Claude Code × Obsidian：AI 「外部脳」 分身 15 体を作成するための完全ガイド

今の私達は15人のAI社員をさらに自律的に動かす為

私の今までの知識、思考を引き継ぎ様々な角度から

精査させるために性格を各々設定した私の分身が15体いる

この15体には細かく指示などは出さない。

私の思考等を引き継いでいるので無駄に

色々伝える必要はない。

近年、AI技術の進化は目覚ましく、

私たちの働き方や思考プロセスに

革命をもたらしつつあります。

しかし、多くのAI活用は依然として

「一問一答」の形式に留まり、

AIの真の潜在能力を

引き出せていません。

AIを単なる受動的な

ツールとしてではなく、

自律的に思考し、行動し、

学習する「共同作業者」として

活用するためには、

AIが「Loop（循環）」する

仕組みを構築することが

不可欠です。

本記事では、Claude Codeと

Obsidianを組み合わせた

「AI外部脳」の構築方法を入口とし、

AIが自律的に

「計画→実行→検証→修正」の

サイクルを回し続ける

「AI Loop」の概念と、

その具体的な実装方法について、

実務的なコード例を交えながら

詳細に解説します。

AI外部脳のインフラ構築から、

AI Loopの設計理論、

Skillsによる

ワークフローの自動化、

そしてPM Layerによる

自律的なプロジェクト管理、

さらには高度な自動化と

コスト管理まで、

AIを真のパートナーとして

活用するための実践的な

ガイドを提供します。

第1部：AI外部脳の構築

AIを自律的に機能させる

「AI Loop」の基盤となるのが、

個人の知識やプロジェクト情報を

集約・管理する

「AI外部脳」です。

ここでは、Claude Codeと

Obsidian、そしてGitを

連携させることで、

AIが参照・学習し、

行動するための強固な

インフラを構築します。

この章では、その具体的な

セットアップ手順と

推奨されるディレクトリ構造について

解説します。

1.1 AI外部脳の概念

AI外部脳とは、

人間の脳が持つ記憶、学習、

思考の機能を外部化し、

AIがアクセス・利用できるように

構造化した知識ベースです。

これにより、AIは過去の経験や

知識を参照しながら、

より高度な判断や問題解決を

行うことが可能になります。

AI外部脳は主に、

以下の要素で構成されます。

・知識ベース

Obsidianで管理される

Markdown形式のノート群。

アイデア、プロジェクト、

会議メモ、技術情報などが

含まれます。

・AIエージェント

Claude Codeを核とした、

AIによる自動化された処理を

実行するプログラム群。

・バージョン管理

GitとGitHubを用いた

知識ベースの変更履歴管理と同期。

・自動化レイヤー

GitHub Actionsなどを用いた

定期的なタスク実行や

イベント駆動型処理。

1.2 開発環境の準備

AI外部脳を構築するために、

以下のツールを準備します。

1. Obsidian

ローカルでMarkdownノートを

管理するための知識管理ツール。

プラグインによる拡張性が高く、

グラフビューなどで

知識間の関連性を視覚化できます。

1. Git

バージョン管理システム。

Obsidianのノートを

GitHubリポジトリで

管理するために使用します。

1. Claude Code

AIエージェントの実行環境。

AnthropicのClaude APIを利用して、

自然言語での指示を

コード実行やファイル操作に

変換します。

1. GitHubアカウント

リモートリポジトリとして

Obsidianノートを保存し、

GitHub Actionsによる

自動化を設定するために

必要です。

1.3 推奨ディレクトリ構造

AI外部脳を効率的に運用するには、

明確で一貫性のある

ディレクトリ構造が不可欠です。

これにより、AIが情報を

探索しやすくなり、

人間も直感的に

情報を管理できます。

以下に推奨される

ディレクトリ構造と、

それぞれの役割を示します。

1.claude/
2 # Claude Codeのコマンドや
3設定ファイル
4  commands/
5 # カスタムコマンドのスクリプト
6  config.yaml
7 # Claude Codeの設定ファイ
8ル
900_Inbox/
10 # 一時的なメモや未整理の情報を置く場
11所
1210_Projects/
13 # 進行中のプロジェクトごとのディレク
14トリ
15  ProjectA/
16 # プロジェクトAの関連ファイル
17    README.md
18    tasks.md
19  ProjectB/
2020_Areas/
21 # 継続的に取り組む領域ごとのディレク
22トリ (例: 開発、マーケティング)
23  Development/
24  Marketing/
2530_Resources/
26 # 参照資料や学習リソース
27  Books/
28  Articles/
2940_Archives/
30 # 完了したプロジェクトや古い情報をア
31ーカイブする場所
32README.md
33 # 外部脳全体の概要や使い方を記述

