AI Agentのおかげで学びの初速が爆速になった年、2025年

この記事は Qiita の 2025年、生成AIを使ってみてどうだった？ に向けて書いた内容を、Qiita, Zenn の両方に投稿したものです。

2025 年は AI Agent の台頭により、大きく開発フローや学習フローが変わった年でした。
業務的、ビジネス的な組織設計については他の多くの方が語っているため、私はプライベートの自己学習にフォーカスして AI Agent を使ってみた学びを共有します。

私が契約しているAI関連ツールと選定理由

読者と前提条件を合わせておきたいので、私が契約している AI 関連ツールを紹介します。

• GitHub Copilot(2023 年ごろ〜2025/7 月頃まで)
• ChatGPT Plus(2024 年ごろ〜2025/11 月まで)
• Claude Pro(2025/6〜2026/1 月半ばまで)
• Claude Max 5x(2026/1 半ば〜現在)
• Cursor(2025/12 月〜現在)

初期の頃は GitHub Copilot を中心に使っており、主にコーディング補助として使っていました。
2024〜2025 年の業務では Cursor を使う機会が多く、業務では Cursor の Agent で開発を進めることが多かったです。

私の中の AI 活用のポイントとしては、コーディングの補助がある、Agent として自律的に解決できるの 2 点が存在します。
このうち、コーディングの補助は GitHub Copilot, Cursor で担い、 Agent としては Claude Code, Codex, Cursor で担うことが多かったです。
今選んでいないツールとしては下記の理由となります。今はもう少し改善されているとは考えていますので参考までに。

• GitHub Copilot: コーディング補助としては優秀だったものの、Chat や Agent のコミュニケーションに難があった（日本語のやりとりで困るシーンが多かった印象）。オールインワンで使うには厳しいように思えた
• ChatGPT Plus: Codex はそこそこ優秀でしたが、これも日本語のコミュニケーションに違和感があったため
• Claude Pro: 単純にやりたいことを回しているトークン数が足りないくらい Claude Code を回してしまう。特に検証や壁打ちでブラッシュアップしていく使い方をしていたためか、ほぼ毎日トークンが切れてしまいストレスや記憶領域への影響が大きかった。そのため Max 5x に切り替えた。

コーディング補助については他の方法も模索中でローカル LLM とかからやる方法ないかなとか模索しています。

以降についてですが、基本的に AI Agent と書いているものは Claude Code を前提としております。

自己学習の高速化

AI Agent を使う前の自己学習は、基本的に本やネットの記事を読んで、わからないことがあれば検索して調べるという流れでした。
そしてわからないことがあった場合、後回しになるか解決しないかのどちらかに陥ることが多い状況で、本質の理解へ到達する前にやめてしまうこともありました。

学習はトライアンドエラーを繰り返して深い理解にたどり着くものでしょう。
一方で現在のソフトウェア技術は複雑化・高度化しているため、学習効率は非常に重要になってきています。
そのため仕事をしながら時間をかけて複雑なものを学び続けることは難しく、自分の中では限界を感じていました。

AI Agent は学びたい・知りたいと考えているところに対してフォーカスして学ぶことができる、という点が非常に大きなメリットでした。

環境構築の問題の解消

ある技術を学びたいと思ったときには環境構築や、設定が必要になり、これまでの学習では学習障壁や本質的ではない時間が使われていました。
現在の AI にはセットアップやセットアップに関するエラー対処の知識が豊富にあるため、比較的スムーズに環境構築や設定ができます。

Web 技術であれば Docker を用いた仮想化が一般的となり、ローカルの PC の環境に影響を与えることなく環境構築ができるようになったことも大きいです。
何が設定されているかは詳細に後から確認する必要はありますが、まずは本当に動かしたいものを動かしてみる、という点に注力できることで学習の初速が爆速になったと感じています。

すぐに動くサンプルコードを用意できる

学びたい技術のサンプルコードを AI Agent に書かせることで、実際に動くコードを見ながら学ぶことができるようになりました。
これまでは本やネットの記事を見ながら、コードを自分で書いていました。
コードを書く時間を削減するためにタイピング速度なども向上させてきたなどの物理的な努力もしてきました。

しかし AI Agent にコードを書いてもらうことで、コードを書く時間を大幅に削減できるようになりました。
今の AI Agent が出力するコードは人間のタイピングではとてもできない速度でコードを出力してくれるため、コードを書く時間を削減できます。
多少の手直しが必要なシーンもありますが、コードを書くという物理的な作業の削減も学習の初速を上げる大きな要因になっています。

コードの品質向上も学習の初速を爆速にする要因です。
コードを自分で見て写して動作させるのはハードルが高く、全角スペースや見間違いやすい記号（. と , など）を間違えてしまうことも多かったです。
そのためサンプルコードを動かすまでに細かい文字の違いを発見すること自体に労力が割かれ、非効率的でした。
AI Agent が出力するコードはこれらの細かいミスが少なく、動作させるまでの労力が大幅に削減されるため、学習の初速を爆速にする要因となっています。

応用的な機能も試しやすい

AI Agent にコードを書いてもらうことで、応用的な機能も試しやすくなりました。
まず基礎的なサンプルコードから始まり、機能を網羅するようなコードを書かせたりすることで、基礎的なコードから応用的なコードまでを一気に試すことができるようになりました。

