pで$0.90のコスト）。
3. 生成された動画をダウンロードし、簡単なレビューステップを実行する——「文字盤は本当に見えているか？照明はブリーフと一致しているか？」——そして出力を受け入れるか、プロンプトを修正する。
4. レビューがN回連続で失敗した場合、エージェントはユーザーにエスカレーションし、現時点で最良の結果と問題の説明を添える。

同じ形態が画像生成エージェントにも当てはまる：ブリーフ → テキストtoイメージ呼び出し（例えばgpt-image-2は1Kで1枚$0.03、またはNano-Banana-2は1Kで$0.085）→ 視覚チェック → 修正 → リトライ。Codexのパターン「システムプロンプトを安定させてプレフィックスキャッシュし、ツール呼び出しの出力を会話内に累積させる」は直接当てはまる：役割定義とブランドガイドラインをシステムプロンプトに置き、ループに各生成試行とレビューを同一スレッド内のターンとして累積させる。

Codexの経験をメディアエージェントに移植するための実用的な変換：

• AGENTS.mdはブランドガイドラインファイルになる。 安定させ、一度だけ読み込み、セッション途中では決して編集しない。これこそがプレフィックスキャッシュの報いるものだ。
• サンプル機能は参照出力になる。 レビューステップが比較するための、手作業でキュレーションした「良い成果とはどんなものか」の画像。
• サンドボックスはレート制限と支出上限になる。 いつ止まるべきかを学ばないメディアエージェントは、大量の生成を積み上げかねない。Codexがファイルシステムの書き込みをデフォルトで制限するように、ターンごとの支出上限を設定せよ。
• 終了シグナルはまったく同じ。 レビューステップがさらなる生成リクエストではなく「承認」を返したとき、ループは終了する。

オーケストレーションロジックをまだ書かずに、こうしたループの背後にある基礎モデルをまず試したいなら、hiapi料金ページに画像1枚および動画1秒あたりの現在の価格が一覧されており、各モデルの詳細ページにはPlaygroundがあるので、エージェントに何を組み込むかを決める前にプロンプトを1つ走らせることができる。

FAQ

Codexエージェントループとは何か？

それはCodex CLI内部の制御フローであり、あなたとモデル、そしてモデルが呼び出しを許可されているツールの間のやり取りをオーケストレーションする。各「ターン」の内部には複数のモデル推論 → ツール呼び出しのサイクルを含むことができ、モデルが別のツール呼び出しではなく通常のアシスタントメッセージを出したときに終了する。

なぜプレフィックスキャッシュがエージェントにとってそれほど重要なのか？

なぜなら各ターンが長いプレフィックスを再送するからだ——システムプロンプト、プロジェクト指示、会話履歴。キャッシュがなければ、モデルはリクエストごとにこれらすべてを再エンコードし、遅く高価になる。キャッシュがあれば、共有プレフィックスは一度だけ計算され、同一セッションの後続ターンで再利用される。実用上の意味：セッションの途中でプロジェクト指示（例えばAGENTS.md）を編集してはいけない。セッション残りのキャッシュを無効にするからだ。

Sora Android版のようなものを届けるには何人のエンジニアが必要か？

OpenAIが公表した数字は4人のエンジニア、28日間で、報道によればCodexがコードベースのほぼ85%を生成し、プロジェクト全体でおよそ50億トークンを消費した。チームは明確に小規模を選択し——ブルックスの「すでに遅れているプロジェクトに人を加えると、さらに遅れるだけだ」を引き合いに出して——実装をエージェントに大きく依存した。

CodexはDatadogの評価で実際に何を捉えたのか？

チームの「障害リプレイ」手法では、過去に障害を引き起こしたPRをCodexを通じて再実行し、フィードバックが結果を変えるかをオンコールエンジニアに尋ねた。Codexは約22%の障害で実行可能なフィードバックを提供した——例えばサービスをまたぐリグレッションや性能変化など、PRが最初に着地したときに人間のレビュアーが見逃した問題だ。

同じエージェントループパターンを画像や動画生成に使えるか？

はい。このアーキテクチャパターン——プロンプトを準備し、モデルを呼び出し、ツールを実行し、結果を追記し、終了するまでループする——はモデルに依存しない。hiapiのメディア生成エンドポイント（画像モデルはgpt-image-2やnano-banana-2、動画モデルはseedance-2-0など）に接続し、同じ教訓に従えばよい：プレフィックスキャッシュのためにシステムプロンプトを安定させ、品質を保つためにサンプルを使い、安全を保つためにサンドボックスの支出上限を使い、終了を決めるためにレビューステップを使う。

AGENTS.mdには何を書くべきか？

Codexに具体的には：プロジェクトの規約、ビルド/テスト/lintコマンド、コードスタイルのルール、そして「触るな」という境界。公表されたSoraとDatadogのチームはどちらもこれをエージェントのオンボーディングドキュメントとして扱った——シニアエンジニアに初日に伝えるような事柄だ。セッション中は安定させ、プレフィックスキャッシュに残るようにせよ。

重要なポイント

• Codexエージェントループはシンプルな制御フローだ：プロンプトを準備 → モデル推論 → オプションのツール呼び出し → 結果を追記 → モデルが通常のアシスタントメッセージを出すまで繰り返す。
• 3つの実装上の詳細がこれをプロダクションレベルにする：プレフィックスキャッシュ、会話内に留まるツール呼び出し結果、そしてモデル出力の形態によって駆動される終了検出。
• Datadogはこのループを1,000人を超えるエンジニアのシステムレベルのコードレビューに使い、その障害リプレイのテストフレームワークはCodexが人間のレビュアーが見逃した過去の障害関連問題の約22%を捉えたことを示した。
• OpenAIは4人のエンジニアで28日以内にSora Androidアプリをリリースし、コードの約85%をCodexが生成、リリース時のクラッシュフリーレート99.9%——「構築せよ」とプロンプトするのではなく、サンプルとAGENTS.mdで大量に足場を組むことで達成した。
• 同じエージェントループアーキテクチャは、hiapi上に構築できるメディア生成パイプラインへクリーンに移植できる：すべてのテキストtoイメージおよびテキストtoビデオモデルが同じ/v1/tasks非同期形態を使い、Codexのプレフィックスキャッシュ、サンドボックス、サンプルに関する打ち手は画像・動画エージェントに一対一で対応づけられる。