著者の高価なAI自動化セットアップは、巧妙なプロンプトに依存するのではなく、エージェントの使用状況を監視する環境システムに依存しています。Claude Codeで定義された8つのカスタムエージェントのうち、7つは過去30日間で呼び出しがゼロであり、8つすべてが過去7日間で呼び出しがゼロでした。これは、定義された多くのエージェントが未使用であり、システムプロンプトでトークンを消費し、パフォーマンスを低下させていることを示しています。エージェントは、説明的なテキストファイルだけでなく、アクティブ化するために明示的な呼び出しプロンプトまたはロジックを必要とするため、「定義済み＝動作中」という誤謬が発生します。未使用のエージェントは、トークンコストと、システム管理を困難にし、信頼を損なうという認知的コストの両方を発生させます。解決策は、ログを使用して未使用のエージェント定義を自動的に特定および削除する運用サイクルを実装することです。これには、3層システムが含まれます。JSONLファイルにエージェントの呼び出しを記録し、指定された期間の使用状況データを集計し、ランキングとゼロコールリストを出力します。agent-usage-summary.shスクリプトは、定義されたエージェントと実際の使用ログを相互参照してデータを集計します。出力は、エージェントの削除、アーカイブ、または再設計に関する情報に基づいた意思決定に役立ちます。エージェントの使用状況の追跡のような監視メカニズムへの投資は、効果的なAI自動化を維持するために不可欠です。このプロアクティブなアプローチは、未使用のコンポーネントに対処することにより、システムの効率と信頼性を確保します。