【要約】"[Claude Code] Kaggle完全自動化で金メダルは獲れるのか？（後編：最終コードとAIエージェントの限界点） [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
筆者がKaggleコンペの自動化を試みた際、AIのコーディング能力ではなく、環境理解の欠如とリソース制限に直面した。AIは高度なロジックを書けるが、実行環境の特殊性を察知できないため、以下の問題が発生した。
- ・Kaggle特有のオフライン環境（インターネット接続不可）への対応失敗。
- ・URL提供のみの指示では、隠しデータ仕様や厳密な提出形式を把握できない。
- ・自律的なエラーリカバリーによる、APIトークンの激しい消費とレートリミットへの到達。
// Approach
筆者はAIエージェントに対し、単なる指示ではなく、インフラと制約を明確に定義する「Constraint Engineering」のアプローチを検討した。具体的には、以下の技術要素を組み込んだパイプラインを構築した。
- ・SafeCodeExecutor：execとStringIOを用いた安全なPythonコード実行環境。
- ・TIR（Tool-Integrated Reasoning）：コード実行結果を再帰的にプロンプトへ戻すループ処理。
- ・vLLMの活用：tensor_parallel_size=2とprefix_cachingによる推論の高速化。
- ・Majority Voting：同一問題に対する複数サンプリングによる精度向上。
// Result
AIは高度なアルゴリズム実装において、Kaggle Masterクラスに匹敵するコードを生成できることが確認された。検証を通じて、以下の知見が得られた。
- ・TIRやvLLMを駆使したSOTAな推論パイプラインを短時間で構築可能。
- ・「要件定義・環境構築＝人間」「実装・チューニング＝AI」という分業モデルの有効性を実証。
- ・完全自動化には、人間による「制約（Constraint）」の設計が必須である。
Senior Engineer Insight
> AIのIQは極めて高いが、現場の「暗黙知」が欠落している。実戦投入では、AIに「察させる」のではなく、インフラや入出力形式を厳密に「制約」として与える設計力が求められる。APIコストとレートリミットを考慮した、Human-in-the-loopな運用設計が不可欠だ。