AI駆動開発を支える技術

Transcript

1. @yuwzy 株式会社Arcam CEO AI駆動開発を⽀える技術 2025/7/10 AIDD Meet Up #1
2. 本⽇のアジェンダ 1. はじめに 2. AIDDを考える 3. AIに効率的に情報を伝える 4. AIが仕事をしやすい環境を整える 5. まとめ
3. 01 はじめに 3
4. 株式会社Arcam 略歴： 神⼾⼤学⼯学部を卒業後、2011年に楽天(株)に⼊社。 グループコアプラットフォームでソフトウェアエンジニアとして約5年勤務。 その後、パーソル(株)でMyReferの⽴ち上げに従事（現TalentX）、スピンアウトを経験し開発責 任者としてエンタープライズを中⼼として計500社強の導⼊に携わる。 2019年に株式会社SAMURAIに転職し、2021年より執⾏役員CTOに就任。 SAMURAIで働く傍ら2023年に株式会社Arcamを創業。 受託開発、開発‧データ分析コンサルティング、社外CTO、⾃社サービス開発をおこなう。 ⼤阪出⾝。 You CEO yuwzy https://arcam.co.jp X
5. 本発表について 話す内容 • AI駆動開発時代に頭に⼊れておくべき基礎知識 • AI駆動開発時代に念頭においておくべき考え⽅ • プロンプトエンジニアリング、コンテキストエンジニアリング 話さない内容 • 開発ワークフロー全体の改善の話（次の機会に） • セキュリティとの向き合い⽅（次の機会に） • Claude Code / 他エージェントの具体的なテクニック（次の機会に） 対象になる⽅ • AI駆動開発、VibeCodingに少し触れていて、AIを使った開発が上⼿く扱い切れていないと感じる ⽅。
6. 02 AIDDを考える
7. 既に開発においてAIの活⽤は必須となった • AI（⼈⼯知能）は、もはや単なる⽣産性向上ツールではない。 • ソフトウェア開発のプロセスそのものを根底から覆す、パラダイムシフトの原動⼒。 • これまでの開発が「開発者のためのAI」であったとすれば、これからは「開発者がAIを指揮す る」時代へと移⾏ 。 • AIが⼈間の作業を補助するサポート機能としての役割から、開発ライフサイクルの中核を担う 中⼼的役割へと進化。 新しい開発パラダイム：⼈間とAIのパートナーシップ
8. AIコーディングエージェントの進化の振り返り • 2021年6⽉29⽇：GitHubがVisual Studio Code開発環境でのGitHub Copilotのテクニカルプレ ビューを発表 • 2023年7⽉：CursorがシリーズA（800万ドル調達、評価額5650万ドル）を調達。 • 2023年12⽉：v0のベータ版がリリース • 2024年11⽉：Windsurfが正式発表 • 2025年2⽉：Cursorがバージョン0.46で⼤規模アップデート、AIエージェント機能追加やWeb 検索対応を強化 • 2025年2⽉24⽇：Anthropicが「Code with Claude」を研究プレビューで発表 • 2025年5⽉22⽇：Anthropicが「Code with Claude」イベントでClaude 4ファミリー（Claude Opus 4とClaude Sonnet 4）を発表、同時にClaude Codeが正式リリース ⋮ AIコーディングエージェントの主要イベントのタイムライン
9. AIコーディングエージェントの分類 AIコーディングエージェントは4つの類型に分けられる 類型
 自律性
 主な機能
 代表ツール 
 特徴
 ①コード補完・支援型 
 低
 リアルタイム補完・提案 
 GitHub Copilot / Tabnine / Amazon CodeWhisperer / Codeium
 エディタに統合、即座に補完
 ②対話型アシスタント 
 中
 チャット形式でコード生成 
 ChatGPT / Claude / Cursor Chat / Continue.dev
 質問に応じてコード説明・生成
 ③統合開発プラットフォーム 
 中〜高
 開発環境全体を統合 
 Replit Agent / GitHub Copilot Workspace / Cursor Composer / Bolt.new
 ワンストップ開発環境
 ④自律型開発エージェント 
 高
 独立してタスク完了 
 Claude Code / Devin / SWE-agent