各ディレクトリの役割

・.claude/Claude Codeの実行に必要な

設定ファイルやSkillsを

格納します。AIが自律的に動作するための

「脳幹」のような役割を

果たします。

・00_Inbox/新しいアイデア、一時的なメモ、

Webクリップなど、まだ整理されていない情報を

一時的に置く場所です。AIによる自動整理の

対象となります。

・10_Projects/進行中の各プロジェクトに

関する情報を集約します。プロジェクトごとに

サブディレクトリを作成し、README、タスクリスト、

関連ドキュメントなどを管理します。

・20_Areas/継続的に学習・改善していく

領域に関する情報を格納します。プログラミング言語、

特定の技術スタック、ビジネス戦略など、プロジェクト横断的な

知識の蓄積場所です。

・30_Resources/参照資料、書籍の読書メモ、

Web記事の要約、学習リソースなどを格納します。AIが深い調査を行う際の

参照元となります。

・40_Archives/完了したプロジェクトや、

アクティブではなくなった情報を

移動させる場所です。これにより、

アクティブな知識ベースが整理され、

AIの検索効率も向上します。

1.4 GitとGitHubの同期

Obsidianで作成したノートは、

GitとGitHubを用いて

バージョン管理し、

リモートリポジトリと

同期させることが推奨されます。

これにより、

以下のメリットが得られます。

・データの安全性

ローカルのデータが破損しても、

GitHubにバックアップがあるため

復元できます。

・変更履歴の追跡

いつ、誰が、

どのような変更を加えたかを

詳細に追跡できます。

・複数デバイスでの同期

PC、タブレット、

スマートフォンなど、

複数のデバイス間で

ノートを同期できます。

・AIによる参照と更新

Claude Codeが

GitHubリポジトリを参照し、

ノートを読み書きすることで、

AI外部脳を最新の状態に

保てます。

セットアップ手順

1. GitHubリポジトリの作成

GitHub上で新しい

プライベートリポジトリを

作成します。

リポジトリ名は

ai-brainなど、

分かりやすいものに設定します。

2. Obsidian Vaultの初期化

既存のObsidian Vaultを

Gitリポジトリとして初期化するか、

新しいVaultを作成して

初期化します。

1/Obsidian/Vault
2git init
3git add .
4git commit -m "I
5nitial commit"
6git branch -M ma
7in
8git remote add o
9rigin https://github
10.com/your-username/a
11i-brain.git
12git push -u orig
13in main

1. 定期的な同期

ObsidianのGitプラグインを導入し、

定期的に自動で

コミット＆プッシュするように

設定します。

これにより、

手動で同期する手間を省き、

最新の状態をGitHubへ

反映できます。

となります。Claude Codeは、AnthropicのClaude APIをバックエンドとして利用し、自然言語での指示に基づいてファイル操作、コード生成、コマンド実行などを行うAIエージェントです。AI外部脳を自律的に動かすための「手足」

インストール

pipでインストールします。Claude CodeはPythonパッケージとして提供されています。

Bash

1pip install claude-c
2ode

APIキーの設定

に設定します。AnthropicのAPIキーを環境変数

Bash

1export ANTHROPIC_API
2_KEY="sk-xxxxxxxxxxx
3xxxxxxxxxxxxxxxxxxxx
4xxxxxxxxx"

基本的な使い方

自然言語で指示を与えます。claudeコマンドを実行し、

Bash

1claude "README.mdファイ ルに、 このプロジェクトの目的と概要を記述してください 。 "

Claude Codeは、この指示を解釈し、

必要なファイル操作やコード生成を行います。

AI外部脳の文脈では、Claude CodeがGitHubリポジトリをクローンし、Obsidianノートを読み書きすることで、

AIが知識ベースと対話できるようになります

Claude Codeの設定ファイル (.claude/config.yaml)

。Claude Codeの動作は、

.claude/config.yamlファイルでカスタマイズできます。

例えば、使用するモデルや、

特定のディレクトリを無視する設定などが可能です

YAML

1# .claude/config.yaml model: claude-3-opus
2 -20240229 # 使用するClau
3deモデル ignore:
4 - .git/
5 - .obsidian/
6 - node_modules/

効率的に動作します。この設定により、

Claude Codeは不要なファイルを無視し

1.5 Claude Codeのセットアップ

Claude Codeは、

自然言語での指示に基づき、

ファイル操作、コード生成、

コマンド実行などを行う

AIコーディングエージェントです。

AI外部脳を自律的に動かす

「手足」となります。

インストール

Claude Codeは、

公式のネイティブインストーラーで

導入できます。

OSに合うコマンドを

実行してください。

1# macOS / Linux / WSL
2curl -fsSL https://claude.ai/install.sh | bash
3
4# Windows PowerShell
5irm https://claude.ai/install.ps1 | iex
6
7# Windows（WinGet）
8winget install Anthropic.ClaudeCode

