Kimchi Codingは、CAST AIが2026年7月15日に正式リリースしたエンタープライズコーディングエージェントであり、すべての開発作業を単一の巨大言語モデルに委ねるのではなく、タスクの複雑さと予想されるコストに応じて、複数のコーディングモデルを自動的にルーティングする。コードの作成、レビュー、リポジトリの探索など、性質の異なるタスクを役割ごとのモデルと独立したコンテキストに委譲し、プロジェクトの進行段階とコストを同時に管理する構造である。病院の受付が患者の状態に応じて適切な専門科に誘導するように、Kimchi Codingは受信した開発リクエストを分析し、そのタスクに適したモデルと実行コンテキストに転送する調整層に近い。特に、オープンウェイトモデルを中心とした運用と、独自のVPCへのデプロイメントを組み合わせることで、モデルの選択肢とインフラの制御を両立させたい組織を主な対象とする。 一般的な単一モデルのコーディングツールは、単純なコード検索にも高性能モデルを使用するためコストがかかる場合がある。逆に、複雑なリファクタリングとレビューを低コストモデルに任せることで、結果の一貫性が低下する可能性もある。長い対話の中で実装とレビューをすべて累積させると、作成モデルが自身の決定を再評価し、初期の仮定やエラーをそのまま繰り返す問題も発生する。Kimchi Codingの差別点は、モデルルーティングを通じてタスクの難易度とコストを考慮し、作成、レビュー、探索の役割に独立したコンテキストを付与することにある。これは、単一の開発者に設計から品質保証まですべてを任せる方法よりも、実装者とレビューワーが個別の作業記録に基づいて協力する開発チームに近い。組織ごとの予算上限とコスト追跡機能は、このようなマルチモデル運用を実験レベルから、管理可能な業務プロセスに転換する役割を果たす。 バイオインフォマティクスの研究者は、分析パイプラインの構成要素を役割ごとに分割して活用できる。例えば、30個のサンプルを処理するSnakemakeワークフローにおいて、FASTQ品質チェック、アライメント、変異呼び出しルールのドラフト作成をモデルに任せ、別のレビューコンテキストでファイル依存関係、再開可能性、サンプルメタデータの欠落をチェックするように構成できる。リポジトリ探索の役割は、既存のPythonモジュールと設定ファイルの接続関係を最初に把握し、実装の役割は必要なルールのみを修正することで、不要なリポジトリ全体の入力を減らすように使用できる。実際にどのモデルが選択され、処理時間がどれだけ短縮されるかは、接続されたモデル、リポジトリのサイズ、ルーティング設定によって異なるため、別途ベンチマークが必要となる。 規制またはセキュリティ要件のある研究組織では、独自のVPCにデプロイして、ソースコードと分析ロジックの処理境界を組織が制御する構成を検討できる。例えば、患者由来のデータ自体は入力せず、非識別化されたスキーマとテストデータのみを提供し、5つのPythonパッケージで構成された臨床変異アノテーションコードのタイプエラー検出、ユニットテストの生成、変更レビューをそれぞれ異なる役割に割り当てることができる。プロジェクトごとのコスト追跡と組織ごとの予算上限を適用することで、探索には比較的経済的なモデルを、複雑なエラー修正と最終レビューにはより強力なモデルを配置する運用ポリシーを策定できる。ただし、サポートされるモデルのリスト、データ保持ポリシー、VPCデプロイメント方式、およびセキュリティ認証の範囲は、提供されたDiscovery情報だけでは確認できないため、実際の導入前に公式ドキュメントとデプロイメント契約を確認する必要がある。

Kimchi Codingは、CAST AIが2026年7月15日に正式リリースしたエンタープライズ向けのコーディングエージェントであり、すべての開発作業を単一の巨大言語モデルに委ねるのではなく、作業の複雑さと予想されるコストに応じて、複数のコーディングモデルを自動的にルーティングする。コードの作成、レビュー、リポジトリの探索など、性質の異なる作業を、役割に応じたモデルと独立したコンテキストに委譲し、プロジェクトの進行段階とコストを合わせて管理する構造である。病院の受付が患者の状態に応じて適切な専門科に誘導するように、Kimchi Codingは受け取った開発リクエストを分析し、その作業に適したモデルに割り当てる。

バイオインフォマティクスパイプラインの実装: Snakemakeワークフローの30個のサンプル処理ルールを作成し、役割を割り当て、独立したレビュー役割で入力・出力の依存関係と再実行条件をチェックする。pytestテストを追加した後、失敗ルールのみを修正して、研究用パイプラインの再現性を高める。