Coding Agent（コーディングエージェント）とは？仕組み・3つの型と主要ツールの料金・選び方【2026年10月】

Coding Agent（コーディングエージェント）とは、指示を受けたAIが自分でリポジトリを読み、ファイルを書き換え、テストやコマンドを実行し、その結果を見て次の手を決めるところまでを繰り返すツールです。一行ずつ候補を出すコード補完とは違い、「このバグを直してテストを通して」という単位で仕事を任せられます。

この記事では、エージェントが内部で何をしているか、動く場所で分かれる3つの型、GitHub Copilot・Claude Code・Codex・Cursorなどの料金と、入力したコードが学習に使われるかを、2026年10月時点の公式ドキュメントで整理します。後半では、同じバグをClaude CodeとCodex CLIに直させ、権限の設定で結果がどう変わるかを実測した記録を載せています。

まとめ：コーディングエージェントの要点

• 中身は「LLM＋ツール（ファイル操作・シェル）＋反復ループ」。補完やチャットとの違いは、AIが自分でコマンドを実行し結果を確かめる点にある
• 型は動く場所で3つに分かれる。エディタ内のIDE型、手元のターミナルで動くCLI型、クラウドで非同期にPRまで作るクラウド型
• 料金は「月額プラン＋使用量」が主流。Copilot cloud agentはActionsの分数とAI credits（1クレジット0.01ドル）を消費し、Cursorは新規契約がThe X Subscriptionの料金体系に変わった
• 個人向けプランは、設定を変えない限り入力が学習に使われうる製品が多い。Copilotの個人プランは2026年4月24日から既定で学習対象になった。社外秘のコードは法人プランで扱い、個人プランで試すときは学習をオフにしてから使う
• 実測では、権限が足りずに修正できなかった実行も終了コードは0だった。自動化するなら終了コードではなく、差分とテスト結果を見て成否を判定する

コーディングエージェントの定義と補完からの変遷

コード補完・AIチャットとの違い

AIによる開発支援は、AIに渡す仕事の単位で3段階に分けると違いがはっきりします。コーディングエージェントは3段階目で、AIがツールを使って作業を完了させるところまで担います。「コードエージェント」「AIコーディングエージェント」も同じものを指します。

似た言葉との関係も整理しておきます。Agentic Coding（エージェンティックコーディング）はエージェントに実装を任せる開発の進め方、バイブコーディングはコードを読まずに対話だけで作る作法を指す言葉で、どちらもコーディングエージェントという道具を使う側の話です。

補完からエージェントまでの主な出来事

各社の発表日（表のリンク先）で並べると、2025年にターミナルで動くCLI型が相次いで公開されたことが分かります。

エージェントループの仕組み：LLM・ツール・コンテキスト

考える・ツールを呼ぶ・結果を読むの反復

どの製品も中核は同じ構造です。LLMが次の行動を決め、ホスト側のプログラムがその行動（ファイルを読む、テストを実行する等）を実際に行い、結果を会話履歴に足してLLMへ返します。LLMが「完了」と答えるか上限回数に達するまでこれを繰り返します。LLM自体はコマンドを実行できず、実行するのは常にホスト側です。

次のPythonは、LLMの部分をスタブに置き換えてループの骨格だけを再現したものです（Python 3.9で動作確認済み）。

import subprocess

def run_tests():
    r = subprocess.run(["python3", "-c", "print('1 passed')"], capture_output=True, text=True)
    return r.stdout.strip()

TOOLS = {"run_tests": run_tests}

def fake_llm(history):
    # 本物はLLM APIを呼ぶ。ここでは最初にrun_testsの呼び出しを返し、ツール結果が履歴に入ったら完了を返すだけ（成否の判定は省略）
    if not any(m["role"] == "tool" for m in history):
        return {"tool": "run_tests"}
    return {"answer": "テストが通ったので完了します"}

def agent(task, max_steps=10):
    history = [{"role": "user", "content": task}]
    for _ in range(max_steps):
        reply = fake_llm(history)
        if "answer" in reply:
            return reply["answer"]
        result = TOOLS[reply["tool"]]()
        history.append({"role": "tool", "content": result})
    return "上限に達したので停止"

print(agent("テストを実行して結果を報告して"))

