# 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#

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#