 AutoDev
 最小限の指示で自律実行

10. AIエージェントの動作を考える AIコーディングエージェントの基本的な動き 1 7 • 理解：指⽰を解析し、プロジェクト情報を参照 ↓ • 計画：タスクを分解し、実⾏⼿順を決定 ↓ • 実⾏：複数ツールを並列で動かしてコード修正 ↓ • 承認：変更内容をdiff表⽰でユーザーに確認 エンジニア個⼈がAIのアウトプットに与えられる影響は限定的
11. AIコーディングエージェントの進化を⽀える要素技術 • Transformer/LLM基盤技術：GPT-3→GPT-4、Claude系列の⼤規模⾔語モデル進化 • VS Code エコシステム活⽤：既存開発環境のフォーク‧拡張による⾃然な統合 • コードベース意味理解：数億ベクトルでのプロジェクト全体インデックス化‧検索 • リアルタイム統合：エディタ内でのインライン提案‧差分表⽰‧コンテキスト認識 • エージェント⾃律実⾏：ファイル編集‧ターミナル実⾏‧ブラウザ制御の複合タスク処理 • マルチツール並列処理：Web検索‧コード実⾏‧思考推論の同時実⾏技術 • プロンプトキャッシュ最適化：⼤規模コンテキストの効率的処理‧コスト削減 AIコーディングエージェントはそれを⽀える要素技術とともに進化
12. AIが解決できる開発の課題 • SWE-Benchは、「AIが実際のソフトウェア開発問題を解決できるかを測るテスト」。 • GitHubの実際のバグ報告や機能要求（Django、scikit-learnなど12の⼈気Pythonプロジェクトから 2,294問題を収集）を使って、AIエージェントがどれだけ⼈間のエンジニアのように問題解決できるか を評価する。 • 単純なコード⽣成ではなく、問題理解→調査→実装→テスト→修正の全⼯程を⾃律的に⾏う能⼒が問 われる。 SWE-Benchでは70%以上のタスクをAIが解決可能 初期は1.96%しか解決できませんでしたが、2025年現在では33.83%（SWE-agent 1.0 + Claude 3.7 Sonnet）まで向上している。現在4つのバリエーション（Full、Verified、Lite、Multimodal）があ り、TRAEがSWE-bench Verifiedで75%を達成するなど。「本当に使えるAIエージェント」かどうかを 判定する業界標準ベンチマークとして急速に進歩している。 https://www.swebench.com/
13. Humanity's Last Examは⼈間の知識の最前線を網羅した総合学術ベンチマークで。 古典⽂学から⽣態学まで、数学‧⼈⽂科学‧⾃然科学など数⼗の分野にわたって合計3,000問もの問題 が含まれる。 AIが解決できる開発の課題 • AIME（数学オリンピック級の問題）で96.7%正答、CodeForces（競技プログラミング）で世界175位。 • 2年で10倍以上の性能向上が当たり前。ソフトウェア開発問題の解決率（SWE-Bench）が4.4%から71.7% へ急上昇。従来のIT業界の常識では測れない速度。 • ⻑期的な創造性や信頼性では⼈間が優位。『Humanity's Last Exam』でAIはまだ26%の正答率。 • 2025年が⼈間とAIの⽴場が逆転する歴史的転換点になるかもしれない。 AIはもう⼀般的な⼈間より⼗分に賢い
14. 考え⽅を変える① AIが上⼿く仕事をしてくれない 「AIコーディングがうまくいかない」と感じる時、多くの⼈はAIの限界を疑います。しかし実際は、私たちの伝え⽅に 問題があることがほとんど。 現在のAIは、数万⾏のコードを理解し、複雑なアルゴリズムを実装できる能⼒を持っています。問題は、私たちが曖昧 な指⽰を出したり、必要な情報を与えていないことにあります。 私たちがただAIに上⼿く伝えられていないだけと考える AIに上⼿く伝えられていない 󰢄 󰢏
15. 考え⽅を変える② たくさんコードを出⼒した だから仕事した 出⼒したコード量が仕事の量とは考えない 適切な質のコードを出⼒し、 アウトカムを出したから仕事した 󰢄 󰢏 AI駆動開発では、「どれだけ作ったか」ではなく「何を達成したか」が仕事の価値。 従来は「1⽇100⾏コードを書いた」「10個の機能を実装した」という⾏動量も評価されていました。しかしAIが1時間 で数万⾏書ける今、量的な指標は意味を失いました。