実際の製品では fake_llm がLLM APIの呼び出しに、TOOLS がファイル読み書き・検索・シェル・ブラウザなど数十種類に置き換わります。max_steps にあたる上限や、ツール実行前に人へ確認する仕組みがあるかどうかが、製品ごとの安全性の差になります。ツール定義から承認・トレースまで実際のAPIで組む手順はAIエージェントの作り方で扱っています。

コンテキストの管理とAGENTS.md

ループを回すほど履歴が伸び、LLMのコンテキスト上限に近づきます。各製品は古い履歴を要約して詰める圧縮、調査を別のサブエージェントに任せて結果だけ受け取る分業、作業メモをファイルに書き出す方式を組み合わせて対処しています。何を渡し何を捨てるかの設計はコンテキストエンジニアリングと呼ばれます。

リポジトリ側からエージェントに前提を伝える共通の置き場が AGENTS.md です。ビルド方法やテストの実行方法、コーディング規約をMarkdownで書いておくと、対応するエージェントが作業前に読み込みます。公式サイトの対応一覧にはCodex、Jules、GitHub Copilot、Cursor、Devin、Gemini CLI、Aider、opencodeなどが並びます。2025年12月にLinux Foundation傘下で設立されたAgentic AI Foundation（AAIF）が、AGENTS.mdとMCP（Model Context Protocol）を管理しています。

# AGENTS.md
## セットアップ
- 依存の導入: npm ci
- テスト: npm test（変更後は必ず実行し、失敗したまま完了報告しない）

## 規約
- TypeScriptのstrictを外さない
- src/generated/ 配下は自動生成のため編集しない

Claude Codeは v2.1.277 以降、CLAUDE.md が無いリポジトリでは AGENTS.md をそのまま読み込みます（CLAUDE.md があればそちらだけを読みます）。両方を読ませたい場合は、/config の「Project instructions」を claude-md-and-agents-md にします（設定ファイルでは組み込みプラグインの instructionFiles オプション。Claude Codeのメモリの説明）。複数のエージェントで共通の内容をAGENTS.mdにまとめる場合は、各ツールの読み込み設定もそろえてください。例えばAiderでは、設定ファイルに read: AGENTS.md を指定します。

動く場所で分かれる3つの型：IDE・ターミナル・クラウド

同じ「エージェント」でも、どこで動くかによって人の関与の仕方が変わります。選定では機能表より先に、この型を決めると候補が絞れます。

IDE型とCLI型は手元のマシンでコマンドを実行するため、ローカルの秘密情報や社内ネットワークに触れられる点に注意が要ります。クラウド型で手元のDBや社内APIを使うテストを動かすには、接続経路と認証の設定が必要です。Copilot cloud agentは、Azureのプライベートネットワークやセルフホストランナーを利用できます。GitHub Copilotには両方があり、エディタ内のエージェントモードと、Issueを割り当てるとGitHub Actions上でPRまで作るcloud agentは別機能です。CLI型の代表2製品の違いはCodexとClaude Codeの違いで比較しています。

主要コーディングエージェントの比較（2026年10月時点）

商用ツールの料金と課金単位

商用ツールは「月額プラン＋使用量」の組み合わせが主流で、使用量の数え方が製品ごとに違います。各社の公式料金ページとドキュメント（2026年10月24日確認）から、個人で始めるときの入口をまとめました。

