# Claude Codeの機能と実践的な使い方 🚀 PRやIssueで「@/claude」とメンションするだけで、修正・実装・レビューが自動で走る。Claude CodeはCIの中で動くAI同僚になります。 📌 タイトルと機能のURL タイトル: GitHub Actions URL: 📝 概要 Claude Code GitHub Actionsは、Claude CodeをGitHubワークフローに統合する公式アクションです。任意のPRやIssueで「@/claude」とメンションすると、Claudeがコードを分析してプルリクエストを作成したり、機能を実装したり、バグを修正したりします。Claude Agent SDKの上に構築されており、定型作業の自動化に向いています。 🔧 機能の説明 ・コメント内の「@/claude」メンションに応答するインタラクティブモードと、プロンプトを与えて即実行する自動化モードを、設定に応じて自動判別します。 ・リポジトリルートのCLAUDE.mdを尊重し、プロジェクト標準やコードパターンに沿って動作します。 ・コードはGitHubのランナー上で実行され、デフォルトでSonnetを使用します（Opus 4.8も指定可能）。 ・直接Claude APIに加え、Amazon BedrockやGoogle Vertex AIでの利用にも対応します。 🛠 実践的な使い方 ・最も簡単な導入は、ターミナルでclaudeを起動し「/install-github-app」を実行する方法です。GitHubアプリとシークレットの設定をガイドしてくれます（リポジトリ管理者権限が必要）。 ・手動セットアップでは、Claude GitHubアプリ（ ・アクションは「anthropics/claude-code-action@v1」を使用します。「prompt」で指示を、「claude_args」でCLI引数を渡せます。 ・claude_argsの例: --max-turns 5 / --model claude-sonnet-4-6 / --mcp-config /path/to/config.json ・コメント例: 「@/claude implement this feature based on the issue description」「@/claude fix the TypeError in the user dashboard component」 🎯 ユースケース ・IssueにメンションしてそのままPRを自動作成し、要件をコードに落とし込む。 ・PR上で「@/claude このセキュリティ問題をレビューして」と定型レビューを依頼する。 ・schedule（cron）トリガーで、前日のコミットやオープンIssueの日次サマリーを自動生成する。 ・code-reviewプラグインを組み込み、PRの更新ごとにスキルを自動実行する。 ⚠️ 注意点 ・APIキーは絶対にリポジトリに直接コミットせず、必ずGitHub Secrets（secrets.ANTHROPIC_API_KEY）で参照してください。 ・GitHub Actionsの実行時間とAPIトークンの両方でコストが発生します。--max-turnsやタイムアウトで暴走を防ぎましょう。 ・反応しない場合は、コメントが「/claude」ではなく「@/claude」になっているか、アプリ導入とシークレット設定を確認します。 ・v1.0はベータから破壊的変更があり、mode削除・direct_prompt→prompt・各CLIオプションのclaude_args移行が必要です。 #ClaudeCode# #CICD#

「CI/CDのYAML、もう手で書きたくない」——その願いを叶えにきた研究です⚙️ 自然言語の説明から、リポジトリに合ったパイプラインを自動生成します。 タイトル: AutoPipelineAI: Context-Aware CI/CD Pipeline Generation from Natural Language URL: ⚙️ 概要 本研究は、自然言語の説明からCI/CDパイプライン構成を自動生成するシステム「AutoPipelineAI」を提案しています。LLMを活用し、リポジトリの構造を解析したうえで、GitHub ActionsやGitLab CI/CD向けのプラットフォーム固有スクリプトを生成し、検証とフィードバックで品質を担保します。 ❓ 解決する課題 現代の開発では、テストやデプロイを自動化するCI/CDパイプラインが欠かせませんが、その設定は難しく時間のかかる作業です。 ・GitHub ActionsやGitLab CI/CDなど、プラットフォームごとに異なる構文を理解する必要があります ・その複雑さが設定ミスや生産性の低下を招きます ・特にDevOps経験の浅い開発者にとっては、大きな参入障壁になっていました 💡 方法論と提案手法 AutoPipelineAIは、3つの主要コンポーネントで構成されます。 ・リポジトリ認識型の解析：プロジェクト構造を分析し、どんな言語・依存・構成かという文脈を理解します ・LLMによる変換：開発者の自然言語による意図を、対象プラットフォーム固有の構成へ翻訳します ・自動検証とフィードバック：生成したパイプラインの正確さと使いやすさを確認し、必要に応じて修正します 単に文章をYAMLに変換するのではなく、リポジトリの文脈を取り込んでターゲット環境に合った構成を作る点が「Context-Aware（文脈認識）」たる所以です。 🌍 ユースケース / 実験結果 評価は、実務に直結する観点で行われました。 ・precision（精度）指標 ・構成の妥当性（configuration validity） ・手作業に対する労力削減（effort reduction） これらを通じて、「リポジトリ認識・自然言語駆動のCI/CD生成が、実用的で有望なパラダイムである」という初期的な証拠が示されました。DevOps専任がいない小規模チームのオンボーディングコストを下げる効果が期待されます。 #CICD# #DevOps#

# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # プロンプト変更の統制｜Prompt Change Control 🎯 ポイント プロンプトは「ちょっとした言い回しの変更」に見えて、実はシステムの振る舞いを根本から変える「設定変更」です。コードのデプロイにはCI/CDとレビューがあるのに、プロンプトの変更は誰がいつ何を変えたか追えない——そんな状態で本番運用していませんか？プロンプト変更の統制は、すべてを同じ厳格さで管理するのではなく、本番影響度に応じてレベルを分けるのが現実解です🔑 📋 概要 プロンプト変更の統制は、エージェントのシステムプロンプトやツール定義の変更に対して、どの程度の承認・テスト・バージョン管理を求めるかを制御するダイヤルです。厳格にすれば再現性と安全性が上がりますが、開発速度が落ちます。緩めれば迅速な改善・実験が可能ですが、意図しない変更が本番に入るリスクが上がります。このダイヤルの要点は、プロンプトの構成要素ごとにリスクが異なるため、統制レベルも分けるべきだということです。システムプロンプトのロール定義とFew-shot例示では、求められる統制が全く違います📋 🔍 意思決定のポイント このダイヤルは「本番影響度」で3段階に分岐します。 高影響（顧客向け・金銭・法的）→ 厳格：コードレビュー＋eval 100%通過＋承認者2名＋カナリアデプロイ 中影響（社内業務・広範囲）→ 標準：コードレビュー＋eval 95%通過＋承認者1名 低影響（内部実験・限定公開）→ 軽量：セルフレビュー＋基本eval通過＋変更ログ記録 さらにプロンプトの構成要素ごとに統制方針を分けます： システムプロンプト（ロール・制約）→ 変更頻度は低いがリスクは高い。厳格に管理し設計判断として扱う ツール定義（名前・説明・スキーマ）→ ツール選択精度に直結するため厳格に Few-shot例示 → 中程度のリスク。evalで品質を確認する標準統制 コンテキスト注入テンプレート → 変更頻度が高くリスクは低〜中。軽量〜標準で対応 出力フォーマット指示 → リスクは低いが下流システムとの整合確認は必要⚡ 💡 要点と詳細 統制の構成要素は5つです： バージョン管理 — プロンプトをGitでコードと同様に管理します。差分の可視化と履歴の追跡が可能になります。「誰がいつ何を変えたか」が追跡できないと、将来の判断が困難になります。変更理由を必ず記録してください。 evalゲート — 変更後のプロンプトが既存のevalセットを通過することをデプロイの前提条件にします。evalの回帰検出率（プロンプト変更による品質低下を事前に検出できた割合）を計測し、検出できなかったケースはevalに追加して強化します。 承認プロセス — 影響度に応じた承認者のレビューです。厳格レベルでは同僚エンジニア＋テックリードの2名。返金上限額など金銭に関わる記述変更は法務レビューも追加します。 カナリアデプロイ — 一部のトラフィック（目安10%）にのみ新プロンプトを適用し、24時間の品質指標を比較した上で全体展開します。A/Bテストの仕組みと共通化できます。 ロールバック手順 — 問題発生時に即座に前バージョンに戻せる仕組みです。Gitのリバートとデプロイパイプラインの連携が基本です🔬 計測すべき指標は5つ：プロンプト変更の頻度（環境ごと）、変更からデプロイまでのリードタイム（厳格レベルは1〜3営業日、軽量レベルは数時間以内が目標）、プロンプト変更起因の障害件数、evalの回帰検出率、ロールバック発生率です📈 ⚖️ トレードオフ 開発速度優先（緩め）にすると、プロンプトの迅速な改善・実験が可能になりA/Bテストのサイクルが速まります。しかし「誰がいつ何を変えたか」が追跡できず、障害時に原因究明が困難になります。意図しない変更が本番に入り、品質低下やセキュリティ問題を引き起こすリスクがあります。特にシステムプロンプトのロール定義が知らないうちに変わっていた場合、影響範囲は全回答に及びます😰 再現性・安全優先（厳格）にすると、全変更が追跡可能で障害時の原因特定が容易になります。しかし変更の承認プロセスがボトルネックになり、改善のリードタイムが長くなります。