生成AIによるCloud Native基盤構築の可能性と実践的ガードレールの敷設について

こんにちは皆さん！本日はCloud Native Daysのプレイベントで登壇させていただきます。2019年以来の登壇となりますが、当時はまだ肩こりなんて無縁だったんですよね…。

時の流れは容赦ないもので、最近の肩こりが辛くて昨日も整骨院に通ってきました。30分の持ち時間に対してスライドが80枚以上という暴挙にも出ています。

---

本日、「CloudNative Days Summer 2025 プレイベント」というイベントで「生成AIによるCloud Native 基盤構築の可能性と実践的ガードレールの敷設について」 🎵🧭 というタイトルで登壇しました！

🔍 イベント詳細:
- イベント名: CloudNative Days Summer 2025 プレイベント
- 公式URL:https://cloudnativedays.connpass.com/event/351211/
- 本イベントのURL: https://event.cloudnativedays.jp/cnds2025

Transcript

1. 生成AIによる Cloud Native 基盤構築の 可能性と実践的ガードレールの 敷設について 2025/4/22 CloudNative Days Summer 2025 プレイベント @nwiizo 30min #CNDS2025
2. nwiizo 株式会社スリーシェイクで プロのソフトウェアエンジニアをやっているものです 格闘技、読書、グラビアが趣味でよく本を紹介してます 人生を通して"運動、睡眠、読書"をちゃんとやりたい 2
3. about 3-shake 3
4. We are Hiring!! 3-shakeは一緒にSRE界隈を盛り上げてくれる仲間を大募集中です！ Mobility、FinTech、通信など大規模SREを存分に経験できます （最近社内はGenAI / GPU / Kubernetesが盛り上がってます） 是非、カジュアル面談しましょう！！！！ 4
5. 本日のアジェンダ 1. 生成AIとCloud Nativeの現在地 2. 実践的なプロンプト設計 3. ガードレールの構築の手引き 4. ガードレールを超えて行動するMCP 5. まとめ 5
6. 1. 生成AIとCloud Nativeの現在地 6
7. 2025年のAI活用状況 (1/2) 開発プロセスが本質的に変化しようとしています。完全に夜明け前です。 単なるコード生成から「問題解決支援」へ AIは「道具」から「思考パートナー」に進化 実装の正確さより意図の理解が重要に 利用パターンの多様化 単発指示→会話型→継続的協働へと発展 コンテキスト理解力の向上で長期的な議論が可能に 7
8. 2025年のAI活用状況 (2/2) コードレビュープロセスの変容 AIが事前レビューを担当 人間は高次の設計判断に集中 レビュー品質の標準化 ボイラープレートコードからの解放 定型コードの自動生成 カスタマイズポイントの明示 保守性を考慮した生成 8
9. 生成AIによるCloud Nativeの実際⋯ 実際のところは⋯ 完璧を求めず「ある程度必要」な取り組み 変化を楽しむマインドセットの醸成 細かいハルシネーションを起こすので知識よりも探索能力を重視する 現場での実感 以前は「動かない定義」や「架空の機能」に悩まされた 今ではモデルの精度が上がり問題が大幅に減少 価値を生む作業に集中できる環境に 9
10. 生成AIでIaCはさらなる変化を遂げている 抽象度の向上 コード記述 → 宣言的定義 → 意図ベース定義へ 「何を」ではなく「なぜ」を中心とした記述(省略) ビジネス要件からインフラ定義への直接的な翻訳 アクセシビリティの民主化 専門知識の要求度が低下 インフラ構築の裾野拡大 DevOpsの真の実現へのステップ 10
11. 生成AIでIaCはさらなる変化を遂げている 実験と探索の加速 プロトタイピングサイクルの短縮 複数アプローチの並行検証が容易に 「もし〜だったら？」の実験コスト激減 機能やドキュメントを調べて、実行できるか確認してみたいな作業がギュっとなりま した 11
12. 生成AI時代のIaCの価値 ガバナンスとコンプライアンスの強化 ポリシーのコード化と自動適用及び自然言語での表現 変更理由の明示的記録と追跡及び背景の記録 監査対応の自動化と簡素化 知識の形式知化と共有 暗黙知のコード化と組織資産化 ベストプラクティスの自動適用 個人スキルギャップの影響低減 12