Copilot cloud agentは有料のCopilotプランすべてで使え、Freeでは使えません。セッションごとにGitHub Actionsの分数と、モデルと処理トークン量に応じたAI credits（1クレジット＝0.01ドル）を消費します。2026年6月1日に全プランがこのクレジット消費量ベースの課金へ移りました。月に含まれるクレジットは、Pro（月10ドル）が1,500、Pro+（月39ドル）が7,000、Max（月100ドル）が20,000です（GitHub Copilotの個人向け課金）。プランごとの比較と使用量の集計方法はGitHub Copilotの料金で解説しています。

AnthropicのClaude CodeはClaudeのFreeプランには含まれず、Pro（月20ドル、年払いなら月17ドル相当）以上かAPIの従量課金で使います（Claudeの料金）。Codexは無料のFreeと月8ドルのGoではデスクトップアプリだけが対象（順次提供）で、Web・CLI・IDE拡張まで使える入口はPlus（月20ドル）です。CLIとIDE拡張は、APIキーによる従量課金でも利用できます（Codexの料金）。

Cursorの新規契約は、Grok・Cursor・Xをまとめた「The X Subscription」のFree、Plus（月8ドル）、Premium（月30ドル）、Super（月100ドル）、Ultra（月200ドル）です。使用枠は週ごとにリセットされ、Grokと共有します。PlusはCursor自社のモデルだけで、Cloud AgentsとClaude・GPTなど他社モデル（APIの定価で前払いクレジットから引かれる）はPremiumからです（Cursorのモデルと料金）。旧Pro（月20ドル）との違いはCursor Proの解説にまとめています。

Julesの上限は、無料枠が24時間あたり15タスク（同時3件）、Google AI Proが100タスク（同時15件）、Ultraが300タスク（同時60件）です（Julesの上限とプラン）。DevinはFreeでDesktopを試せ、クラウドで動くDevin CloudはPro（月20ドル）からです。Maxは月200ドル、Teamsは月80ドル＋開発者1人あたり月40ドルです（Devinの料金）。製品ごとの使い方はClaude Codeとは、Codex CLIの設定とオプション、Google Julesとは、Devinとはの各記事で解説しています。料金は改定が速いため、契約前に各ページで最新の条件を確認してください。

OSSのコーディングエージェントのライセンスと更新状況

OSSのエージェントは本体が無料で、LLMのAPI料金を自分で払う（またはローカルLLMを使う）形です。Codex CLIとGemini CLIも本体はOSSで、使うモデルの契約が別に要ります。ライセンス、最新リリース、スター数は次のとおりです（2026年10月24日にGitHubとPyPIで確認）。スター数は注目度の目安で、保守状況は更新日も合わせて見てください。

Aiderの最新はPyPIの0.86.2で、GitHubのリリースはv0.86.0（2025年8月）が最後です。リリースが8か月以上出ていないため（mainへのコミットは2026年5月が最後）、使いたいモデルへの対応を確かめてから採用してください。モデルを選べる自由度ではOpenCodeとCline、自律実行の環境まで含めて自前で持ちたい場合はOpenHandsが候補になります。ローカルLLMで動かす構成はPi（pi-coding-agent）の設定手順が具体例です。

入力コードの学習利用：製品・プラン別のデータの扱い

エージェントはリポジトリ全体を読むため、送られるコードの量がチャットよりはるかに多くなります。2026年10月24日時点の公式ポリシーは次のとおりです。

GitHubは2026年4月24日から、Copilot Free・Pro・Pro+の入力・出力・コード断片を、オプトアウトしない限り学習に使う方針に変えました（GitHubの発表）。現行のドキュメントはMaxも対象に含めています。止めるには、Copilotの設定で「Allow GitHub to use my data for AI model training」をDisabledにします（Copilotのポリシー管理）。BusinessとEnterpriseのアカウントにはこの項目が表示されません。

Claude Codeは、Free・Pro・Maxでは学習の設定がオンのとき会話とコーディングセッションが学習に使われます（規約上はオプトアウト方式）。保存期間は、学習を許可すると5年、許可しないと30日です（Claude Codeのデータ利用）。ただし消費者向け規約は、学習を断っていても、フィードバックを送った場合と安全性の審査対象になった場合は学習に使うと定めています。/feedback や /bug で送ったトランスクリプトは5年間保存されるので、社外秘のリポジトリでは送る内容に注意してください。

