> ## Documentation Index
> Fetch the complete documentation index at: https://kawax.biz/llms.txt
> Use this file to discover all available pages before exploring further.

# AIエージェントは「正しい」コードから「Laravelらしい」コードへ - Boost Benchmarksの次の一手

> Laravel公式ブログ「AI agents pass tests. Can they write idiomatic Laravel?」を基に、Boost Benchmarksがテスト合格から「トークンあたりの正しさ」と「Laravelらしさ」の計測へ舵を切った経緯を解説します。

## 概要

2026年7月24日、Laravel公式ブログに [AI agents pass tests. Can they write idiomatic Laravel?](https://laravel.com/blog/idiomatic-laravel-ai-coding-agents) が公開されました。[Laravel Boost](https://laravel.com/docs/13.x/boost) の評価基盤である **Boost Benchmarks** が、AIコーディングエージェントの評価方針を大きく転換するという内容です。

<Info>
  Boost Benchmarksは、AIコーディングエージェントがLaravelアプリケーションを正しく実装できるかを、[Pest](https://pestphp.com/) テストとアーキテクチャテストで検証する評価スイートです。
</Info>

## これまでの経緯：17個のevalは「ほぼ全問正解」に到達

以前の記事 [which AI model is best for Laravel](https://laravel.com/blog/which-ai-model-is-best-for-laravel) の時点では、主要モデルはBoostを使って17個のeval（評価タスク）中16個をクリアし、正答率99.4%でした。それでも最も難しいタスクだけは突破できませんでした。

今回の記事によると、GPT-5.6、Claude Fable 5 / Mythos 5、Gemini 3.x系などの最新フロンティアモデルは、同じ17タスクをほぼ100%クリアするようになりました。「AIエージェントは正しいLaravelコードを書けるか？」という問いには、はっきり「Yes」という答えが出た形です。

これはBoostに限った話ではなく、コーディングベンチマーク全体で起きている現象です。

* **SWE-bench Verified**：主要モデルが人間エキスパートに近い水準で横並びになり、事実上飽和状態
* **HumanEval**：以前からモデル間の差を検出できなくなっている

## 「テストに合格する」だけでは不十分な理由

記事では、テスト合格が「良いコード」の完全な証明にはならない点も指摘しています。

* OpenAIは、多くの問題設定に欠陥があったとする監査結果を受けて[SWE-bench Verifiedの報告を取りやめました](https://openai.com/index/why-we-no-longer-evaluate-swe-bench-verified/)
* [Cursorの調査](https://cursor.com/blog/reward-hacking-coding-benchmarks)では、モデルが `.git` 履歴などから正解を見つけて「解いた」ように見えるケースがあり、履歴を隠すとスコアが急落したことが報告されています

Boost Benchmarksは、毎回新規のLaravelアプリからスタートし `.git` に答えを仕込まない設計のため、これらの問題には比較的強いとされています。ただし「Pestスイートに合格する」ことは「そのモデルがLaravelらしい書き方をする」ことを直接は証明しません。この「動く」と「そのコードベースに馴染む」の間のギャップこそが、次の焦点です。

## 新しい評価軸：トークンあたりの正しさ、そして「Laravelらしさ」

記事が提示する今後の方針は次の2点です。

<Steps>
  <Step title="トークンあたりの正しさ（correct code per token）">
    全モデルが正解にたどり着けるなら、次に重要なのは「どれだけのコストで」到達したかです。同じ結果でも、モデルによって消費トークン数が一桁、二桁変わることがあります。Boostはすでに各実行のトークン数とコストを記録していますが、これを脚注ではなく主要指標として扱うようになります。
  </Step>

  <Step title="Laravelらしさ（idiomatic Laravel）">
    テストに通っても、生のSQLクエリを書いたり `Route::resource()` を使わなかったり、[フォームリクエスト](https://laravel.com/docs/13.x/validation)の代わりにバリデーションを手書きしたり、`$fillable` を省略したりするコードは「良いLaravel」とは言えません。LLM-as-judge方式のスコアリングにより、模範解答なしで「Laravelらしいかどうか」を判定できる段階に来ているとしています。
  </Step>
</Steps>

判定基準として参照されるのが、Boostの [best-practices skill](https://github.com/laravel/boost/blob/main/.ai/laravel/skill/laravel-best-practices/SKILL.md) にまとめられた19項目の具体的な規約です。例として次のようなものが挙げられています。

* 独自実装のキャッシュ処理ではなく `Cache::remember()` を使う
* インラインバリデーションではなくフォームリクエストを使う
* Eagerロードには `with()` を使う
* ルート定義には `Route::resource()` を使う

最初のルールは「Consistency First（一貫性を最優先）」で、より良いとされるパターンに飛びつく前に、既存の兄弟ファイルのスタイルに合わせることを求めています。

## 今後のBoost Benchmarksで計測される予定の項目

記事末尾では、今後追加を検討している計測軸が挙げられています。

* **トークン・コストを主要指標として** eval・モデルごとに正答率と並べて報告
* **Laravelらしさのスコアリング**をPestテスト・アーキテクチャテストに加えて導入
* **コンテキストの軽量化**をBoost自身のエンジニアリング上の主目標にする（冗長なガイドラインの削除、ツール出力の最適化、必要な情報だけをインデックスする）

既存の17個のevalは回帰テストとして維持されつつ、この上に新しいレイヤーを構築していく方針です。

## まとめ

「AIエージェントは正しいLaravelコードを書けるか」という問いには決着がつき、次の問いは「どれだけ効率的に」「どれだけLaravelらしく」書けるかに移っています。まだBoostを試していない場合は、[公式ドキュメント](https://laravel.com/docs/13.x/boost) からインストールできます。Boostの導入方法自体は [Laravel Boost](/jp/boost) ページも参照してください。

<Card title="原文を読む" icon="link" href="https://laravel.com/blog/idiomatic-laravel-ai-coding-agents">
  AI agents pass tests. Can they write idiomatic Laravel?（laravel.com）
</Card>


## Related topics

- [laravel/agent-skills — Laravel公式AIエージェントスキル集](/jp/blog/agent-skills-introduction.md)
- [Laravel新コード解析エコシステム — surveyor / ranger / roster](/jp/blog/laravel-ecosystem-analysis.md)
- [LaravelとAI開発](/jp/ai.md)
- [Laravel Boost](/jp/boost.md)
- [Laravel Agent Detector — AIエージェント検出パッケージ](/jp/blog/agent-detector-introduction.md)