13. 生成AI時代のIaCの価値 人間の創造性への集中 反復的作業からの解放 アーキテクチャ設計や戦略的判断への集中 「何を構築するか」より「なぜ構築するか」に注力 生成AIによるIaCは、インフラストラクチャをソフトウェアのように扱うというIaCの 本来の約束をようやく完全に実現しつつある 13
14. 生成AIによるIaCにはまだ課題が残っています 依然として残る文脈理解の壁 設定意図を完全に理解することが難しい 企業固有のプラクティスの習得が困難 プロジェクト全体を通した一貫性の欠如 具体的な課題例 AWS IAMポリシー生成時に過剰な権限を付与しがち リソース間の複雑な依存関係の理解が不十分、作り直しがち コスト最適化を考慮しない設計提案 14
15. 生成AIによるIaCにはまだ課題が残っています 品質の非均一性 同じプロンプトでも結果に一貫性がない モデルバージョンによる出力差が大きい IaCのリファクタリング能力に限界がある (背景を知らないので消しちゃいけないやつ消したりする) 人間との出力差 未だにスピードが主な優位点となっている 経験豊富なインフラエンジニアの知識を超えることは少ない 15
16. Vibe CodingはIaCと相性が絶望的に悪い Vibe Coding: The Future of Programming https://learning.oreilly.com/library/view/vib e-coding-the/9798341634749/ 生成AIの現実的な限界: 70%問題 IaCは精度が命綱だが、AIはテンプレート的な構成のみ正 確に生成可能 IaCに必要な厳密さとAIの「だいたいあってる」精度の致 命的なギャップ AIは「優秀だが何も確認しない若手開発者」 - 速いがIaC 特有の制約を無視 16
17. Vibe CodingはIaCと相性が絶望的に悪い Vibe Coding: The Future of Programming https://learning.oreilly.com/library/view/vib e-coding-the/9798341634749/ 残りの30%の難しさ 70%を登ってきた経験なしで30%を超える難しさ インフラ構成では小さなミスが大惨事に直結、AIのVibe Codingでは検出困難 コードの正確性確保するタイミングでインフラの機能を損 なう可能性 17
18. 課題を克服するための方向性を考えましょう 効果的なAI活用ワークフロー AIを最初の草稿者として活用: 初期コード生成→人間による洗練 AIをペアプログラマーとして活用: 人間とAIの継続的な対話と検証 AIをバリデーターとして活用: 人間が書いたコードの検証と改善 開発プロセスの適応 AIと人間の役割分担を明確に、プログラマーの終焉ではなく変容が求められる レビュープロセスの強化と頻繁なコミット 生成→ガードレール/ポリシー適用→人による検証→調整のサイクル確立 18
19. 課題を克服するための方向性を考えましょう AIを賢く使う 具体的で明確な要件提示 AI出力の厳格な検証 理解できないコードはマージしない 技術の素振りのために一回作り直す前提で作る 効果的なプロンプトの共有と再利用 チーム全体でのAI使用基準の統一 19
20. 2. 実践的なプロンプト設計 20
21. プロンプトにおける一般的な問題点 Prompt Engineering for Generative AI https://learning.oreilly.com/library/view/pr ompt-engineering-for/9781098153427/ 1. 曖昧な指示 - 日本語という言語の特性上、曖昧な指示が多い 2. 未定義の出力形式 - 出力の形式や長さが明確に定義されていない 3. 例示の欠如 - 良い名前の具体例が示されていない 4. 評価基準の不足 - 名前の良し悪しを評価する一貫した方法がない 5. タスクの分割不足 - 複雑な命名タスクが単一のプロンプトに任されている 21
22. プロンプト設計の失敗パターンと対策 (1/2) 失敗パターン 1. 曖昧な指示 症状： 「良いDockerfileを作って」→何が「良い」か不明確 対策：具体的な条件（ 「セキュリティ強化」 「ビルド時間短縮」など）を明示 2. 過度に複雑な要求 症状：一度に多くの要件→コンテキスト混乱、一部無視 対策：タスク分割、ステップバイステップアプローチ 22
23. プロンプト設計の失敗パターンと対策 (2/2) 3. 矛盾する指示 症状： 「軽量で高機能な」など相反する要件→最適化困難 対策：優先順位を明確に（ 「軽量性を優先、ただし最低限の機能Xは必須」 ） 4. 専門知識の前提 症状： 「普通のやり方で」など暗黙知に依存→解釈違い 対策：明示的なルール提示、例示 5. フィードバックループの欠如 症状：一方的な指示のみ→改善機会損失 対策：評価基準の明示、段階的改善 23
