上原正吉、エージェント SDK Claude Code と Codex を用いた相互レビュープロセスを公開──異なる種類の欠陥検出と構造化修正を実現
Claude Code と Codex に同じ成果物を独立作成させ、事実誤りや機密漏洩などの 5 分類で相互レビューさせることで、単一モデルの盲点を補完する手法の実録。
リリース: 2026-09-01 · 読了 5 分記事の要約
1. 核心（What）
- 同じ課題と一次資料を Claude Code と Codex の 2 つの AI に独立で渡して成果物を作成させ、互いにレビューさせる手法が実証された。
- 指摘は「事実誤り」「追加証拠」「機密」「文章」「媒体適合」の 5 つの分類軸に基づいて整理された。
- Codex は数値の意味の取り違えや論理的矛盾を検出し、Claude Code は 18 エージェントを用いた並列検証でサイズ誤りや HTML コメント内の機密情報を検出した。
- 最終的な公開判断や、共通して見落とされた誤りの修正は人間が担う 3 段構えのプロセスが採用された。
2. 影響（Why）
- 単一モデルの盲点を補完する設計: 同一モデルに見直させると書いたときと同じ思考経路に陥るため、異なるモデルに生成とレビューを分離することで、単一モデルでは見落とされやすい欠陥を検出できる。
- 国内小規模開発への実務的インパクト: [国内 個人開発・小規模 SaaS 企業] のようにリソースが限られた開発現場では、複数 AI による相互レビューを自動化することで、人間のレビュー負荷を削減しながら品質管理を強化できる。
3. 根拠・詳細（How）
- 5 分類による構造化レビュー: 制作方針 (PLAN.md) においてレビュー指摘を「事実誤り」「追加証拠」「機密」「文章」「媒体適合」の 5 分類に定義し、機械処理可能な構造化文書として追跡した。
- 複数エージェントによる並列検証: Claude Code 版のレビューでは 18 のエージェントを並列稼働させ、ベンチマーク数値やメモリ・ルーティング、処理量などの観点で一次資料に基づく裏付けを行った。
4. 展望・課題（Next）
- 共通エラーやテーマ体系の統合課題: 2 つの AI が同じ誤りを共有している場合は相互レビューで検出できず、また記事カタログのテーマ分類の食い違いが生じるため、人間の判断による統合が不可欠である。