2026年1月21日 Asterminds株式会社 r.kagaya CodeRabbit User Group Tokyo #0 〜立ち上げキックオフ〜 そのAIレビュー、レビューしてますか？ 〜AI as a Judgeから考えるAIコードレビューの育成〜 

2022年に株式会社ログラスに入社 経営管理SaaSの開発、開発生産性向上に取り組んだのち、 生成AI/LLMチームを立ち上げ、新規AIプロダクトの立ち 上げに従事、その後、25年8月に独立・現職 翻訳を担当したAIエンジニアリングが オライリージャパンより出版 Asterminds（アスターマインズ）株式会社 共同創業者・CTO r.kagaya(@ry0_kaga) 自己紹介 

そのAIコードレビュー、レビューしてますか？ 

フィードバックして、育てられていますか？ 

AIコードレビューは 「人間の代わりに、コードを“判断”させている」 

AIコードレビューは 「人間の代わりに、コードを“判断”させている」 LLM as a Judgeの知見が使えるのでは？ 

LLM as a Judgeの事例・プラクティス から考えるAIコードレビューの育て方 今日の内容 

CodeRabbitの機能解説は少なめです...🙇 

簡単にLLM as a Judge とは 
 

全ての土台となる評価 信頼できる評価軸があるからこその体系的な改善 「この修正で本当にシステムは良くなったか？」に自信を持って答えるためには？ Vibe Check（雰囲気での確認）には限界がある なぜ難しいのか？ オープンエンドな出力は正解が一つに収斂しないため AIエンジニアリングの世界においては、オープンエンドな出力の利用が 増える。 なぜ重要なのか？ 評価パイプライン・基準がなければ、開発は単なる「手探りの試行錯誤」 に陥る可能性 

評価の主体（誰が、または何が評価を行うか）の分類 最近は、「AIに評価させる」ことがアプローチの一つとして浸透してきている では、どうやって評価するのか？ AIコードレビュー、ほぼこれ？ 

LLM as a Judgeとは AIモデル（生成応答）を評価するために、別のAIモデル（評価者）を利用する by オライリーAIエンジニアリング 速度とコスト効率 参照データ不要 高い相関性 人間の評価者（アノ テーター）と比較し て、はるかに高速か つ安価に評価を行う ことができる 正解データ（参照応 答）が存在しない本番 環境のデータに対し ても、プロンプトに基 づいて品質や安全性 を評価できる 人間の評価者と強い 相関（85%の一致率 など）を示すことが研 究で報告されており、 信頼性がある程度確 認されている 柔軟性 プロンプトを変更す るだけで、ハルシネー ションの検出、トーン の確認、役割（ロール プレイ）の維持など、 あらゆる基準に基づ いた評価が可能 

LLM as a Judgeの特性・課題 評価基準は標準化されておらず、使用するツールやプロンプトによっ て定義やスコアリングが異なり、比較が困難 非一貫性 （Inconsistency） 確率的に動作するため、同じ入力に対しても実行するたびに異なるス コアを出力する可能性があり、評価の再現性が損なわれることがある 独自のバイアス コードレビューと文章の校正等の異なる点は、実行して検証できること （機能正確性） AIコードレビューを育てる上でも強力なフィードバック 基準の曖昧さ AI as a Judgeには特有の性質に起因する課題や特徴が存在 

LLM as a Judgeの課題: バイアス これらのバイアスは、コードレビューでも起きうる問題か？ 自己バイアス 位置バイアス 冗長性バイアス 自分が生成したものを高く 評価する モデルは、自分自身（または 同じシリーズのモデル）が生 成した応答を高く評価する傾 向 選択肢の順序を変えるだけ で評価が変わる 2つの応答を比較する際、内 容に関わらず「最初に提示さ れた応答」を好む傾向 長い回答を「良い」と判断し がち 内容の質に関わらず、より長 い回答を好む傾向 

LLM as a Judgeの事例・プラクティス 
 から考えるAIコードレビューの育て方 
 

LLM as a Judgeから考えるAIコードレビューの「育て方」 LLMは自分の生成物を高評価しがち Anthropic公式ベストプラクティス 「1つのClaudeがコードを書き、 別のClaudeがレビューする」 フィードバックルー プの構築 「なぜそれがバグなのか」「どう修正すべきか」を説明させることで、人 間のレビュアーがAIの判断を検証（メタ評価）しやすくなる 評価基準（ルーブリック） の明確化 「AI as a Judge」を成功させる鍵は、人間が曖昧な指示を出すので はなく、明確な採点基準（ルーブリック）を与える コードレビューにおいても、「良いコードとは何か」を定義する必要 マルチレビュー集約 SWR-Benchでは、複数回レビューして集約するとF1が43%向上 別の研究では、複数モデルの多数決でバイアスが30-40%削減 1回で完璧を求めるより、複数の視点を組み合わせた方がいい 生成と評価の分離 

