# 学習におけるプログレッシブディスクロージャー：暗記ではなくマップ

*2026-08-16* — エージェント時代の新領域学習にプログレッシブディスクロージャーを適用する方法——いつ深く学ぶか、何をエージェントに任せるか、浅薄なvibeコーディングなしで不均衡な優位を築くか。

URL: https://dylanengelbrecht.dev/ja/insights/progressive-disclosure-learning-with-agents.html

優れた学習者は次のシステムに触れる前に一つをマスターするよう訓練される。コーディングエージェントはコスト関数を変える：ボイラープレート探索は安い；調整、判断、検証がボトルネックになる。

シフトは「深く理解するのをやめる」ことではない。深さの再配分——全フレームワークの暗記からナビゲ可能なマップ、荷重を支える基礎、検証可能な作業単位へ。エージェントは転写・検索・実装詳細を担い、あなたはテスト下で所有する。AIエージェント向け知識の整理とCursor入門と併用。

### 旧モデルとエージェントネイティブモデル

順次習得：Stack Aから。マップファースト：層を結び、垂直スライスをend-to-endで、不変量と障害モードに深く、エージェントは構文とAPIチャーンに。各単位は環境シグナルで終わる。

### 学習へのプログレッシブディスクロージャー

プログレッシブディスクロージャー（Nielsen Norman Group）は学習戦略でもある。順に：一文の目的；実行可能な一本道；三つの障害モード；正典リンク；必要時のみ深掘り。

### 個人学習システムの四層

マップ、プレイブック、基礎、実行（バージョン管理）。チャットは一時的；gitとノートがエージェント再読込メモリ。

### 深く学ぶものとオーケストレートするもの

深く：測定と不確実性；時間と一貫性；システム境界；セキュリティ；実験手法。オーケストレート：SDKチャーン、構文、specとテストコマンドのあるAPI詳細。

### 作業単位であり職名ではない

垂直スライスを計画。「組み込みを学ぶ」モノリスではない。スレッドを保つ：単位ごとに一セッション；テストで検証、第二LLMではない。

### 例：ドメイン横断で溺れない

Pythonとデータセットに強くIoT・組み込み・データエンジニアリングを組み合わせたい人：デバイス、転送、取り込み、保存、変換、モデル、提供、観測の図。一つの物理量をend-to-end。同じ骨格はbackend→モバイル、分析→MLOps、ゲーム→ライブオpsにも。

### 一般的な90日アーク

1–2週：マップ。3–5：垂直スライス#1。6–8：スライス#2に運用性。9–12：アーキテクチャノート付きポートフォリオ叙事。

### ハイプなしで説明する

*面接や同僚向けフレーミング*

```
思考は外部化しない。転写とボイラープレートは外部化する。
検証可能なシステムマップを保ち、エージェントで
テスト下の実装詳細をtraverseする。
強みは実験規律と層をまたぐ高速イテレーション。
```

### 「深く学ぶ」の再定義

不変量で深く。一つの垂直スライスで深く。マップで広く。浅薄にならない——diffを読み検証に失敗する出力を拒む限り、高速ラボを持つPIになる。

### まとめ

全フレームワークの順次習得はエージェント前の戦略。エージェントネイティブ学習者はプログレッシブディスクロージャーマップを築き、検証可能な垂直スライスを走らせ、テスト下で実装チャーンをエージェントにtraverseする。Dylan Engelbrechtは本ハブを頻繁に更新——生きた参照であり凍結教科書ではない。