APIキーの設定

通常はclaudeを初回起動し、

ブラウザでログインします。

API課金やCIで使う場合は、

必要に応じてAPIキーを

環境変数へ設定します。

claude

1# 通常は初回起動時にブラウザでログイン
2claude
3
4# macOS / Linux / WSL
5export ANTHROPIC_API_KEY="sk-ant-xxxxxxxxxxxxxxxx"
6
7# Windows PowerShell
8$env:ANTHROPIC_API_KEY="sk-ant-xxxxxxxxxxxxxxxx"

基本的な使い方

claudeコマンドを実行し、

自然言語で指示を与えます。

claude "README.mdに、

このプロジェクトの目的と概要を記述してください。"

Claude Codeは指示を解釈し、

必要なファイル操作や

コード生成を行います。

AI外部脳の文脈では、

Claude Codeが

Obsidianノートを読み書きし、

AIが知識ベースと

対話できるようになります。

設定ファイル

Claude Codeの動作は、

.claude/settings.jsonで

カスタマイズできます。

例えば、実行を許可するコマンドや、

秘密ファイルへのアクセス拒否を

設定できます。

1{
2  "$schema": "https://json.schemastore.org/claude-code-settings.json",
3  "permissions": {
4    "allow": [
5      "Bash(git status)",
6      "Bash(git diff *)",
7      "Bash(python *)",
8      "Bash(pytest *)",
9      "Bash(mypy *)"
10    ],
11    "deny": [
12      "Read(./.env)",
13      "Read(./.env.*)",
14      "Read(./secrets/**)",
15      "Read(./config/credentials.json)"
16    ]
17  }
18}

