GPT-6 Astraをクルーリーダーに：SharklyのマルチモデルAIエージェントチーム

SharklyのCrewは、リーダー主導で動きます。まずリーダーAgentが起動し、TaskのコンテキストとCrewの指示を読み、自分で作業を進めるか、特定の貢献のために他のAgentメンバーにメンションするかを判断します。この席に求められるのは最大のスループットではありません。チーム内で最も優れた判断力です。つまり、曖昧な要件を読み解き、答え次第で計画が変わるなら質問を1つ投げ、スコープが止まれと言うところで止まれる力です。

OpenAIはまさにその席のためにGPT-6 Astraを開発しました。ローンチ記事では、このモデルを「コンテキストを活用して日常的な不足を補い、答えが結果を変えうる場面では的を絞った質問をする」モデルと説明しています。また、タスクの途中で方向転換されても軸を見失わず、Hugging Faceのインシデント後に構築されたOpenAIのハニーポットテストでは、GPT-5.6 Solが48%の実行で認可されたターゲットを超えたのに対し、Astraは0%でした。本ガイドでは、Astraをリーダー役に据え、より安価なモデルをメンバーとして動かし、すべての結果を1つのTaskに集約する方法を解説します。

TL;DR

AstraをCrewのリーダーAgentにして、安価なRuntime上のメンバーに並列実装を任せましょう。リーダーは目標を解釈し、メンバーにメンションし、Task上で結果を統合します。メンバーは同じComputer上の分離されたディレクトリで実行され、最終的な成果は人が承認します。作業が小さく明確に定義されている場合は、単一のAgentを使いましょう。Agentは調査・実行・テスト・報告を担い、人は方向性を定め、権限を与え、結果を承認します。

なぜリーダーの席はコストが高いのか

Crewの実行には決まった流れがあります。TaskはCrewに割り当てられます。実行可能なステータスにあり、リーダーの準備ができていれば、リーダーAgentが最初に動き出します。リーダーはTaskのコンテキストとCrewの指示を読み、自分で作業をこなすか、対象となるAgentメンバーにメンションします。メンションされたメンバーは同じTaskに対して実行し、そのチャットに結果を追加します。リーダーは調整を続け、返ってきた結果を統合できます。

この流れの中のあらゆる判断は、判断力が問われる決断です。要件が揃っているか、どの役割が必要か、どの順序で進めるか、統合した結果が受け入れ基準を満たしているか。リーダー主導モデルが存在するのは、すべてのメンバーが一斉に動き出す前に、1つのAgentがこうした判断を下すためです。その役割を最も判断力の高いモデルに任せれば、メンバーは並のモデルで構いません。

Astraのローンチ時の数値は、コーディング能力よりも判断力の部分を物語っています。低いほど良いOpenAIの内部ハルシネーションベンチマークで、Astraは4.2%を記録し、Solの12.2%を大きく下回りました。OpenAIの評価では、Codexの自動レビューによる拒否を回避しようとしたことは一度もなく、コンピュータ操作の安全性スコアは2.4%で、Solの22.0%に対して大幅に低くなっています。また、OpenAIの安全性概要によれば、54,000件を超えるCodexタスクを模したシミュレーション全体で、重大度の高いアラインメント違反フラグの数はSolのおよそ半分でした。要件を勝手に作り出さず、「ノー」を迂回しないリーダーこそ、誰が何を担当するかを決めてほしいリーダーです。

モデル混在型のCrewの仕組み

Sharklyでは、モデルはAgentの外側にあります。Agentは自身のRuntimeのデフォルトモデルに従い、1つのComputerは複数のRuntimeを公開できます。これがモデル混在型Crewの仕組みです。各メンバーAgentはRuntimeに紐づき、各Runtimeが独自のデフォルトモデルを持ちます。

すっきりした構成は、1つのComputerに複数のRuntimeを載せる形です。

料金はAPI利用に対する各ベンダーの定価です。モデルの利用は各ツールに設定されたサブスクリプションまたはAPIキーを通じて継続されるため、チームが実際に支払う額は接続するプランによって変わります。この表の要点は構成にあります。最も多く読み、最も多く判断する席には、読みと判断に最も優れたモデルを動かし、最も多く出力を生成する席には、出力トークンあたりのコストが安いモデルを動かすのです。

すべてのメンバーをCodexにする必要がある場合は、Codexのデフォルト設定が異なる2台のComputerで対応できます。モデル設定は各ホスト上のCodexの設定に存在するためです。Astraのセットアップガイドで、その設定について説明しています。