ChatGPTの個人プランでCodexを使う場合は、Data controlsの「Improve the model for everyone」をオフにすると、ChatGPTの会話とCodexのタスクの両方が学習から外れます。Codexの環境（接続したリポジトリ）を学習に含めるかは「Include environments」という別の設定で、ChatGPT側の設定を変えても連動しません（OpenAIのデータ利用の説明）。CursorはPrivacy Modeを有効にすると、コードがCursorにも他社のモデル提供元にも学習に使われません。チームプランでは全員に既定で有効です（Cursorのプライバシーの説明）。Julesは、非公開リポジトリの内容を学習に使わないとFAQで明記しています。

社外秘のコードを個人向けプランのエージェントに読ませるのは避けてください。個人プランで試すなら、上の設定をオフにしてから始めます。

ベンチマークの読み方：SWE-bench VerifiedからSWE-bench Proへ

コーディングエージェントの性能比較で長く使われてきたのがSWE-bench Verifiedです。実在するOSSリポジトリのIssueを解かせ、隠しテストが通るかで採点します。OpenAIが専門家のレビューで1,699問から絞り込んだ500問のセットとして2024年8月に公開しました。

ところがOpenAI自身が、この指標はもう最前線の能力を測れないとして報告をやめています。モデルが安定して解けなかった138問を監査したところ59.4%にテストか問題文の欠陥があり、さらに公開リポジトリ由来のため学習データへの混入（汚染）が複数社のモデルで確認されたためです。OpenAIは代わりにScale AIのSWE-bench Pro（公開セット）での報告を推奨しています（OpenAIの発表、Scale AIのSWE-bench Pro解説）。

SWE-bench Proは41リポジトリの1,865問で、公開セット731問、非公開のheld-outセット858問、スタートアップの商用コードから作った276問に分かれます。公開セットはGPLなど強いコピーレフトのリポジトリから採っており、学習データに混ざりにくくしています。

読み方として押さえたいのは、スコアがモデル単体ではなく「モデル＋ツール群＋ループの作り」の組み合わせで決まる点です。同じモデルでも製品が変われば結果は変わります。公表値は候補を絞る目安にとどめ、最終判断は自社リポジトリの過去のIssueを数件解かせて比べるのが確実です。

権限とサンドボックスの設計：書き込み・承認・ネットワークの範囲

書き込み範囲と承認の段階

エージェントに作業を任せる前に、変更できる範囲と、人の承認を必要とする操作を決めてください。主要製品は承認の段階を設定で選べるようになっており、既定値も製品で違います。

• Claude Code：default（許可ルールなどで承認されていない操作を確認）、acceptEdits（ファイル編集を自動承認）、plan（読み取りと計画のみで編集しない）、auto（安全チェックで操作を自動審査し、必要に応じて確認）、dontAsk（事前許可のツール以外は拒否）、bypassPermissionsの6つのモードがあります。v2.1.283以降はターミナルとVS Codeの対話セッションの初期モードが auto になり、bypassPermissions は隔離されたコンテナやVM専用とされています
• Codex：read-only、workspace-write、danger-full-accessの3つのサンドボックスと、いつ確認を求めるかの承認ポリシーを別々に設定します。ローカルではOSのサンドボックスで書き込み先を作業ディレクトリに限定し、ネットワークは既定で無効です
• Copilot cloud agent：GitHub Actions上の使い捨て環境で動き、作業できるのは指定した1リポジトリの1ブランチ、1タスクにつきPRは1本です。1セッションの上限は59分で延長できません