この設定により、

必要なコマンドを許可しながら、

秘密情報へのアクセスを防げます。

1.6 まとめ 外部脳の準備完了

この章では、AI Loopを

実践するための基盤として、

Obsidian、Git、GitHub、

Claude Codeを連携させた

AI外部脳のセットアップ方法を

解説しました。

明確なディレクトリ構造と

バージョン管理により、

AIが参照・学習できる

知識ベースが構築され、

Claude Codeが

その知識ベースと対話するための

準備が整いました。

次章では、

AI外部脳を自律的に機能させる

「AI Loop」の概念と、

その核となる「検証ゲート」の

具体的な実装について

掘り下げていきます。

第2部：検証ゲートの実装

前章では、

AI外部脳のインフラを構築し、

AIが参照・学習し、

行動するための基盤を整えました。

本章では、AI外部脳を

自律的に機能させる核となる

「AI Loop」の理論を深掘りし、

特にその成否を分ける

「**検証ゲート

（VERIFY Gate）**」の

具体的なコード実装に

焦点を当てて解説します。

2.1 AI Loopの5段階

AI Loopとは、

AIが単発の指示で終わるのではなく、

明確な目標に向かって

「計画→実行→検証→修正」の

サイクルを自律的に

回し続ける仕組みです。

従来のAIとの対話は、

ユーザーがプロンプトを入力し、

AIが一度応答を生成して

終了するという、

線形的なプロセスでした。

一方でAI Loopでは、

AI自身が目標達成に向けて

試行錯誤を繰り返します。

この自律的なサイクルは、

以下の5段階で構成されます。

1. DISCOVER（発見）

課題の特定と、

必要な情報の収集。

1. PLAN（計画）

目標達成のための

具体的な行動計画の策定。

1. EXECUTE（実行）

計画に基づいた

実際の作業の実行。

1. VERIFY（検証）

実行結果が目標や成功基準を

満たしているかの客観的な評価。

1. ITERATE（反復）

検証結果に基づいた、

計画や実行プロセスの修正と再試行。

この中で特に重要なのが、

「VERIFY（検証）」です。

検証が曖昧だったり、

AI自身が甘く評価できたりすると、

AIは自己満足に陥り、

実質的な進捗がないまま

Loopを回し続けます。

2.2 VERIFY Gateの重要性

AI Loopが単なる

「繰り返し」ではなく、

「進捗」を生み出すためには、

VERIFY Gate

（検証ゲート）\\と呼ばれる、

客観的で厳格な評価基準が

不可欠です。

検証ゲートにより、AIは、

何が成功で、

何が失敗なのかを理解し、

自己修正する方向性を

定められます。

検証ゲートが機能しない場合、

AIは自分の宿題を

自分で採点する状態になります。

実際には目標が

達成されていないにもかかわらず、

作業を完了したと誤認する

可能性があります。

したがって、検証ゲートは

AI Loopの健全性と効率性を

保証する「心臓部」と言えます。

2.3 VERIFY Gateのコード実装

VERIFY Gateは、

単体テスト、結合テスト、

リンター、型チェッカー、

特定の数値目標など、

自動的かつ客観的に

評価可能な仕組みで実装します。

ここでは、Pythonプロジェクトの

コード品質を自律的に検証する

スクリプトを紹介します。

Python品質検証スクリプト

このスクリプトは、

mypyによる型チェックと、

pytestによる

テスト実行を自動で行います。

1# verify_code_quality.py
2from __future__ import annotations
3
4import subprocess
5import sys
6from pathlib import Path
7from typing import Sequence
8
9def run_command(
10    command: Sequence[str],
11    error_message: str,
12) -> tuple[bool, str]:
13    """コマンドを実行し、成否とログを返す。"""
14
15    process = subprocess.run(
16        command,
17        capture_output=True,
18        text=True,
19        check=False,
20    )
21
22    output = "\n".join(
23        part
24        for part in (
25            process.stdout,
26            process.stderr,
27        )
28        if part
29    )
30
31    if process.returncode != 0:
32        return False, f"{error_message}\n{output}"
33
34    return True, output
35
36def verify_implementation() -> tuple[bool, str]:
37    """型チェックとテストで実装品質を検証する。"""
38
39    print("--- Starting Code Verification ---")
40
41    if Path("src").exists():
42        print("Running mypy...")
43
44        success, message = run_command(
45            [
46                sys.executable,
47                "-m",
48                "mypy",
49                "src",
50            ],
51            "Type check failed.",
52        )
53
54        if not success:
55            return False, message
56
57        print("mypy passed.")
58
59    else:
60        print(
61            "Skipping mypy: "
62            "src directory not found."
63        )
64
65    if Path("tests").exists():
66        print("Running pytest...")
67
68        success, message = run_command(
69            [
70                sys.executable,
71                "-m",
72                "pytest",
73                "tests",
74                "-q",
75            ],
76            "Tests failed.",
77        )
78
79        if not success:
80            return False, message
81
82        print("pytest passed.")
83
84    else:
85        print(
86            "Skipping pytest: "
87            "tests directory not found."
88        )
89
90    return True, "All code quality checks passed."
91
92if __name__ == "__main__":
93    passed, result = verify_implementation()
94
95    print(result)
96
97    raise SystemExit(
98        0 if passed else 1
99    )

初回だけ、

検証ツールをインストールします。

Claude Codeへの組み込み

Claude CodeのSkills内で、

検証スクリプトを呼び出すことで、

AIが自身の作業結果を

自律的に評価できます。

で修正する。

1検証を省略して完了扱いにしないでください。---
2name: work
3description: GitHub Issueを読み込み、実装・テスト・修正を繰り返す
4argument-hint: "[issue-number]"
5disable-model-invocation: true
6allowed-tools: Bash(gh *) Bash(git *) Bash(python *) Bash(pytest *) Bash(mypy *) Read Write Edit Glob Grep
7---
8
9GitHub Issue $ARGUMENTS を処理してください。
10
111. `gh issue view $ARGUMENTS`で内容を取得する。
122. 関連ファイルと`CLAUDE.md`を読む。
133. 実装計画を短く作る。
144. 必要な変更とテストを実装する。
155. `python verify_code_quality.py`を実行する。
166. 失敗した場合は原因を分析し、最大5回まで
177. 成功後に変更内容と検証結果を報告する。
188. 明示的な許可がある場合のみ、Issueを閉じてコミットする。