小さな改善でも重い手続きが必要だとチームのモチベーションが下がり、「プロンプトを直したいけど面倒だからそのまま」という本末転倒な状態を生みます⚠️ 対策は明確です：統制レベル自体を安易に下げるのではなく、evalの自動化・承認プロセスの並列化で変更リードタイムを短縮すること。そして実験環境と本番環境の統制レベルを明確に分け、実験の速度を本番の安全性と引き換えにしないことです。 🛠️ ユースケース Zendesk顧客対応エージェント：システムプロンプトの変更はPM＋エンジニアリードの承認必須。返金上限額の記述変更は法務レビューも追加。eval通過＋カナリア（10%トラフィック×24時間）を経て全体展開。変更リードタイムは1〜3営業日です📞 Slack社内実験ボット：開発者がセルフレビューで変更可能。基本evalの通過は必須だが承認プロセスは省略。変更ログは自動記録され、問題発生時の原因追跡に使います。変更リードタイムは数時間以内です💬 Salesforce営業支援エージェント：ツール定義の追加・変更はコードレビュー必須。商談ステージの判定ロジックに影響するプロンプト変更はテックリードの承認が必要。大規模なプロンプト変更は段階的に実施し、影響範囲を限定します🎯 実践のコツ：初期は厳格寄りで運用を開始し、チームの習熟とevalの充実に応じて段階的に緩和してください。プロンプト変更起因の障害が発生したら、そのケースをevalに追加して再発防止を自動化する。そして大規模なプロンプト変更（ロール定義の書き換え等）は一度に行わず段階的に実施すること。一度に大きく変えると影響範囲の特定が困難になります💪 #AIエージェント# #エンタープライズアーキテクチャ#

# Claude Agent SDKの便利だけど知られていない機能 🌍 SDK エージェントが読み込む設定ファイルを、setting_sources で細かくコントロールできます。 CLAUDE.md、スキル、フック、settings.json の読み込み元を選択的に制御し、マルチテナント環境での分離も実現できます。 📌 タイトル：setting_sources による .claude/ 設定の選択的ロード 🔗 URL： 🧩 概要 `setting_sources`（TypeScript では `settingSources`）は、SDK がファイルシステムからどの設定を読み込むかを制御するオプションです。3つのソースがあります。`"project"` は `/.claude/` 配下の settings.json、フック、CLAUDE.md、スキルを読み込みます。`"user"` は `~/.claude/` 配下のユーザーレベル設定を読み込みます。`"local"` は `.claude/settings.local.json` や `CLAUDE.local.md` を読み込みます。省略時はすべて（`["user", "project", "local"]`）が有効になります。空配列 `[]` を渡すとすべてのファイルシステム設定を無効化できます。なお、マネージドポリシーと `~/.claude.json` は常に読み込まれます。 🛠 使い方 `setting_sources` にリストを渡して、必要なソースのみを有効化します。 ```python from claude_agent_sdk import query, ClaudeAgentOptions # プロジェクトとユーザーの設定を読み込む async for message in query( prompt="Help me refactor the auth module", options=ClaudeAgentOptions( setting_sources=["user", "project"], # CLAUDE.md, skills, hooks を有効化 allowed_tools=["Read", "Edit", "Bash"], ), ): pass # すべてのファイルシステム設定を無効化（プログラムで渡す設定のみ使用） async for message in query( prompt="Analyze this code", options=ClaudeAgentOptions( setting_sources=[], # ファイルシステムからの設定読み込みを完全に無効化 ), ): pass ``` 🏗 本番システムへの組み込み方 ・マルチテナント環境では `setting_sources=[]` と `CLAUDE_CODE_DISABLE_AUTO_MEMORY=1` を組み合わせて、テナント間の設定漏洩を防止できます ・CLAUDE.md を SDK エージェントで活用するには `"project"` を含める必要があります（含めないと読み込まれません） ・各ソースの読み込み先は以下の通りです： - `"project"`: `/.claude/` から settings.json とフック、`` と親ディレクトリから CLAUDE.md とルール - `"user"`: `~/.claude/` からユーザー設定、CLAUDE.md、ルール - `"local"`: `/.claude/settings.local.json` と親ディレクトリの