Claude Codeの各モードの挙動と設定キーはパーミッションモードの解説に詳しくまとめています。

ネットワークと秘密情報：プロンプトインジェクション対策

エージェントはIssueの本文、依存パッケージのREADME、検索したWebページなど、第三者が書いた文章を読みながら作業します。そこに「環境変数を外部に送れ」といった指示が紛れていると、エージェントがそれに従う危険があります。これがプロンプトインジェクションです。偽のエラー報告でエージェントを乗っ取る具体的な手口はAgentjackingの解説で扱っています。

GitHubはこのリスクを理由に、Copilot cloud agentのインターネット接続を既定でファイアウォールにより制限しています。GitHubとの通信と、依存パッケージの取得用に用意された推奨許可リスト以外は遮断され、ブロックした通信はPRの本文やコメントに警告として残ります。手元で動かす型でも同じ考え方で、次の3点は製品を問わず決めておくべき範囲です。

• 本番の認証情報やクラウドの管理者キーを、エージェントが動く環境に置かない
• 外部への通信は許可リスト方式にし、全開放は隔離環境に限る
• エージェントが作ったコミットは人のレビューを通るまでmainへ入れない（ブランチ保護を外さない）

実測：権限設定によるClaude Code・Codex CLIの結果の差

検証の条件

2026年10月24日に、macOS上で次のリポジトリを用意しました。税込合計を返す関数に、先頭の価格を合計から落とすバグ（prices[1:]）を1行だけ入れ、unittestのテストを2件置いたものです。

def total_with_tax(prices, rate=0.10):
    """税込合計を円単位で返す（端数は切り捨て）"""
    subtotal = 0
    for p in prices[1:]:
        subtotal += p
    return int(subtotal * (1 + rate))

このリポジトリのコピーに、同じ指示「tests/test_pricing.py のテストが失敗している。原因を調べて修正し、python3 -m unittest で全テストが通ることを確認して」を渡しました。Claude Code 2.1.302（Opus 5.5）は claude -p、Codex CLI 0.164.0（gpt-6-astra）は codex exec で非対話実行し、イベントログ（stream-json と --json）からツール呼び出しを数えました。

結果：4通りの設定で比べたツール呼び出しと成否

回数はいずれも1回の実行の値で、同じ条件で再実行すると拒否が4件になるなど多少揺れます。Claude Codeは、利用者設定を読み込まない状態（--setting-sources project）で、非対話実行の既定である default モードから始まりました。許可指定がないと git ls-files とファイルの読み取りは通りますが、python3 -m unittest とファイル編集は拒否されます。それでも原因は正しく特定し、修正案を文章で返して終わりました。--allowedTools "Read" "Edit" "Bash(python3 -m unittest*)" を付けると、ファイル一覧とテスト実行（1回のBash）、読み取り、編集、再テストの4手で完了し、所要は17.6秒でした。

Codex CLIは、作業の冒頭でリポジトリ内に続けて、外側の親ディレクトリまでさかのぼって AGENTS.md を探すコマンドを実行しました。read-only では自分で書き込めないと判断し、メモリ上で修正を当ててテストを通したうえで「ファイルは未修正」と報告しました。

結果から決める自動化の判定方法

4通りとも終了コードは0でした。Claude Codeの結果イベントは、拒否が5件あっても subtype が success のままで、拒否の中身は permission_denials に並びます。CIやスクリプトから非対話で動かすなら、終了コードだけで成功とみなすのは誤りです。git diff で変更があるか、テストを自分で再実行して通るか、Claude Codeなら permission_denials が空かを確かめてから次の工程へ進めてください。

許可は広げすぎなくても作業は終わります。ファイル編集とテストコマンド1つ（前方一致）を許可するだけで修正まで完了したので、シェル全体を許可するより、必要なコマンドを足していく方が安全です。