verify_code_quality.pyが

exit(0)で終了すれば成功、

exit(1)で終了すれば

失敗と判断できます。

これにより、AIは

「テストが通るまで修正する」という

自律的なLoopを回せます。

2.4 Stateの永続化

AI Loopが過去の失敗から

学習するためには、

各イテレーションの状態を記録し、

記憶を永続化させる

「State」が必要です。

過去の試行錯誤を

保持していなければ、

AIは同じ過ちを繰り返し、

毎回ゼロから学習することになります。

AI外部脳では、

GitリポジトリとObsidianノートが

状態記録の役割を担います。

・Obsidianノート

AIが生成した中間成果物、

分析結果、計画、検証ログなどを

Markdown形式で記録します。

・Gitリポジトリ

Obsidianノートの

変更履歴を記録します。

AIがファイルを変更するたびに

Gitコミットとして残すことで、

過去の状態へ戻り、

失敗の原因を分析できます。

Claude Codeは、

GitリポジトリとObsidianノートを

読み書きすることで、

AIの「記憶」にアクセスし、

次の行動を決定します。

2.5 Stop Conditionの設計

AI Loopが無限に

リソースを消費し続けることを

防ぐためには、

明確な

「**Stop Condition

（停止条件）**」が必要です。

停止条件がなければ、

AIは目標が達成されるまで、

際限なくLoopを回し続け、

予期せぬコストの発生や

リソースの枯渇を招きます。

停止条件の種類

1. 成功基準の達成

VERIFY Gateを通過し、

目標が完全に達成された場合に

Loopを終了します。

1. 最大イテレーション回数

AIが試行錯誤できる

最大回数を設定します。

1#!/usr/bin/env bash
2set -euo pipefail
3
4ISSUE_NUMBER="${1:?Usage: ./scripts/work_loop.sh <issue-number>}"
5MAX_ITERATIONS="${MAX_ITERATIONS:-5}"
6MAX_TURNS="${MAX_TURNS:-8}"
7MAX_BUDGET_USD="${MAX_BUDGET_USD:-2.00}"
8
9for ((i = 1; i <= MAX_ITERATIONS; i++)); do
10  echo "--- Iteration ${i}/${MAX_ITERATIONS} ---"
11
12  claude -p \
13    --max-turns "$MAX_TURNS" \
14    --max-budget-usd "$MAX_BUDGET_USD" \
15    "GitHub Issue #${ISSUE_NUMBER}を読み、実装してください。完了前にpython verify_code_quality.pyを実行し、失敗した場合は修正してください。"
16
17  if python verify_code_quality.py; then
18    echo "Verification passed."
19    exit 0
20  fi
21done
22
23echo "Maximum iterations reached. Manual review is required."
24exit 1
25スクリプトを保存したら、
26次のように実行します。
27chmod +x scripts/work_loop.sh
28./scripts/work_loop.sh 123

1. 実行予算とターン数

--max-budget-usdと

--max-turnsを組み合わせ、

1回の実行で使用できる予算と

ターン数を制限します。

1. 時間制限

特定のタスクにかけられる

最大時間を設定します。

GitHub Actionsでは、

timeout-minutesを使って

制限できます。

停止条件の設計原則

・明確性

停止条件は曖昧ではなく、

客観的に判断できる必要があります。

・安全性

無限ループや高額なコストを防ぐ

セーフティネットとして機能させます。

・柔軟性

タスクの性質に応じて、

複数の停止条件を組み合わせます。

2.6 まとめ

AI Loopを機能させるには、

・検証ゲート

・状態記録

・停止条件

この3つが欠かせません。

これらを適切に組み合わせることで、

AIは単なる指示の実行者ではなく、

自律的に目標達成へ向けて

試行錯誤し、学習する

共同作業者となります。

第3部：SkillsとPM Layer

前章では、AI Loopの理論と、

その核となる検証ゲートの

コード実装について解説しました。

本章では、AI外部脳の自律性を

さらに高める「Skills」と、

プロジェクト管理の役割を

AIに支援させる

「PM Layer」の構築について、

具体的なコード例を交えながら

解説します。

3.1 Skillsの設計と実装

Claude Codeでは、

ユーザーが独自のSkillsを

定義できます。

これにより、繰り返し行う

複雑な操作を、

/command-nameという形で

ワンコマンド化できます。

Skillsは、

次の場所へMarkdown形式で

配置します。

.claude/skills/<skill-name>/SKILL.md

3.1.1 /decompose Skill

プロジェクトの目標を

マイルストーンやタスクに分解し、

GitHub Issue案を作成する

Skillです。

保存先

.claude/skills/decompose/SKILL.md

内容

1---
2name: decompose
3description: 大きな目標を実行可能なタスクへ分解し、GitHub Issue案を作る
4argument-hint: "[goal]"
5disable-model-invocation: true
6allowed-tools: Bash(gh *) Read Glob Grep
7---

目標「$ARGUMENTS」を、次の3層へ分解してください。

1. ゴール
2. マイルストーン
3. 実行タスク

各タスクには、次を含めてください。

タイトル

背景と目的

作業内容

完了条件

依存関係

優先度

想定期限

まずIssue案を一覧で提示し、

私が承認した後だけ

\gh issue create\で作成してください。

Claude Codeを開き、

次のように実行します。

/decompose AI外部脳を構築する

AIが目標を分解し、

Issueの下書きを作成します。

人間が確認した後だけ

Issueを作るようにしているため、

不要なIssueが大量に作られる

事故も防げます。

3.1.2 /work Skill

指定されたGitHub Issueを読み込み、

実装、検証、修正、報告までを

自動化するSkillです。

保存先

.claude/skills/work/SKILL.md

内容

1---
2name: work
3description: 指定されたGitHub Issueを読み、実装・テスト・修正を行う
4argument-hint: "[issue-number]"
5disable-model-invocation: true
6allowed-tools: Bash(gh *) Bash(git *) Bash(python *) Bash(pytest *) Bash(mypy *) Read Write Edit Glob Grep
7---
8
9GitHub Issue $ARGUMENTS を処理してください。