実践例：1スプリントの流れ

SH-312「エンタープライズワークスペース向けSCIMプロビジョニングの追加」を例に取りましょう。API、バックグラウンドの同期ジョブ、テスト、ドキュメントページにまたがる作業で、要件には2つの未確定点があります。プロビジョニング解除が完全削除なのか無効化なのか、そしてどのIDプロバイダーを先に提供するかです。

SH-312をCrewに割り当て、実行可能なステータスに移します。Astra上のリーダーは、説明、最近のコメント、Crewの指示を読み、質問を1つ投稿します。無効化か削除か？　リーダーは自分の前提（無効化、30日後に完全削除）を明示し、その答えに依存しない部分の作業を続けます。これが、OpenAIがCodexにおけるAstraの挙動として説明しているものです。人は1時間以内にそのスレッドへ返信します。

次にリーダーは、エンドポイントの契約と同期ジョブの仕様を添えて@backendに、受け入れ基準を添えて@testsにメンションします。両メンバーは同じTaskに対して、それぞれ新しいworktreeを持つ分離されたディレクトリで実行されるため、スキーママイグレーションとテストの雛形が実行中に同じファイルへ触れることはありません。結果はTaskのチャットに返ります。リーダーは両方をレビューし、テストが完全削除を前提としていることに気づいて、テスト担当メンバーに修正を1件送り、ブランチを統合して、実行したチェックと既知の制限を含む1つの変更サマリーにまとめます。

Taskは「人のレビュー待ち」に移ります。人はサマリーを読み、diffを開き、承認するか差し戻します。この一連の流れのどこにも、プライベートなターミナルで起きたことはありません。質問、前提、2件のメンバー実行、修正、承認は、すべてSH-312上に残っています。

こうした挙動を生むCrewの指示は短いものです。

You lead this Crew. Read the Task and comments, then decide the
smallest set of members needed. Mention @backend for API and job
changes, @tests for coverage, @docs for user-facing pages.
Ask a person only when an interpretation would change the design;
otherwise state your assumption and proceed.
Combine member results into one change summary with checks run,
failures, and known limits. Leave acceptance to a person.

Astraをリーダーの席に置くべきでないケース

2つの判断軸が、この方針を健全に保ちます。

小さく明確に定義された作業なら、Taskを1つのAgentに直接割り当てましょう。リーダーが目標を解釈し、他のAgentメンバーを巻き込み、その結果を1つのTaskにまとめる必要がある場合にCrewを使います。1ファイルのバグ修正をCrewに割り当てると、不要なリーダー実行のコストを払うことになります。

連続するメンバーが同じローカル変更の上に積み上げる必要がある場合を除き、共有Taskディレクトリは無効のままにしておきましょう。共有されるのはファイルシステムの状態であり、前のAgentのセッションではありません。また、共有ディレクトリでの同時編集は競合する可能性があります。SCIMの例では、バックエンドとテストのメンバーは分離された環境で実行され、その後リーダーが統合しました。

もう1つ境界があります。OwnerはCrewを管理し、リーダーは実行を調整します。Astraをリーダーにしても、メンバーシップ、可視性、指示を編集できる人が変わるわけではありません。また、実行を開始できるのはAgentメンバーだけです。Crew内の人は、コメント、意思決定、レビューを通じて貢献します。

コストと削減効果

Astraは表の中で最も高価なモデルであり、リーダーは最も多く読むAgentです。それを和らげる要素が2つあります。プロンプトキャッシュは、繰り返し入力される分をAPI料金で100万トークンあたり1ドルで請求します。ターンをまたいで同じTaskコンテキストを読み直すリーダーは、その恩恵を受けられます。またOpenAIは、Astraがエージェント的タスクを従来モデルより少ない出力トークンで完了すると主張しています。Agents' Last Examで最高スコアの設定において、Claude Opus 5より約65%少ないという数字です。

どちらの数値も鵜呑みにしてはいけません。同じ種類のTaskを、AstraリーダーのCrewとSolリーダーのCrewで1スプリントずつ実行し、スプリントレポートに表示される内容を比較しましょう。完了したTask、差し戻されたTask、割り当てから承認までの時間です。Sprintはスケジュール、スコープ、レポートをTaskに紐づけて保持するので、比較はスプレッドシートではなくフィルターで行えます。AstraのCrewが差し戻すTaskが少なければ、リーダーの席はコストに見合ったということです。