24. プロンプトの5つの原則 Prompt Engineering for Generative AI https://learning.oreilly.com/library/view/pr ompt-engineering-for/9781098153427/ 1. 方向性を与える - 具体的な指示や目的を明確に示す 2. フォーマットを指定する - 望ましい出力形式を明確に定義する 3. 例を提供する - 期待する出力のサンプルを示す 4. 品質を評価する - 生成された結果の品質を測定・改善する方法を組み込む 5. 作業を分割する - 複雑なタスクをより小さな段階に分割する 24
25. プロンプトの5つの原則の実践例 (1/3) 1. 方向性を与える（Give Direction） × 「ECSクラスタを作成するTerraformコードを書いて」 ◦ 「高可用性と費用対効果を重視したプロダクション環境向けECSクラスタを作成するTerraformコードを書いて。 　　マイクロサービスアーキテクチャを想定し、セキュリティ要件を満たすこと」 2. フォーマットを指定する（Specify Format） × 「Kubernetesマニフェストを生成して」 ◦ 「以下の構造で、YAMLフォーマットのKubernetesマニフェストを生成して： - 各リソースは別ファイルとして - コメントは日本語で - リソース名は kebab-case で統一 - インデントは2スペース」 25
26. 3. 例を提供する（Provide Examples） 「以下の例に倣ってDockerfileを作成してください： FROM node:18-alpine AS builder WORKDIR /app COPY package*.json ./ RUN npm ci ...」 4. 品質を評価する（Evaluate Quality） 「生成したTerraformコードに対して、以下の観点で自己評価してください： 1. セキュリティ（最小権限の原則に従っているか） 2. 可用性（単一障害点がないか） 3. コスト最適化（不要なリソースがないか） 4. メンテナンス性（変数、モジュール化など）」 26
27. 5. 作業を分割する（Break Down Tasks） 「マイクロサービスアーキテクチャの実装を以下のステップで進めます： Step 1: 全体アーキテクチャ図の作成 Step 2: 各サービスの依存関係の定義 ...」 これらのプロンプトを組み合わせることで、生成AIの出力の質を大幅に向上させるこ とができます。その他の細かいテクニックに関してはPrompt Engineering Guideや Prompt engineering overviewなどを読めば良いです。 サンプルプロンプトはじゃあ、おうちで学べるブログで公開しています。ぜひ確認して ください。 27
28. コンテキスト同梱の良さ(1/2) 1. ナレッジの保存と伝承 意思決定の背景や根拠が明示的に残る 組織の暗黙知が形式知化される 人材の入れ替わりに対する耐性向上 2. 品質とコンプライアンスの向上 コードレビューの質的向上（意図の理解） 監査対応の容易化（なぜその設定か説明可能） セキュリティ要件のトレーサビリティ確保 28
29. コンテキスト同梱の良さ(2/2) 3. メンテナンス性の向上 修正・変更時の副作用予測が容易に リファクタリングの安全性向上 テスト戦略の適切な立案 他にもいくつかテクニックやそれを補助するツールがありますので調べてみて下さ い。ここで言いたいことは1つでドキュメントをGithubに全部載せてたほうが良いとい うことです。 29
30. コンテキスト提供の最適化(rules) (1/3) Rules方式とは 必要情報を事前にプロンプトに埋め込むアプローチ ClineやCursorが参照すべきルールを明示的に提供 構造化された指示を体系的に組み込む方法 Rules方式のメリット 一貫した出力品質が得られる 結果が予測しやすくなる 企業固有要件を反映させやすい 30
31. コンテキスト提供の最適化(rules) (2/3) 実装戦略 1. 汎用ルール 業界標準パターン 共通設計原則 2. 技術スタック固有ルール Kubernetes/Terraform等の特有の最適化 プラットフォーム固有の制約 フレームワーク推奨パターン 31
32. コンテキスト提供の最適化(rules) (3/3) 実装戦略 3. 組織固有ルール 命名規則、セキュリティポリシー 社内標準アーキテクチャ コーディング規約 4. プロジェクト固有ルール 特定アプリケーション要件 環境固有の設定 チーム合意事項 32