1## 実行手順
2
31. `gh issue view $ARGUMENTS`でIssueを取得する。
42. `CLAUDE.md`と関連する`pm_brief.md`を読む。
53. スコープ、依存関係、リスクを確認する。
64. 実装とテストを行う。
75. `python verify_code_quality.py`を実行する。
86. 失敗した場合は原因を分析して修正する。
97. 最大5回で解決できなければ、作業を止めて状況を報告する。
108. 成功したら、変更内容、検証結果、残るリスクを報告する。
11
12## 制約
13
14- 検証を省略しない。
15- 関係のないファイルを変更しない。
16- APIキーや秘密情報を出力しない。
17- Issueのクローズとpushは、明示的な許可がある場合だけ行う。
18次のように実行します。
19/work 123
20これでIssue 123の内容を読み、
21実装とテストを進めます。

3.1.3 その他のSkills例

・/deep-research <query>

WebとAI外部脳内の知識を

並列で深掘り調査し、

構造化されたレポートを

生成します。

・/weekly-review

00_Inbox/の未処理アイテムや、

放置されているプロジェクトを検出し、

活動サマリーを生成します。

・/idea

複数の思考フレームワークを

組み合わせながら、

新しいアイデアを

継続的に生成します。

3.2 PM Layerの導入

AI外部脳の真の自律性を

実現するためには、

単にタスクを実行するだけでなく、

プロジェクトの健全性を維持し、

停滞を未然に防ぐ

「判断層」が必要です。

これが

PM Layerです。

PM Layerは、

独立したコマンドではなく、

既存のワークフローへ介入する

判断レイヤーとして機能します。

AIにコードを書かせるだけでなく、

・なぜ作るのか

・何を優先するのか

・どこまで作るのか

・どんなリスクがあるのか

こうしたプロジェクト全体の

文脈を理解させます。

3.2.1 PM Layerの位置付け

PM Layerは、

次の3層にまたがって機能します。

・Human-Triggered

人間が/decomposeや

/workを実行した際に、

AIがプロジェクトの文脈を理解し、

潜在的なリスクを指摘します。

・Event-Driven

新しいIssueの作成や

ファイルの更新をきっかけに、

AIがプロジェクトの状態を評価し、

次のアクションを提案します。

・Always-On

定期的にプロジェクトを確認し、

停滞しているIssueや

プロジェクトを検出します。

3.2.2 pm_brief.mdの実装

AIへプロジェクトの

「What・Why・How・When」を

理解させるために、

各プロジェクトへ

pm_brief.mdを配置します。

保存先

10_Projects/ProjectA/pm_brief.md

内容

1# ProjectA PM Brief
2
3## 1. PdMの視点：What / Why
4
5### プロジェクトの目的とビジョン
6- このプロジェクトは何を達成するのか。
7- ユーザーへどのような価値を提供するのか。
8- 成功を測る数値や状態は何か。
9
10### 解決する課題
11- どのユーザー課題を解決するのか。
12- ユーザーが喜ぶ瞬間は何か。
13- ビジネス上の重要性は何か。
14
15### 差別化
16- 競合との違いは何か。
17- 市場でどの位置を取るのか。
18
19## 2. PjMの視点：How / When
20
21### スコープとマイルストーン
22- 含めるものと含めないものは何か。
23- 主要マイルストーンは何か。
24- 技術的な制約やリスクは何か。
25
26### タイムラインとリソース
27- 主要な期限はいつか。
28- 必要な人員、予算、ツールは何か。
29- 外部依存は何か。
30
31### 報告体制
32- 進捗をどのように報告するか。
33- ステークホルダーは誰か。
34- 誰が最終判断を行うか。
35
36## 3. 現在の状況
37- 現在の進捗は何％か。
38- ブロッカーは何か。
39- 次に取るべき行動は何か。
40AIは/workや
41/weekly-reviewを実行する際に、
42このpm_brief.mdを読み込み、
43プロジェクトの文脈を理解します。
44Issueの優先順位付け
45プロジェクトの目的や
46ビジョンに基づき、
47AIがIssueの重要度や
48緊急度を判断します。
49停滞プロジェクトの検出
50長期間更新されていない
51Issueやプロジェクトを検出し、
52停滞している原因と
53解決策を提案します。
54リスクの早期発見
55進捗が計画から
56逸脱している場合、
57タイムラインや制約を参照し、
58潜在的なリスクを報告します。
59進捗報告の自動生成
60GitHub Issueや
61コミット履歴を確認し、
62ステークホルダー向けの
63進捗レポートを生成します。