CLAUDE.local.md 💡 ユースケース 🔒 セキュアなマルチテナント：各テナントを独立したファイルシステムで実行し、`setting_sources=[]` で他テナントの設定を遮断する 🏗 CI/CD パイプライン：`"project"` のみを有効にして、リポジトリ固有の CLAUDE.md とスキルだけを読み込む 👤 ユーザーカスタマイズの許可：`"user"` を含めることで、開発者個人の `~/.claude/CLAUDE.md` も反映する ⚠️ 注意点 ・`setting_sources` で制御できないものがあります：マネージドポリシー、`~/.claude.json`、オートメモリ（`~/.claude/projects/` 配下）、 MCP コネクタ ・オートメモリを無効にするには `autoMemoryEnabled: false` または環境変数 `CLAUDE_CODE_DISABLE_AUTO_MEMORY=1` を設定してください ・`setting_sources` を明示的に設定する場合、デフォルトの3ソースすべてが無効化されるため、必要なソースを漏れなくリストしてください ✨ setting_sources を適切に設定することで、エージェントの設定読み込みを精密に制御し、安全で予測可能な動作を実現できます。 #ClaudeAgentSDK# #AIAgent#

便利だけど知られていないGemini APIの機能 💻 コーディングエージェントをGeminiで構築したい。何から始めればいい？ Geminiの「コーディングエージェントのセットアップ（Coding agent setup）」は、コード生成・修正タスクを自動化するエージェント向けのスキルとセットアップガイドです。 📌 タイトル：コーディングエージェントのセットアップ（Coding agent setup） 🔗 URL： 🧩 概要 コーディングエージェントとは、コードの生成、修正、テスト、デバッグを自律的に行うAIエージェントのこと。Geminiのコーディングエージェントガイドは、このようなエージェントを構築するためのスキル定義、プロンプト設計、ツール連携のベストプラクティスを提供します。Code executionやfunction callingと組み合わせて、実際にコードを書いて動かすエージェントを作れます。 🛠 使い方 ガイドに沿ってエージェントのスキル（コード生成、ファイル操作、テスト実行等）を定義し、Geminiのツール機能と連携します。Code executionでコードを実行し、function callingでファイルシステムやGit操作を呼び出す構成が基本です。プロンプトにはコーディング規約やリポジトリ構造の情報を含めると精度が上がります。 🏗 本番システムへの組み込み方 ・CI/CDパイプライン：PRごとにコーディングエージェントがレビュー・修正提案を自動生成。 ・バグ修正の自動化：エラーログとスタックトレースを渡して、修正パッチを自動生成・テスト。 ・コードマイグレーション：フレームワーク/言語バージョンの移行を、エージェントが段階的に実行。 ・ドキュメント生成：コードを読んでAPIドキュメントやREADMEを自動生成。 💡 ユースケース 🔧 自動バグ修正・パッチ生成 📝 PRの自動レビュー・修正提案 🔄 コードベースのマイグレーション 📚 コードからのドキュメント自動生成 ⚠️ 注意点 エージェントが生成するコードは必ずレビューとテストが必要です。本番コードへの自動マージは人間の承認ステップを挟みましょう。また、エージェントがファイルシステムにアクセスする場合のセキュリティ境界（サンドボックス化）も重要です。 ✨ コーディングの自動化は段階的に。まずはレビュー補助や定型的な修正から始めて、信頼性が確認できた範囲で権限を広げていくのがおすすめです。 #Gemini# #LLM#

🛠 MLOpsは「なんとなくその場しのぎ」で進めがち。実務者のブログやホワイトペーパー103件を分析し、アーキテクチャ上重要な25のガイドラインに整理した研究です。 タイトル: Architecturally Significant MLOps Guidelines for ML Model Integration and Deployment: a Gray Literature Review URL: 📝 概要 本論文は、査読論文ではなく実務者発のWeb情報（ブログ・ホワイトペーパー・ベンダー文書）を分析する「グレーリテラチャレビュー」で、MLモデルの統合とデプロイに関するアーキテクチャ指針を体系化しています。 ❓ 解決する課題 MLOps採用は進んでも、再利用可能な設計判断としての知識統合が乏しく、チームはその場しのぎになりがちでした。経験をプロジェクト間で移転しにくいのが課題でした。 💡 方法論と提案手法 ・33クエリでGoogleを検索し331件を取得、基準で絞り103件を分析しました ・2名が独立にテキストを抽出し、合意会議で不一致を解消しました ・3名が実践をガイドラインへ統合し、カードソーティングで5カテゴリに整理しました ・CI/CDと自動化、デプロイ戦略と環境、設計と統合戦略、モデルサービングと推論、MLコンポーネント管理の5テーマです 🎯 ユースケース ML統合・デプロイのアーキテクチャ判断の統合リファレンスとして使えます。包括的なMLOpsリファレンスアーキテクチャの構成要素にもなります。 📊 実験結果 ・25のアーキテクチャ上重要なガイドラインを抽出し、72%（18項目）が4回以上言及され実務者の合意を示しました ・最多引用はコンテナ化（27ソース）、次いでCI/CDパイプライン確立（53回言及）でした ・デプロイには16ガイドライン、統合には9ガイドラインと、統合側の文書化が手薄なギャップを特定しました #MLOps# #MachineLearning#

# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # 同期 vs 非同期｜Synchronous vs Asynchronous 🎯 ポイント エージェントの応答を「ユーザーが画面の前で待つ」設計にしていますか、それとも「完了したら通知」の設計ですか？ この選択は体験設計・アーキテクチャ・スケーラビリティに直結します。数秒で返せるチャット的なやり取りと、数分かかるバッチ分析では、最適な実行モデルが根本的に異なります。間違えるとタイムアウト地獄か、簡単な質問に数分待たされる体験崩壊が待っています🔑 📋 概要 同期実行はユーザーとの往復対話が価値の源泉となるケースに向いています。処理時間が5秒未満で完了する見込みがあり、Slackのチャットボットやライブチャット対応のようにリアルタイム性が求められる場面です。ストリーミング出力でトークン単位に逐次表示すれば、体感速度をさらに補えます。一方、非同期実行は処理時間が数十秒〜数分に達するケースに適しています。複数SaaSの横断調査、大量データの集計・分析、Jiraの全スプリント横断レポート生成など、重い処理はジョブキューに投げて完了通知をSlackやメールで受け取る設計が正解です。イベント駆動（Webhook / CDC）で起動するエージェントも非同期が自然な選択となります📊 🔍 意思決定のポイント 判断は「処理時間の見込み」と「ユーザーが待つかどうか」の2軸で決めます。 処理時間5秒未満 → 同期で問題なし 処理時間10秒超 → 非同期を検討 5〜10秒 → ストリーミングで同期を維持できるか評価 加えて「往復対話が価値を生むか」も重要です。追加質問・確認・修正のラリーが必要なら同期、バッチ処理や定期レポートならユーザーは画面の前にいないので非同期一択です。同時リクエスト数が数千以上のスパイクが見込まれる場合は、ジョブキューでバックプレッシャーを制御する非同期が安全です⚡ 💡 要点と詳細 ハイブリッド構成が実務では最も一般的です： 同期開始→非同期エスカレーション：最初は同期で応答し、処理が10秒を超えそうなら「バックグラウンドで処理中です」とユーザーに伝えてジョブキューに移行します。完了後にSlack / メールで通知します。 ストリーミング＋進捗表示：同期的にストリーミング出力しつつ、裏でツール呼び出しを並列実行します。中間結果を逐次表示することで体感待ち時間を短縮します。 ServiceNowのインシデント対応を例にすると、一次回答は同期チャットで即座に返し、根本原因分析や類似インシデントの横断調査は非同期ジョブで実行する、という使い分けが理にかなっています。 障害時のリカバリも大きな判断材料です。途中で失敗した場合にチェックポイントから再開したいなら、非同期＋永続キューが必須です🔄 ⚖️ トレードオフ すべてを同期で実装すると、重い処理でタイムアウトが頻発します。API Gatewayの30秒制限に引っかかり、ユーザーは空白画面を見続けることになります。コネクションプールが枯渇してシステム全体が停止する事態も起こり得ます😰 一方、すべてを非同期にすると、簡単な質問への回答にもキュー経由の遅延が入り、チャット体験が著しく劣化します。「今日の天気は？」に3分後にSlack通知で回答されても、誰も嬉しくありません。 進捗通知の不在も見落としがちな罠です。非同期ジョブの完了を通知しないと、ユーザーは結果を取りに来ません。「投げたけど返ってこない」と認識され、システム自体の信頼が崩壊します⚠️ 🛠️ ユースケース Slackチャットボット：ナレッジ検索やFAQ回答は同期（5秒未満で完了、ストリーミング出力）。レポート生成やデータ分析の依頼は非同期（ジョブキュー→完了後にスレッドへ通知）。同一ボットが処理時間の見込みで自動的に切り替えるのが理想です📚 Salesforce商談分析：単一商談の要約は同期でサイドパネルに即表示。全商談の四半期横断分析は非同期でバックグラウンド実行し、完了後にダッシュボードを更新します🛒 CI/CDパイプライン連携：プルリクエストの差分要約は同期で即コメント。全コードベースのセキュリティスキャンは非同期でジョブ実行し、結果をJiraチケットに起票します🔧 実践のコツ：同期エンドポイントには必ずタイムアウトを設定し、超過したら非同期にフォールバックする設計を組み込んでください。「たぶん5秒で終わる」は信用できません💪 #AIエージェント# #エンタープライズアーキテクチャ#