タスクの大きさで選ぶ導入判断と向かない場面

タスク別のIDE型・CLI型・クラウド型の選択基準

例えばCopilot cloud agentへ渡す作業は、公式のセッション上限59分を踏まえて分割します。以下は、タスクの性質に応じた選択の目安です。

• 仕様が明確で、人が30分程度で終える規模の作業（依存の更新、テストの追加、小さなバグ修正）：クラウド型にIssueごと投げ、PRだけレビューする
• 既存コードの理解が要る改修やリファクタリング：CLI型で計画を先に出させ、承認しながら進める
• UIの調整など結果を目で見ながら詰める作業：IDE型で1手ずつ確認する

1つに絞る必要はなく、チームでは「定型作業はクラウド型、設計を伴う作業はCLI型」と分ける運用が扱いやすい構成です。大きな機能を任せるなら、先に仕様を文書化してから渡す仕様駆動開発の進め方と組み合わせると手戻りが減ります。社内のリポジトリにエージェントを組み込む設計から任せたい場合は、生成AI開発・AI受託開発でも相談を受けています。

導入を見送るべき条件

次のどれかに当てはまるリポジトリでは、エージェントへの委任を急がないほうがよいと考えます。

• 自動テストがほとんど無い：エージェントは「テストが通った」ことを完了の根拠にするため、テストが無いと誤りを検出できないまま完了報告が返る
• 要件が口頭や頭の中にしか無い：前提を誤って自走し、差分は大きいのに使えないPRが量産される
• 開発環境と本番の認証情報が分離されていない：前章の権限設計が成立しない
• レビューする人の時間が無い：生成は速くなってもレビューが詰まり、未確認のコードがmainへ流れる

この場合はまずテストの整備やAGENTS.mdの記述から始め、エージェントには読み取り専用の調査や計画づくりだけを任せる段階を挟むのが安全です。

よくある質問

Coding Agentとは何ですか？

指示を受けたAIがリポジトリを読み、コードを書き換え、テストなどのコマンドを実行して結果を確かめるところまでを自分で繰り返すツールです。コード補完が数行の候補を出すのに対し、タスク単位で作業を任せられます。

無料で使えるコーディングエージェントはありますか？

OpenCode、Cline、OpenHands、Codex CLI、Gemini CLIなどのOSSは本体が無料です。LLMの利用料金は別で、有料APIのほか、無料提供モデルやローカルLLMを使う選択肢もあります。商用ではCodexのFree（デスクトップアプリのみ）、CursorのFree、Julesの無料枠（24時間で15タスク）、DevinのFree（Desktop）で、機能を制限した形で試せます。GitHub Copilot cloud agentは有料プランだけです。

コーディングエージェントは自作できますか？

できます。LLM APIのツール呼び出し機能を使い、ファイル読み書きとコマンド実行のツールを定義して、結果をLLMへ返すループを書けば最小構成は動きます。実用にするには、承認の仕組み・実行回数の上限・コンテキストの圧縮が追加で必要になります。

GitHub Copilot coding agentとは何ですか？

IssueをCopilotに割り当てると、GitHub Actions上の隔離環境で調査・実装・テストを行い、プルリクエストを作る機能です。2025年9月25日に一般提供が始まり、2026年4月にCopilot cloud agentへ改称されました。改称と同時に、PRを作らずに調査や実装計画だけを頼むこともできるようになっています。有料のCopilotプランすべてで使えます。

コーディングエージェントとAIエージェントの違いは何ですか？

AIエージェントはツールを使って目標に向け自律的に動くAI全般を指し、コーディングエージェントはその中でソフトウェア開発に特化したものです。ファイル操作・シェル・git・テスト実行といった開発用のツールを持つ点が特徴です。

関連記事

• Agentic Coding（エージェンティックコーディング）とは？意味と進め方・Claude Codeでの始め方【2026年10月】
• CodexとClaude Codeの違い｜料金・使用量・設定と併用の判断【2026年版】
• CursorとClaude Codeの違い｜料金・併用設定と拡張機能の入れ方【2026年10月】
• GitHub Copilotエージェントモードの使い方｜Ask・Plan・Agentの違いと承認設定・料金
• AIエージェントの作り方：ツール定義からループ・承認・トレースまでコードで組む