Cortex Codeでデータの仕事を全部Agenticにやりきろう！

AI駆動開発 x Snowflake - Snowflake Night #3

https://snowflakejapan.connpass.com/event/385891/

Transcript

1. Cortex Codeで データの仕事を 全部Agenticにやりきろう！ harry(@gappy50) / クラシル株式会社
2. 自己紹介 harry (@gappy50) クラシル株式会社 データエンジニア 担当業務 ・ クラシルのデータ基盤新規構築 ・ 現在は全社データ基盤の構築・運用 技術スタック ・ Snowflake / dbt / Lightdash Snowflake Data Superhero ・ 2022-2026（5年連続）
5. 本日の話: ブログ2本の紹介 + Cortex Code 今日はこの内容を紹介しつつ、同じことがCortex Codeでもできるという話をします https://zenn.dev/dely_jp/articles/claude-code-agent-team-design https://zenn.dev/dely_jp/articles/snowflake-managed-mcp-claude-code-agentic-dataops
6. ブログで書いたこと
7. 前提: クラシルのデータにはTierがある dbtで管理しているデータモデルに品質の段階（Tier）をつけて運用している Tier 用途 AI利用 期限 Tier 1-2 経営KPI・監査 永続 Tier 3 部門意思決定 永続 Tier 4 アドホック分析 90日で自動削除 Tier 5 個人のSQL試行 30日で自動削除 Tier3以上がAIエージェントで分析可能
8. データライフサイクル アジリティと品質を両立してAI Readyなデータ利活用を組織の文 化にしていく
9. ブログ1本目: Agent Teamsで Tier昇格を自動化
10. 1本目の課題: Tier昇格が回らない Tier4（adhocモデル）をTier3（AI利用可能）に上げるには以下が必要 1. ディメンショナルモデルへの設計変更 2. SQL/YAMLの実装 3. 移行前後の数値が一致するかの検証 4. メタデータ（カラムの意味や計算ロジック）の整備 これを手動でやると最大2日。2〜3人のデータエンジニアで7ドメインを回しているので、順 番待ちが発生する
11. Tier3昇格の3要件 Tier4 -> Tier3に昇格するための品質要件 1. generic testが定義されていること ・ not_null / unique / accepted_values 等 ・ CIでデータの整合性を自動検証 2. 全カラムにdescriptionが整備されていること ・ カラムの意味・計算ロジックをYAMLに記述 ・ Semantic View生成の入力にもなる 3. 他のadhocモデルへの参照がないこと ・ adhoc間の依存を断ち切り、SSoT（Single Source of Truth）を確立
12. Tier3昇格フロー（前半）Phase 0〜2
13. Tier3昇格フロー（後半）Phase 3〜7
14. 1本目の解決: Agent Teamsで分業 4つの役割に分けたエージェントを定義した エージェント やること 権限 data-architect 設計だけ。コードは書かない read-only dbt-data-modeler 設計に基づいてSQL/YAMLを実装 write migration-tester MCP経由でSnowflakeに接続し数値検証 read-only data-engineer インフラ・パイプライン 全権限 write権限を持つのは実装担当の1体だけ
15. Claude Code Agent Teamsとは 複数のエージェントに異なる役割・権限・モデルを割り当ててチームとして動かす仕組み なぜ使うか ・ 単一エージェントでは権限の分離ができない（全操作が同一権限で実行される） ・ タスクが複雑になるほどコンテキストが膨らみ、精度が下がる ・ モデルのコスト差が大きい（Opus/Sonnet）ため、全タスクに高コストモデルを使うの は非効率 できること ・ エージェントごとにread-only/writeなど権限を制御 ・ Opus/Sonnetなどモデルを役割に応じて使い分け ・ .claude/agents/ にMarkdownで定義するだけで構成可能 Cortex Codeでもの複数エージェントオーケストレーションがリ リース
16. ブログ2本目: MCP Serverで Agentic DataOpsを回す
17. 2本目の位置づけ: 1本目の「その先」 1本目はTier昇格（データモデルの品質を上げる作業）の自動化だった 2本目は、品質を上げたデータモデルを使って分析やマネジメントまで含めた一連のサイク ルをAIエージェントで回す話 Snowflake Managed MCP Serverを使って、Claude CodeからSnowflakeに直接接続する
18. 2本目の内容: 開発・分析・マネジメントを横断 フェーズ やること 開発 dbtモデルにdimension/metrics定義を記述 → CI → Semantic View SQL自動 生成 → MCP Serverに同期 分析 MCP Server経由でCortex Analystに接続し自然言語分析 マネジメ ント MCP Server経由でTier昇格・期限管理・品質チェック dbtのYAMLにメタデータを書いてPRをマージするだけで、Cortex Analyst経由で分析可能 になる