33. Rules定義プロセスと更新サイクル Rules定義プロセス 1. 既存の標準・ベストプラクティスの棚卸し 2. 知識ベースの体系化（ドキュメント/コード規約等） 3. プロジェクト要件の明確化 4. フィードバックループの確立 このようなルールをプロンプトに含めることで、生成結果が大幅に改善します。 Awesome CursorRulesやrules_templateなどのリポジトリを参考にしてください。 最終的には自プロジェクトの規模と運用フローに合わせてテンプレをスリム化する と、Cline の推論コストを抑えつつ高精度なアシストを得られます。 33
34. 3. ガードレールの構築の手引き 34
35. 70%問題とは何か 生成AIの"Vibe Coding"がもたらす根本的な課題 70%は正確だが、残りの30%が致命的 AIは「だいたいあってる」精度でIaCを生成 IaCでは小さなミスが大惨事に直結 「優秀なはずだけど確認を怠る若手開発者」のような振る舞い 35
36. 70%問題の本質 残りの30%を確実にする労力 70%を登ってきた経験なしで30%を超える難しさ 「砂上の楼閣」インフラの回避が本質的な課題 AIの限界を認識することが重要 完全自動化への過信は危険 人間による検証と理解が不可欠 36
37. 生成AI時代のガードレールの重要性 (1/3) 安全性と信頼性の向上 本番環境への安全なデプロイを保証 設定ミスの自動検出 生成AIに対して斜に構えるのではなく積極的に活用する姿勢が重要 ガードレールによって細かいハルシネーションを防止し、70%の精度を担保 AIが見落としがちな設定ミスによるダウンタイムを削減 人間が見逃しやすいエッジケースの捕捉 生成AIは再現性が担保されているわけではない 一貫性のある検証の適用 37
38. 生成AI時代のガードレールの重要性 (2/3) 開発者体験の向上 AIが提案する変更に対する確信と心理的安全性の確保 「これで大丈夫」という確信の提供 失敗への恐れを軽減 人間によるレビュー工数の戦略的削減 注力すべきポイントの明確化 単純ミスの自動検出 38
39. 生成AI時代のガードレールの重要性 (3/3) 組織的メリット 組織全体での標準化と一貫性の担保 個人の能力差に依存しない品質確保 ベストプラクティスの自動適用 イノベーションと規制のバランス 過度な制限によるイノベーション阻害の回避 創造性を維持しながらの安全性確保 39
40. 生成AIへの過信がもたらした教訓 (1/2) 実際の教訓 1. 検証の自動化の必要性 人的レビューだけでは見落としが発生 「見た目は良い」コードの危険性 2. 多層防御の重要性 設計・実装・運用の各段階での検証 単一の検証方法への依存は危険 40
41. 生成AIへの過信がもたらした教訓 (2/2) 3. 継続的監視の価値 デプロイ後も定期的な検証が必須 環境変化による新たなリスクの検出 4. コンテキスト理解の重要性 AIは全体的な文脈を把握しづらい ドメイン固有の制約を理解させる工夫が必要 41
42. IaCの検証はコード生成の検証とは本質的に異な る (1/2) 根本的な違い コード生成の検証はコードの品質を担保 構文エラー、ベストプラクティス準拠など IaCの検証はインフラの品質と動作を担保 実際のリソース作成・更新の正しさ 運用環境での挙動の予測 42
43. IaCの検証はコード生成の検証とは本質的に異な る (2/2) なぜこの違いが重要か 開発者視点とインフラ視点の融合が必要 コード品質だけでは不十分 実際の動作検証が必須 AIはコードの見た目の正しさに強いが、動作の正しさには弱い 構文的に正しくても実行時に問題が発生 複雑な依存関係の理解が難しい 43
44. IaCのガードレールを敷設する場所(1/3) 1. コード品質検証 構文、形式、静的解析、コーディング規約 基本的な品質の担保 2. セマンティック検証 リソース間の整合性、依存関係の正確性 論理的な矛盾の検出 3. セキュリティ検証 脆弱性スキャン、最小権限原則の適用 セキュリティリスクの事前検出 44
45. IaCのガードレールを敷設する場所(2/3) 4. コンプライアンス検証 組織ポリシー、法規制、業界標準への適合性 規制要件の自動的な確認 5. コスト最適化検証 リソース効率、予算管理、無駄の排除 予期せぬコスト増加の防止 6. 変更影響分析 変更範囲の把握、依存サービスへの影響 予期せぬ副作用の検出 45