他のツールやサービスでできていることとの比較にも使いやすく、すでに知っている概念があればそれに合わせてコードを実装してくれるのも大きなポイントです。
（ただしこれは私がそもそもプログラミングをある程度しているから、という背景はあります）。

最新の機能についても調べて対応できる

AI Agent は最新の機能についても調べて対応できるため、最新の技術を学ぶ際にも非常に役立ちました。
AI Agent は基本的には自分の持っている知識で解決しようとしますが、最新の機能も Web 検索から調べて対応してくれるため、最新の技術を学ぶ際にも非常に役立ちました。
リリースノートをすべて追えているわけではないので、自分で調べて解決してくれるのはとてもありがたいです。

一方で AI Agent が出してくるものは常に最新のイケている機能であるかどうかを見極める必要もあります。
非推奨になっているメソッドや、削除済みのメソッドを指定してくるケースもあるので、要注意です。
見慣れないものや知識が少ないものについてはドキュメントを見ながら調べてみたり、テストコードでカバーするようにしています。

学習を高速化するために

ここからは自分が実践している Tips です。

学習用のテンプレートリポジトリを用意してしまう

私はよく特定技術に対してサンプルコードを書かせて読み込んだり、負荷をかけて観測しています。
そのため同じようなドキュメントを書くことが増えてきたため、学習用のテンプレートリポジトリを用意してしまうことにしました。

逐次ブラッシュアップしていますが、 CLAUDE.md に目的や利用技術の概要、 README.md に環境設定手順やコマンド、といった形でまとめています。
このリポジトリをテンプレートとして GitHub 上でリポジトリを作成することで、学習の初速が爆速になりました。

よく使う skill もまとめておく

AI Agent にコードを書いてもらう際に、よく使う skill もまとめておくようにしています。
よく個人的にやっているのはコミットする、PR を作成する、マージ後のブランチをきれいにする、です。

これもリポジトリにまとめて、各環境でコピーして利用できるようにしています。
利用頻度が高いものはユーザー単位で有効にしています。

仮想化しておく

Docker やそれに類するコンテナ技術上でなるべく動かすようにしています。
ローカル環境へのインストールは依存関係の破壊や、構築に失敗した際、不要なツールが残ってしまうなどの問題があります。
仮想化しておくことで、環境構築の失敗のリスクを減らすことができるので、この機会に Docker などの仮想化技術を学ぶこともおすすめします。

私は個人的に Podman で動かすことが多いです。比較的古いノート PC で動かしていることもあり、スペック的な相性で podman を選んでいます。

試す技術については下調べをする

AI Agent にコードを書いてもらう前に、試す技術については下調べをするようにしています。
自分が持っている知識量が少ないと検証したい内容をうまく伝えられなかったり、方向性を誤ったコードが出てきたりすることが多いためです。

例えばデータベースが必要であれば Docker compose で用意するなど、ある程度の環境構築の知識があれば、AI Agent にも伝えやすくなります。
Introduction, Quick Start Guide、チュートリアルなどだけでもざっくり読んでおくことが良いでしょう。情報収集も AI を活用して行えば、スムーズです。

ステップを区切って書いてもらう

環境構築ができたら 1 回コミット、コードが動く状態になったら 1 回コミット、という形で私は進めています。
Plan や Sub Agent の活用などうまくやれば一気にコードを書いてもらうことも可能でしょう。
しかし私は学習するという目的もあるため、細かくステップを区切って進めてもらうことで、自然な手順で理解するようにしています。

ステップを区切って書いてもらうことで理解する範囲を限定もできます。
例えば 1000 行の差分を一気に確認することは大変です。しかし 100 行ずつ 10 回であれば、確認する範囲も限定されるため、理解しやすくなります（PR を小さくしましょうという話と似ていますね）。

テストコードも書いておく

コードを書いてもらうときには、テストコードも書いてもらうようにしています。
テストコードを書いてもらうことにより、コードを変更した際の影響を小さくでき、ロジック的なインプット・アウトプットが正しいことを繰り返し高速で確認できます。

手動で動かして確認も可能ですが、検証するもののサイズが大きくなればなるほど、手動での確認は非効率的かつミスも起こりやすくなります。
テストコードを書いておくことで期待する結果となっているか、またコードを変更した際に他の部分に影響が出ていないかを高速で確認できるため、学習速度の向上に役立ちます。

うまく行かないときはエラーメッセージを読みつつも修正自体は AI に委譲する

実際に動かしてみてエラーになる場合もあります。
その場合はエラーメッセージを読みつつも、修正自体は AI に委譲することが多いです。

またエラーメッセージが起きたケースは AI の考慮が漏れているケースの可能性が高いです。
考慮漏れを再度発生させないために私はテストケースを追加して確認するようにしています。

まとめ

2025 年は AI Agent によって自己学習が非常にはかどった年でした。
以前書いた「気になっていた shell を触る」（Qiita, Zenn）も AI Agent を活用して学習した結果をまとめたものです。

まだまだ勉強したいものはたくさんあるので、引き続き AI Agent を活用して学習を進めていきたいです。
ただ AI Agent を使うと結構何でも動いてしまうので、学習の目的を失わず、かつ健康状況も悪化させない程度に楽しんでいきたいところです。