3.2.3 PM文脈の組み込み

/work Skillへ、

次の内容を追加します。

PMコンテキスト

次の情報を必ず読んでから、

Issue $ARGUMENTS を実装してください。

\CLAUDE.md\

対象プロジェクトの\pm_brief.md\

GitHub Issue本文

関連するテストと既存実装

実装中に、目的、スコープ、期限、

リソース、リスクへ影響する点を

発見した場合は、作業結果と一緒に

必ず報告してください。

これにより、AIは

単なるコード生成ツールではなく、

プロジェクト全体の成功を

支援するPMアシスタントとして

機能するようになります。

3.3 まとめ

Skillsを活用することで、

計画、実行、検証、修正という

一連の流れを自動化できます。

さらにPM Layerを導入すれば、

AIはプロジェクトの目的や

ビジョンまで理解し、

より戦略的な判断を

支援できるようになります。

第4部：Always-On自動化

これまでの章で、

・AI外部脳の構築

・検証ゲートの実装

・Skillsの作成

・PM Layerの導入

ここまでの流れを

解説してきました。

本章では、

AI Loopをさらに進化させ、

人間が毎回指示を出さなくても

定期的にタスクを実行する、

「Always-On自動化」の

具体的な実装方法を解説します。

4.1 GitHub Actionsで自動化

Always-Onとは、

人間が意識的に指示を出さなくても、

AIが定期的に稼働し、

システムの健全性を確認したり、

決められた作業を実行したりする

仕組みです。

これを実現するために、

GitHub Actionsを活用します。

GitHub Actionsは、

・リポジトリへのプッシュ

・Issueの作成

・決められた日時

などをきっかけに、

ワークフローを自動実行できます。

4.1.1 毎朝のInbox整理

00_Inbox/へ溜まった

未整理のメモやWebクリップを、

毎朝AIが確認し、

適切なディレクトリへ分類します。

次のファイルを作成します。

.github/workflows/morning_cleanup.yaml

内容は以下です。

1name: Morning AI Brain Cleanup
2
3on:
4  schedule:
5    # 毎日9:00 JST（0:00 UTC）
6    - cron: "0 0 * * *"
7
8  workflow_dispatch:
9
10permissions:
11  contents: write
12
13jobs:
14  cleanup:
15    runs-on: ubuntu-latest
16    timeout-minutes: 20
17
18    steps:
19      - name: Checkout repository
20        uses: actions/checkout@v4
21        with:
22          fetch-depth: 0
23
24      - name: Organize Inbox with Claude
25        uses: anthropics/claude-code-action@v1
26        with:
27          anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}
28          github_token: ${{ secrets.GITHUB_TOKEN }}
29
30          prompt: |
31            00_Inbox/内の未整理ファイルを確認してください。
32
33            内容に応じて、
34            10_Projects/、
35            20_Areas/、
36            30_Resources/へ分類してください。
37
38            判断できないファイルは移動せず、
39            00_Inbox/cleanup_report.mdへ
40            理由を記録してください。
41
42            秘密情報を含むファイルには
43            触れないでください。
44
45            変更後は差分を確認し、
46            適切なコミットを作成してください。

この設定では、

毎日午前9時に

ワークフローが実行されます。

workflow_dispatchも

設定しているため、

GitHub上から

手動で実行することも可能です。

APIキーの登録

GitHubリポジトリを開き、

以下の順番で移動します。

Settings

↓

Secrets and variables

↓

Actions

↓

New repository secret

名前を次のように設定します。

ANTHROPIC_API_KEY

値には、

AnthropicのAPIキーを入力します。

4.1.2 放置プロジェクトの検出

次は、30日以上更新されていない

プロジェクトをAIが検出し、

停滞している原因と

次のアクションを提案する

ワークフローです。

次のファイルを作成します。

.github/workflows/stale_project_check.yaml

内容は以下です。

1name: Stale Project Check
2
3on:
4  schedule:
5    # 毎週金曜日9:00 JST（0:00 UTC）
6    - cron: "0 0 * * 5"
7
8  workflow_dispatch:
9
10permissions:
11  contents: write
12  issues: write
13
14jobs:
15  stale-check:
16    runs-on: ubuntu-latest
17    timeout-minutes: 20
18
19    steps:
20      - name: Checkout repository
21        uses: actions/checkout@v4
22        with:
23          fetch-depth: 0
24
25      - name: Analyze stale projects with Claude
26        uses: anthropics/claude-code-action@v1
27        with:
28          anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}
29          github_token: ${{ secrets.GITHUB_TOKEN }}
30
31          prompt: |
32            10_Projects/を確認し、
33            30日以上更新のない
34            プロジェクトを検出してください。
35
36            各プロジェクトの
37            pm_brief.mdを読み、
38
39            停滞理由、リスク、
40            次の一手を整理してください。
41
42            結果を
43            00_Inbox/stale_project_report.md
44            へ保存してください。
45
46            既存ファイルを
47            勝手に削除しないでください。
48
49            変更後は差分を確認し、
50            コミットしてください。
51
52          claude_args: "--model sonnet --max-turns 8"