19. ここまでのまとめ Claude Codeベースでやっていること ・ Agent Teams: 役割分離したエージェントでTier昇格を自動化 ・ MCP Server: Snowflakeに接続して開発・分析・マネジメントを横断 ・ Semantic View: dbtのメタデータからAI分析可能な定義を自動生成 ・ Skills: エージェントの振る舞いを定義ファイルで管理 MCPやSemantic ViewはSnowflake側の機能なので、エージェント側のツールは入れ替え可 能
20. 同じことが Cortex Code CLIでもできる
21. Cortex Codeとは Snowflakeが提供するコーディングエージェント 2つの使い方 ・ Snowsight版: SnowflakeのUIからブラウザで利用 ・ CLI版: ローカルシェルで実行。dbt/Airflowをネイティブサポート
22. クラシルでのCortex Codeの使い分け Cortex Code in Snowsight ・ データエンジニアやPdMがNotebooksで利用しており、かなり威力を発揮できている ・ Snowflake内で完結する作業はCortex Codeの方が手軽 Claude Code ・ データ分析でグロースに向き合うところでは、メンバーのスキルセット的にClaude Codeに一極集中させた方がいい状態 ・ Snowflake以外のコンテキスト（GitHub、ドキュメント等）もAIに食わせたいケースが 多い
23. Claude Codeでやったこと -> Cortex Codeでの対 応 機能 Claude Code Cortex Code エージェントチーム Agent Teams Agent Teams（GA） データ検証 MCP Server経由 ネイティブSQL 自然言語分析 Cortex Analyst via MCP Cortex Analyst直結 スキル定義 .claude/skills/ SKILL.md（同一形式） アクセス制御 OAuth設定が必要 RBAC自動適用 SKILL.mdはClaude CodeとCortex Codeで同一フォーマット（AGENTS.mdも対応） 。スキ ルの相互移植が可能
24. Cortex Codeの方がシンプルな部分 ・ セットアップ: OAuth/MCP Server構築が不要。ログインすれば使える ・ アクセス制御: SnowflakeのRBACがそのまま効く ・ 非エンジニア展開: Snowsight版ならブラウザだけで利用可能 クラシルではデータエンジニア以外も含めてClaude Codeを標準にしている。 Snowflake以外のコンテキストもAIに食わせたいため。 ただしデータの重心を全てSnowflakeに寄せられるなら、Cortex Codeの方がシンプルだし コスト面でも有利な可能性がある
25. デモ: Tier3昇格の流れ
26. Step 1: Cortex Codeでpromote-to-tier3を実行
27. Step 2: ギャップ分析（Phase 1） 参照先の確認、テスト・メタデータの不足分を自動で洗い出す
28. Step 3: ギャップ分析レポート
29. Step 4: SSoTチェック + ユーザー承認 同一ビジネスイベントの重複モデルがないかを検証。PASSしたモデルにssot_verifiedタグ を付与。ユーザーが承認して次のPhaseへ
30. Step 4.5: CIから新旧の数値検証（Phase 6.5） PR作成後、CIでmigration-testerが自動実行し新旧モデルの数値を比較検証
31. Step 5: Tier3 Promotion完了
32. Skillsの自己改善ループ
33. AIに一発で正解を出させるのは難しい どのデータをどう使うのか、品質の判断基準は何か、これらは組織ごとに異なる 自分たちのルールや判断軸をSkillsとして言語化し、AIの振る舞いを制御する「ハーネスエ ンジニアリング」ができると、正解に近づきやすくなる 自分たちのルール -> SKILL.mdに言語化 -> AIがルールに従って実行 -> 結果を確認、ルールを修正 -> SKILL.mdを更新 -> (繰り返し)
34. クラシルではSkillsの自己改善を実践している 作業完了後にエージェントが振り返りを実行し、改善点をSKILL.mdに書き戻す ・ promote-to-tier3スキルは実際に複数回の改善を経て今の形になった ・ 数値検証に必要なCIの監視ルール、dbtのタグ配置ルール等が振り返りから追加された ・ エージェントが完璧である必要はない。改善が回る仕組みがあればいい Cortex Codeでも同じSKILL.mdフォーマットなので、この改善ループはそのまま適用できる
35. まとめ
36. 今日話したこと Claude Codeでやったこと ・ Agent TeamsでTier昇格を自動化（手動2日 -> 1-2時間） ・ MCP Server経由で開発・分析・マネジメントを横断 ・ Semantic Viewの自動パイプライン Cortex Codeでも同じことができる ・ Agent Teams、SKILL.md互換、ネイティブSQL実行 ・ セットアップはCortex Codeの方がシンプル ・ Snowflake中心の組織ならCortex Codeから始めるのもあり
37. Skillsを活用するとさらに良くなる ・ Cortex Codeにはデータガバナンスやデータエンジニアリング等の組み込みSkillsが用 意されている。まずはそれを使うところから始められる ・ その上で、自分たちの組織のルールや判断軸をSKILL.mdとして言語化すると、AIの出 力が安定する ・ Skillsの自己改善ループも回せると、使うほど精度が上がっていく
38. Thank you! harry (@gappy50) / クラシル株式会社