16. 考え⽅を変える③ 開発⽣産性があがって 楽できるようになった ただ楽できるようになっただけと考えると競争優位が保てない 単位時間あたりに出せる アウトカムの量が増えた 󰢄 󰢏 AIコーディングを「楽になった」と捉えるのは危険な発想です。競合他社も同じAIツールを使えるため、単純に楽に なっただけでは差別化できない。 正しい視点は、「同じ時間でより多くの価値を⽣み出せるようになった」ことです。従来1週間で1つの機能しか作れな かったのが、AIと協働することで同じ期間で5つの機能を⾼品質で実装できる。つまり、アウトカムの⽣産量が5倍に なったということ。
17. 03 AIに効果的に 
 情報を伝える
18. AIの動作をうまく制御するために私たちができること • プロンプトエンジニアリングとは、AIに「上⼿な質問や指⽰をする技術」。 • AIは優秀だが、曖昧な指⽰だと期待通りの答えが返ってこない。 • 例えば「レポートを書いて」だけでは漠然としているが、「マーケティング担当者として、20代⼥性向け 化粧品の市場分析レポートを、グラフ付きで1000⽂字で書いて」と具体的に伝えると、格段に良い結果が 得られる。 プロンプトエンジニアリングとは？ コツは ①役割を与える ②具体例を⽰す ③段階的に修正する。 ChatGPTやClaude、Cursorなどを使う際も、この考え⽅を活⽤すれば業務効率が⼤幅に向上する。 AIとの「対話⼒」が問われる現代の必須スキル。
19. プロンプトエンジニアリング 基礎的なプロンプトテクニック カテゴリ
 テクニック名 
 具体例
 主な効果
 基本
 ロールプレイング 
 あなたは経験豊富なプロダクトマネージャーです 専門性向上
 基本
 Few-Shot Learning
 例1: 入力→出力、例2: 入力→出力、では次の場合は？ パターン学習
 基本
 Chain of Thought
 段階的に考えて、ステップバイステップで解決してください 論理性向上
 構造化
 STAR法
 Situation/Task/Action/Resultの順で構造化してください 網羅性確保
 構造化
 5W1H指定
 誰が、何を、いつ、どこで、なぜ、どのように 情報整理
 構造化
 制約条件明示 
 300文字以内で、初心者にもわかるように、 JSON形式で出力 出力制御
 高度
 Tree of Thoughts
 3つの異なるアプローチで検討し、最適なものを選択 多角的検討
 高度
 Self-Consistency
 同一問題を 3回解いて、結果を比較検討してください 精度向上
 高度
 Critical Thinking
 この主張の根拠は？反対意見は？前提条件は正しい？ 批判的思考
 実用
 タスク分解 
 作業を小さなステップに分けて、順番に実行してください 実行性向上
 実用
 出力検証
 回答後に自己チェックし、間違いがないか確認してください 品質保証
 実用
 コンテキスト継続 
 前回の会話を踏まえて、これまでの議論に基づいて 文脈維持

20. プロンプトエンジニアリング① • メタプロンプトとは、「プロンプトを作るためのプロンプト」。 • AIに直接作業を依頼するのではなく、まず「どんな指⽰をすれば良いか」を考えさせる技術。 • 例えば「営業資料を作って」ではなく、「営業資料を作成するための最適なプロンプトを考えて」と依頼 する。すると「対象顧客は？」「商品の特徴は？」「資料の⽬的は？」など、必要な情報を整理した詳細 な指⽰⽂を⽣成してくれる。 メタプロンプト 特に複雑なタスクや初めての業務で「何を聞けば良いかわからない」場合に威⼒を発揮する。 メタプロンプトでプロンプト設計⾃体をAIに任せることで、より効果的なAI活⽤が可能になる。
21. プロンプトエンジニアリング② • 対話型メタプロンプトとは、「AIと質問し合いながらプロンプトを作る技術」。 • 通常のメタプロンプトが⼀度でプロンプトを⽣成するのに対し、対話型ではAIが段階的に質問します。 • 例えば「マーケティング資料を作りたい」と⾔うと、AIが「①ターゲット層は？②商品の特徴は？③競合 との違いは？④資料の⽤途は？」と順番に質問し、回答に応じてさらに深掘りします。 対話型メタプロンプト 反復プロセスにより、ユーザー⾃⾝も気づかなかった要件が明確化され、最終的に精密なプロンプト が完成する。複雑なプロジェクトや曖昧な要求を具体化したい場合に特に有効で、AI活⽤の成功率を ⼤幅に向上させる技術。