このワークフローは、

毎週金曜日の午前9時に

実行されます。

AIは各プロジェクトの

pm_brief.mdを参照し、

・停滞している理由

・現在のリスク

・次に取るべき行動

これらを整理したレポートを、

00_Inbox/へ保存します。

4.2 監視とコスト管理

AI Loopの自律運用は

非常に強力ですが、

AIモデルの利用には

コストがかかります。

特にAlways-Onを実装する場合、

予期せぬ高額な費用を防ぐために、

監視とコスト管理が

欠かせません。

4.2.1 コスト管理の方法

1. 利用状況を確認する

APIプロバイダーの

利用状況画面を定期的に確認し、

トークン使用量や

料金を把握します。

1. 予算アラートを設定する

利用中のサービスが

予算通知に対応している場合は、

月間予算と通知しきい値を

設定します。

1. 1回の実行予算を制限する

Claude CodeのCLIでは、

--max-budget-usdと

--max-turnsを使い、

1回の処理で使用できる

予算とターン数を制限できます。

次のファイルを作成します。

1scripts/claude_budget_guard.sh
2内容は以下です。
3#!/usr/bin/env bash
4set -euo pipefail
5
6BUDGET_USD="${BUDGET_USD:-3.00}"
7MAX_TURNS="${MAX_TURNS:-8}"
8
9if [ "$#" -eq 0 ]; then
10  echo "Usage: ./scripts/claude_budget_guard.sh <prompt>"
11  exit 1
12fi
13
14claude -p \
15  --max-budget-usd "$BUDGET_USD" \
16  --max-turns "$MAX_TURNS" \
17  "$*"

1実行権限を付けます。
2chmod +x scripts/claude_budget_guard.sh
3次のように実行します。
4./scripts/claude_budget_guard.sh \
5  "現在のIssueを確認し、優先度順に整理してください"
6初期設定では、
71回の実行予算が3ドル、
8最大ターン数が8回です。
9予算を変更する場合は、
10次のように実行します。
11BUDGET_USD=1.50 \
12MAX_TURNS=5 \
13./scripts/claude_budget_guard.sh \
14  "README.mdを改善してください"

4.2.2 モデル選択の最適化

すべてのタスクで

高性能モデルを使う必要はありません。

タスクの難易度に応じて

モデルを使い分けることで、

コストを抑えられます。

高性能モデル

複雑な推論、設計、

難しいデバッグなど、

高い精度が求められる

タスクに使用します。

バランス型モデル

日常的なコード修正、

情報整理、文章作成など、

速度と品質の両方が必要な

タスクに使用します。

高速・低コストモデル

分類、キーワード抽出、

短い要約など、

単純で大量に処理する

タスクに使用します。

4.2.3 停止条件を必ず設定する

Always-Onのワークフローには、

必ず停止条件を設定します。

・最大ターン数

・最大実行予算

・最大試行回数

・最大実行時間

これらを設定しなければ、

エラーが解消されないまま、

AIが処理を繰り返す

可能性があります。

4.3 AI Loopが切り開く未来

AI Loopは、

AIとの関わり方を

根本的に変える可能性があります。

単なる質問応答ツールから、

自律的に学習し、成長し、

問題解決を行う

「共同作業者」へと進化します。

4.3.1 創造性への集中

AIが情報整理や

プロジェクト管理の一部を担えば、

人間は戦略立案、創造的思考、

人間関係の構築など、

AIには代替しにくい領域へ

集中できます。

4.3.2 知識探索の加速

新しい情報が自動的に

収集・整理され、

関連するプロジェクトへ

フィードバックされます。

これにより、

知識探索と意思決定の速度を

向上させられます。

4.3.3 適応能力の向上

VERIFY Gateと

ITERATEを通じて、

AIは過去の失敗を参照し、

次の実行方法を改善できます。

ただし、完全な自己進化ではなく、

人間が定義した評価基準と

権限の範囲内で動かすことが重要です。

4.3.4 新しい働き方

AIエージェントが

定型業務を自律的に進め、

人間がその設計、監督、

最終判断を担当する働き方が

増えていく可能性があります。

結論：Loopを設計する

AIを最大限に活用するために

重要なのは、

単発のプロンプトを

工夫することだけではありません。

**AIが目標達成へ向かって

計画、実行、検証、修正を

繰り返せるLoopを設計すること。**

これが重要です。

Claude CodeとObsidianで

AI外部脳を構築し、

Skills、VERIFY Gate、

PM Layer、GitHub Actionsを

組み合わせれば、

AIを単なる回答ツールから、

継続的に仕事を進める

共同作業者へ変えられます。

ただし、自律化するほど、

・検証基準

・権限管理

・停止条件

・コスト上限

・人間による最終確認

これらの設計が

重要になります。

AIへ仕事を丸投げするのではなく、

安全に進められるLoopを

人間が設計する。

そこから、

本当のAI活用が始まります。

Claude code のリアルな活用風景を

下記リンクから発信してます！

**㊙️**手法もオンラインでリアルタイムで

教えています！**

無料相談受付中下記リンクからAI社員構築と送ってください👇

https://lin.ee/qPSWSWR