ループエンジニアリング（Loop Engineering）とは、AIエージェントの「思考—行動」ループそのものの設計を指します。コンテキスト管理、モデル選択、観測結果の圧縮、ループの終了タイミングなどがその範囲に含まれます。

ループエンジニアリングという用語は2026年にコミュニティで徐々に広まり、Kumar と Pandey は論文 TurnCost: Turns, Not Observations: Cache-Aware Loop Engineering for Coding Agents においてこれを体系的に定義し、600件の公開プログラミングエージェントのトレースに基づく定量的分析を行いました。

ループエンジニアリングの核心的な発見は「ターン数が観測よりも重要である」という点です。単一の観測の中位数はわずか118〜286トークンであり、圧縮されがちな大量のビルドログは99パーセンタイルで初めて現れます。入力トークンの98.6%がプレフィックスキャッシュにヒットするため、「トークンあたり均一価格」による計算ではループコストが平均約7倍過大評価されます。さらに重要なことに、ターン数はトレースコストの対数分散の84%を説明する一方、平均観測サイズはわずか4%しか説明しません。最もコストの高いトレースは、観測が最も長いものではなく、ターン数が最も多いものなのです。

ループエンジニアリングの意義は、エージェントの効率問題を「モデルが速いかどうか」から「ループ設計が優れているかどうか」へ転換することにあります。最適化は、単一の出力長だけに注目するのではなく、「不要なターン数の削減」を優先すべきです。また、キャッシュを考慮したコストモデルこそが実際のコストにより近いことを示唆しています。

[JIALIU_0]