22. プロンプトエンジニアリング③ 対話型メタプロンプトの例： mode: ultrathink ‧〇〇したいです。 ‧必要な情報をすべて1問1答で私からヒアリングしてください。 ‧回答は選択肢を複数提⽰して選択するだけで解答できるようにしてください。 ‧⾃由記述はなるべく減らしてください。 ‧成果物が⼀定になるように、想定される要件を洗い出して要 / 不要をヒアリングしてください。
23. コンテキストエンジニアリング① • コンテキストエンジニアリングとは、AIに「適切な背景情報を与える技術」。 • AIは質問だけでなく、関連する情報や⽂脈によって回答品質が⼤きく変わる。 • 例えば「売上を分析して」と⾔うだけでなく、過去のデータ、業界動向、競合情報などを⼀緒に提供する ことで、より精密な分析が可能になる。 コンテキストエンジニアリングとは？ 重要なのは ①必要な情報の選択 ②限られたトークン数での優先順位付け ③RAG技術による外部データ活⽤ ④⻑期対話での⽂脈継続です。 膨⼤な情報から「今必要な⽂脈」を効率的に整理し、AIの理解⼒を最⼤化する現代の情報活⽤の鍵。
24. • コンテキストウィンドウは、AIエージェントの「作業記憶」または「短期記憶の領域」のことで、応答を ⽣成する際にどれだけの情報を記憶‧処理できるかを⽰す。 • ⼤きなコンテキストウィンドウを持つLLMは、⻑⽂書を⼩さなセクションに分割することなく読み取り‧ 解析でき、要約、質問応答、洞察抽出がより正確になる。 • 従来の短いコンテキストでは開発セッション中に⽂脈が失われていたが、⼤きなコンテキストウィンドウ により⻑時間の開発⽀援が可能。 コンテキストエンジニアリング② コンテキストウィンドウ ‧より⼤きなコンテキストウィンドウは応答⽣成に必要な時間とエネルギーを⼤幅に増加。 ‧Lost in the Middle問題：⻑いコンテキストの中央部分の情報が軽視される傾向がある。
25. コンテキストエンジニアリング③ コンテキストウィンドウの⽐較 モデル
 コンテキストウィンドウ 
 特徴
 主な用途
 Magic LTM-2
 100M トークン
 🏆 最大級（開発中）
 大規模コードベース解析
 Gemini 2.5 Pro
 1M-10M トークン
 🔬 研究・分析特化
 学術論文、法的文書解析
 Claude 4 Opus/Sonnet
 200K トークン
 ⚡ バランス型
 文書解析、コーディング
 GPT-4o/o1シリーズ
 128K トークン
 🎯 汎用性重視
 一般的な対話・開発
 Llama 4 Scout
 256K トークン
 🆓 オープンソース
 カスタム展開
 DeepSeek R1
 128K トークン
 💰 コスト効率
 予算重視の開発
 ⽬安：1トークン = 英語で約3.5⽂字、20万トークンで英語で焼く70万⽂字の情報を扱える。 10万⾏のコードベースをLLMに読ませると約150万トークン。コード量が増えるにつれて、AIエージェ ントのパフォーマンスは落ちると考える。
26. コンテキストエンジニアリング④ AIエージェントに渡せるコンテキストの種類 コンテキスト種類 
 定義・役割 
 実装方法
 具体例
 ユーザープロンプト 
 ユーザーが入力する具体的な質問やタスク 
 userメッセージとして送信
 「このバグを修正して」「APIドキュメントを作 成して」
 状態・履歴（短期記憶） 
 それまでの会話の流れや現在のタスク状態 
 メッセージ履歴、セッション管理
 前回の質問と回答、進行中のタスクステッ プ
 長期記憶
 過去の対話から学習したユーザーの好みや知識 
 ベクターDB、ユーザープロファイル
 ユーザーの好みのコーディングスタイル、過 去のプロジェクト情報
 システムプロンプト ・ドキュ メント
 AIの基本的な振る舞いを定義する初期設定や ルール
 モデルのsystemパラメータで設定
 例：CLAUDE.md / docs 
 検索された情報 / RAG
 コードやデータベース、 APIなどから取得する外部 の最新情報 
 Vector Search、API呼び出し
 コード情報、外部の情報、エラーログ
 利用可能なツール 
 AIが実行できる MCPサーバーの定義や関数仕様 
 MCP、Function Calling
 ファイル操作、API呼び出し、データベース アクセス

27. 04 AIが仕事をしやすい 環境を整える
