なぜAIエージェントには、関数呼び出しよりもUnixコマンドを備えた単一のrun()ツールが優れているのか

AIエージェント構築に2年の経験を持つ開発者——最初はManusのバックエンドリードとして、その後オープンソースプロジェクトPinixとagent-clipで——が、Unixスタイルのコマンドを持つ単一のrun(command="...")ツールが、従来の関数呼び出しアプローチよりも効果的に機能すると結論づけました。

UnixとLLMの収束

核心的な洞察は、Unixの50年前の設計決定——すべてがテキストストリームである——が、LLMのテキストベースの性質と完璧に一致する点です。Unixプログラムはテキストパイプを通じて通信し、--helpで自己記述を行い、終了コードで成功/失敗を報告し、stderrを通じてエラーを伝えます。LLMも同様にテキストトークンのみを理解します。これにより、Unixのテキストベースインターフェースは、トレーニングデータでシェルコマンドに広く曝されている本質的にターミナルオペレーターとして機能するLLMにとって自然な適合となります。

単一ツールアプローチ

ほとんどのエージェントフレームワークは、[search_web, read_file, write_file, run_code, send_email, ...]のような独立したツールのカタログをLLMに提供し、各呼び出し前にツール選択の決定をLLMに要求します。ツールが追加されるにつれ、認知負荷が「何を達成する必要があるか？」から「どのツールか？」へと移行し、選択精度が低下します。

代替アプローチでは、すべての機能をCLIコマンドとして公開する単一のrun(command="...")ツールを使用します：

run(command="cat notes.md")
run(command="cat log.txt | grep ERROR | wc -l")
run(command="see screenshot.png")
run(command="memory search 'deployment issue'")
run(command="clip sandbox bash 'python3 analyze.py'")

コマンド選択は、無関係なAPI間でのコンテキスト切り替えではなく、統一された名前空間内での文字列構成になります。

CLIコマンドがより効果的な理由

CLIコマンドは、LLMトレーニングデータにおける最も密度の高いツール使用パターンであり、GitHub上の数十億行（READMEインストール手順、CI/CDビルドスクリプト、Stack Overflowの解決策）に登場します。開発者は指摘します：「LLMにCLIの使い方を教える必要はありません——LLMは既に知っているからです。」

同じタスクに対するアプローチを比較します：

タスク: ログファイルを読み、エラー行を数える

関数呼び出しアプローチ（3回のツール呼び出し）：
1. read_file(path="/var/log/app.log") → ファイル全体を返す
2. search_text(text=<ファイル全体>, pattern="ERROR") → 一致行を返す
3. count_lines(text=<一致行>) → 数を返す

CLIアプローチ（1回のツール呼び出し）：
run(command="cat /var/log/app.log | grep ERROR | wc -l") → "42"

Unixパイプがネイティブに合成をサポートするため、1回の呼び出しが3回を置き換えます。開発者は、これは特別な最適化ではなく、Unixの既存の設計を活用している点を強調しています。