AI Agent開発者は皆、ジレンマに直面しています。Opusは賢いが高く、Sonnetは安いが肝心なときに足を引っ張る。Anthropicが新たに発表した「アドバイザー戦略」（Advisor Strategy）とMonitorツールは、この難問を1つのAPIパラメータの話に変えました。

本記事では、API呼び出しからコスト計算まで、この2つの機能を一歩も飛ばさずに実践形式で解説します。

アドバイザー戦略とは

従来のやり方は、最強モデルを「オーケストレーター」にして、大きなタスクをサブタスクに分解しスモールモデルに割り振るもの。問題は、タスクが簡単でも複雑でも、リクエストの冒頭で毎回最も高いトークンを消費してしまう点です。

アドバイザー戦略はその逆です。Sonnet/Haikuを実行者として前面に立ち回らせ、難問にぶつかったときだけOpusに相談します。Opusは人と直接会話せず、ツールも呼び出さず、コンテキストの確認とアドバイスだけを担います。

実測データ：

1行のコードでアドバイザー戦略を有効化する

Messages APIリクエストで advisor_20260301 を宣言するだけです。モデルのハンドオフは単一の /v1/messages リクエスト内部で静かに完結し、データの追加返送やコンテキスト管理は不要です。

response = client.messages.create(
    model="claude-sonnet-4-6",  # 执行者
    tools=[
        {
            "type": "advisor_20260301",
            "name": "advisor",
            "model": "claude-opus-4-6",  # 顾问
            "max_uses": 3,  # 最多请 Opus 出手 3 次
        },
        # ... 你的其他工具
    ],
    messages=[...]
)
# 顾问消耗的 Token 会在 usage 中单独列出

主要パラメータの説明：

• model: 実行者モデルを指定する（SonnetまたはHaiku）
• advisor_20260301: アドバイザーツールのタイプ。固定値
• advisor.model: アドバイザーモデルを指定する（通常はOpus）
• max_uses: 1リクエストあたりのアドバイザー最大呼び出し回数を制限し、トークンの超過支出を防ぐ

トークン費用の計算方法

アドバイザーが消費したトークンはOpusの料金で、実行者が消費したトークンはSonnetまたはHaikuの料金で課金されます。

ポイントは、アドバイザーは1回の出動で短いプランだけを生成し、通常は400〜700トークン程度という点です。一方、ボリュームの多い本来の出力はすべて、より低い単位料金の実行者が引き受けます。

3つの組み合わせの適用シーン：

• Haiku + Opusアドバイザー：高同時実行・予算重視のシーン向け、コスト最安
• Sonnet + Opusアドバイザー：性能とコストのバランスを取る日常の選択肢
• Opus + Opusアドバイザー：最高品質。ミッションクリティカルなタスク向け

ヒント: max_uses でアドバイザーの呼び出し回数を制御しましょう。アドバイザーのトークン消費はusage情報に別枠で表示されるため、各層のモデルのコストを追跡しやすくなります。

Monitorツール：ポーリングからイベント駆動へ

同じ日、AnthropicはMonitorツールも発表しました。これが解決するのは、もうひとつのお金がかかる問題、Agentのアイドリングです。

以前はAgentにタスクを監視させると（CIの完了待ちなど）、ひたすらループで問い合わせ続け、1回の問い合わせごとにトークンを1ラウンド分燃やしていました。MonitorはClaude自身にバックグラウンド監視コードを書かせ、「能動的ポーリング」から「イベント駆動」へ切り替えます。

典型的な使い方：

• システムログのエラーを継続的に監視し、問題が起きたときだけAgentに処理させる
• GitHub上のPRステータスを自動追跡。スクリプトがバックグラウンドでポーリングし、Agentはトークンを消費しない
• 外部イベント（メール到着、デプロイ完了）を待ってからAgentを起こす

Monitorとアドバイザー戦略のロジックは同じ流れです。「お金を燃やす必要のない工程」を見つけて、そこを切り離す。ひとつはモデル呼び出しの費用を、もうひとつはアイドリングループの費用を節約します。

実際の導入手順

ステップ1：API権限を確認する

Anthropic APIアカウントが開設済みで、十分なトークン枠があることを確認します。アドバイザー戦略は現在、Claudeプラットフォームでベータ版として提供中です。

ステップ2：既存のAPI呼び出しを修正する

既存のAgentコード内で client.messages.create の呼び出し箇所を見つけ、advisorツールの設定を追加します：

import anthropic

client = anthropic.Anthropic()

response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=4096,
    tools=[
        {
            "type": "advisor_20260301",
            "name": "advisor",
            "model": "claude-opus-4-6",
            "max_uses": 3,
        },
        # 你现有的工具定义...
    ],
    messages=[
        {"role": "user", "content": "你的任务描述"}
    ]
)

# 检查顾问的使用情况
print(response.usage)

ステップ3：コストを監視する

返ってくる usage オブジェクトでは、アドバイザーと実行者のトークン消費が別々に集計されます。これをもとに max_uses パラメータを最適化し、品質とコストのバランスポイントを見つけられます。

ステップ4（任意）：Monitorを設定する

長時間の監視が必要なシーンでは、プロンプトの中でバックグラウンド監視スクリプトの作成をClaudeに明示的に求め、ポーリングループを置き換えます。

よくある質問

• Q: アドバイザー戦略と普通のモデルルーティングの違いは何ですか？ A: 従来のルーティングでは、いつモデルを切り替えるかのロジックを自分で書く必要がありました。アドバイザー戦略は実行者自身がいつ「助けを呼ぶ」かを決め、すべての操作が同一のAPIリクエスト内で完結します。

• Q: max_usesはいくつに設定すればいいですか？ A: シンプルなタスクは1-2回、複雑なプログラミングタスクは3-5回です。まず3回で試し、usageデータを見ながら調整しましょう。

• Q: アドバイザー戦略は既存のツールスタックと互換性がありますか？ A: 完全に互換があります。advisorはMessages APIリクエスト内の普通のツールエントリのひとつなので、AgentはWeb検索やコード実行をしながら、Opusに相談できます。

参考リンク

• Anthropic公式ブログ：https://claude.com/blog/claude-managed-agents
• Advisor Strategy APIドキュメント：https://platform.claude.com/docs