28. AIが働きやすい環境を整える • AI駆動開発を成功させるには、整理された開発環境が絶対条件。 • ⼈間の開発者は散らかった環境でも「なんとなく」理解して作業できますが、AIは与えられた情報をその まま処理するため、環境が整理されていないと効率的に正確な判断ができない。 • 例えば、コードが散乱していたり、ドキュメントが古くて間違っていたり、命名規則がバラバラだと、AI は混乱して期待通りの結果を出せない。 整理された環境がAI駆動開発を成功に導く AI導⼊前の環境整備こそが成功の鍵。「AIを⼊れれば何とかなる」ではなく、「まず環境を整えてから AIを活⽤する」という順序が重要。整理された環境があってはじめて、AIの真価が発揮される。
29. AIが働きやすい環境を整える • 従来の開発プラクティスが、AI駆動開発では全く新しい意味を持つようになった。 • スタイルガイドとコーディングルールは、⼈間の可読性のためだけでなく、AIがコードパターンを学習す るための基準に。 • ドキュメンテーションは、AIが⽂脈を理解する重要な⼿がかりに。 • モノレポは、AIが全体像を把握しやすい構造を提供。 • CI/CDは、AIが変更を加えた際の品質保証システムとして機能。 • Git / GitHubでのコード管理とコードレビューは、ロールバックポイントと品質チェックの仕組みを。 AI時代に再定義される開発プラクティス これらの開発プラクティスは「⼈間が使いやすいから重要」ではなく、「AIが正確に動作するために 必須」な要素に変わった。AI駆動開発では、従来のプラクティスをAIの視点で再設計することが成功の 鍵。
30. AIと協働する • AI駆動開発では、コードの⽣産量が劇的に増加した。 • 従来1⽇数百⾏だったのが、AIとの協働で数千⾏以上のコードが⽣成されることも珍しくない。この量的 変化に対し、従来の⼈間による⼿動レビューは限界に達している。 • AIによる⾃動プルリクエストレビューで、セキュリティ脆弱性、パフォーマンス問題、コーディング規約 違反を瞬時に検出し、⼤量のコードを網羅的にチェックする必要がある。 AI時代の新プラクティス①：⾃動レビュー ⼤量コード時代でも品質を維持しながら開発速度を加速できる新しいレビュー体制の実現が重要。
31. AIと協働する • AI駆動開発では、コードの変更頻度と規模が⼤幅に増加した。従来の⼿動でのドキュメント更新では、変 更に追いつかず古い情報が蓄積してしまう。 • 特に深刻なのは、AIエージェントが古いドキュメントを参照して間違った判断をしてしまうこと。 outdatedなAPI仕様書や設計書を基に、AIが既に廃⽌された機能を実装したり、変更された仕様に合わな いコードを⽣成する問題が発⽣する。 AI時代の新プラクティス②：継続的ドキュメント更新 コード変更と同時に、関連するREADME、API仕様書、設計書を⾃動で更新し、常に最新状態を維持。
32. おまけ AI時代の新ティップス：⾃動コミットコメント⽣成 git commit -m "$(claude -p "ステージされたgitの変更内容を確認して、Conventional Commitsの形 式でコミットメッセージを作成してください。形式: <type>(<scope>): <description>。主なタイプ: feat(新機能), fix(バグ修正), docs(ドキュメント), style(フォーマット), refactor(リファクタリング), test(テスト), chore(その他)。説明部分は⼩⽂字で始めてください。タイトルのみを回答してくださ い。")"
33. 05 まとめ 5
34. • AIは⼗分に賢い、上⼿くいかないと思ったときは引き出せていないと考える。 • 出⼒したコード量でエンジニアの⽣産性はもう測れない。 • 1/Nに楽になったという考え⽅ではなく、単位時間でN倍アウトカムが出せるように なったと考える。 5-1 まとめ AI駆動開発は、もはや未来の話ではない。今この瞬間から取り組むチームが、次の競争優位性を⼿に ⼊れる。 考え⽅ AI駆動開発の現在地 • 私たちがいま握ってるレバーはプロンプトエンジニアリングとコンテキストエンジ ニアリング。 • AI駆動開発の普及により、開発ワークフロー全体が根本的に変化している。 • 従来の「⼈間中⼼」から「⼈間とAIの協働」へとパラダイムシフトが起きました。