評価基準の明文化 「何を見ればいいか」、「何を評価するか」を具体的に明示 ● 基準の曖昧さはAI as a Judgeの精度低下の主因の一つ ● 質問固有の基準 > 汎用基準 5段階は判定が難しいので、 2値 or 3段階の方が楽という話も別途 

CodeRabbitなら？ path_instructionsで評価基準を指示 ディレクトリごとに「何を見てほしいか」「どう判断すべきか」を記述 https://docs.coderabbit.ai/reference/configuration#param-path-instructions 

LLM as a Judgeから考えるAIコードレビューの「育て方」 LLMは自分の生成物を高評価しがち Anthropic公式ベストプラクティス 「1つのClaudeがコードを書き、 別のClaudeがレビューする」 フィードバックルー プの構築 「なぜそれがバグなのか」「どう修正すべきか」を説明させることで、人 間のレビュアーがAIの判断を検証（メタ評価）しやすくなる 評価基準（ルーブリック） の明確化 「AI as a Judge」を成功させる鍵は、人間が曖昧な指示を出すので はなく、明確な採点基準（ルーブリック）を与える コードレビューにおいても、「良いコードとは何か」を定義する必要 マルチレビュー集約 SWR-Benchでは、複数回レビューして集約するとF1が43%向上 別の研究では、複数モデルの多数決でバイアスが30-40%削減 1回で完璧を求めるより、複数の視点を組み合わせた方がいい 生成と評価の分離 Anthropicの公式プラグインPR Review Toolkitも カバレッジ・設計等の役割別の複数エージェント 

コードレビューはマルチエージェント向きのタスクか？ シングル or マルチエージェントの整理の一つが、読み込み/書き込みのどちらの 側面が強いか？ コンテキストの一貫性の要求が比較的低い、読み込み中心の並列探索がマルチ エージェントに向いてると考察 

説明可能性：スコアだけでなく、理由を語る AIコードレビューを育てるための判断基準として理由を語らせる ● 「このレビューコメントは本当に正しいですか？」と自問自答させ、間違いが あれば修正させる ● レビュー結果に対して「なぜその指摘をしたのか」を振り返らせ、論理的な不 整合がないかを確認する （CodeRabbitで上手く実現する方法があれば教えて貰えたら嬉しい...！） 

既存の枠組みや前提そのものを疑い、「なぜこの前提が正しいのか」「目的はこれ でよいのか」を根本から問い直す学習プロセス 

既存の枠組みや前提そのものを疑い、「なぜこの前提が正しいのか」「目的はこれ でよいのか」を根本から問い直す学習プロセス 「この指摘基準は、今のコード・チーム・目的に本当に 合っているのか？」を問う 

さらに育てる: Learnings機能 チーム固有の基準そのものが更新されていくLearnings > CodeRabbitはあなたとの対話から得られた知見を活用・蓄積し、時間の経 過とともに学習を強化します。 https://docs.coderabbit.ai/guides/learnings 

理由を説明させたり、良い・悪いレビューを問いながら レビュー基準そのものをダブルループ学習で育てていく そのための機能もCodeRabbitにある 

From Code to Courtroom: LLMs as the New Software Judges ソフトウェア工学におけるLLM-as-a-Judgeの包括的調査 コード品質、セキュリティ、ドキュメント等の評価にLLMを活用する研究を体系化 https://arxiv.org/abs/2503.02246 

まとめ
 

まとめ ● AIコードレビューは評価基準とフィードバックで育てるもの ● LLM as a Judgeの事例やプラクティスは、AIコードレビューのレビューや 育成を考える上で、参考になる点はある ○ 今回取り上げられなかった内容やTips、学びを得られそうな事例/研究 は沢山ある ● コーディングエージェントの圧倒的な手数による可能性を感じる時代、コー ディング以外のプロセスのスクラップ&ビルドは求められる ○ コードレビューはその代表例に感じる 

そのAIコードレビュー、レビューしてますか？ フィードバックして、育てられていますか？ 

終わり