46. IaCのガードレールを敷設する場所(3/3) 7. テスト自動化 ユニットテスト、統合テスト、E2Eテスト 実際の動作確認の自動化 8. 運用準備性検証 モニタリング、トレーシング、ロギング、バックアップ、復旧手順 運用視点での検証 9. デプロイ戦略検証 段階的デプロイ、ロールバック計画の評価 安全なデプロイの保証 46
47. 継続的検証と改善サイクル (1/2) 主要なチェックポイント Pull Request時の自動検証 コミット前の早期フィードバック 問題の早期発見と修正 定期的な既存リソース検証 設定ドリフトの検出と修正 新たなセキュリティリスクの識別 47
48. 継続的検証と改善サイクル (2/2) 環境ごとの段階的検証 開発→検証→本番の段階的な検証強化 環境特性に合わせた検証戦略 デプロイ前の最終確認 総合的なリスク評価と承認プロセス ポイントオブノーリターンの設定 48
49. 避けるべきアンチパターン (1/2) 1. 検証の先送り 「後でまとめてチェックする」という罠 問題の蓄積と複雑化 2. 過度な警告抑制 警告を無効化して問題を隠蔽 技術的負債の暗黙的増加 49
50. 避けるべきアンチパターン (2/2) 3. 検証なしの自動修正 非互換性や副作用のリスク増大 責任の所在の不明確化 4. 一発本番適用 テスト環境でのドライランスキップ リスク評価の欠如 50
51. 認知負荷を下げるためのガードレール (1/2) ガードレールの戦略的選定 目的別の最適ツール選定 動的検証、静的解析、セマンティック検証 組み合わせによる多層防御 ルール設定のカスタマイズ 業界ベストプラクティス 組織固有ポリシー 51
52. 認知負荷を下げるためのガードレール (2/2) フォールスポジティブの戦略的管理 重要度に応じた扱い分け 誤検出の継続的改善 自動修正機能の活用 スタイルや軽微な問題の自動修正 人間の注力すべきポイントの明確化 52
53. ガードレールの進化 プロンプトのコンテキスト情報がガードレールの判断基準に 意図の明確化による検証精度向上 PR-Agentなどによる自然言語のコンテキスト情報の活用 正しい判断のための追加情報の活用 意図とチェック内容の一貫性確保 設計意図に基づく検証 「なぜ」の理解に基づく検証の高度化 53
54. ガードレールの進化 修正パターンの学習と自動適用 反復的な問題の自動解決 経験の蓄積と活用 プロンプト改善の自動提案 より良い結果を生むプロンプトの学習 未然防止アプローチの強化 ガードレール自体の継続的最適化 誤検出の削減 検出精度の向上 54
55. 4. ガードレールを超えて行動するMCP 55
56. Model Context Protocol (MCP)の概要 (1/3) 定義と基本原理 AI大規模言語モデルが外部ツールやデータにアクセスするためのプロトコル モデルが質問生成 → 外部システムが回答 → AIが情報統合 前章のガードレールとの関係 ガードレールは「AIの出力を制限する」アプローチ MCPは「AIの入出力を拡張する」アプローチ 両者の組み合わせで真の可能性を引き出す 56
57. Model Context Protocol (MCP)の概要 (2/3) Rules方式との根本的な違い Rules: 事前にすべての情報をコンテキストに埋め込む（静的） MCP: 必要な情報を実行時に動的に取得（動的） AIの視野を広げる意義 70%問題の新たな解決策 最新情報やコンテキスト特化情報の活用 「知っていること」と「アクセスできること」の融合 57
58. Model Context Protocol (MCP)の概要 (3/3) MCPの動作メカニズム 1. AI: 「追加情報が必要」と判断 質問に答えるために不足している情報を特定 具体的なクエリを生成 2. AI: 情報取得のためのクエリを生成 構造化されたクエリの作成 適切なデータソースの選択 58
59. Model Context Protocol (MCP)の動作続き 情報取得と処理のフロー 3. 外部システム: 情報を収集・返却 クエリに基づく情報取得 フォーマット変換・最適化 4. AI: 情報をコンテキストに統合し応答 取得情報の理解・解釈 ユーザーの質問と関連付けた回答生成 59
60. MCPとガードレールの補完関係 相互補完的な関係 ガードレール：出力の「安全 性」 「品質」を確保 MCP：入力の「情報量」 「正確 性」を向上 品質向上サイクル MCP → より良い情報 → より良 い生成 → ガードレールでチェッ ク 60
61. MCP実装の技術選定ガイド (1/2) 技術選定の判断基準 1. 既存システム状況 既存APIの有無と品質 認証・認可の仕組み 統合難易度 2. 要件の複雑さ 必要データの多様性 リアルタイム性要求 エラー処理の複雑さ 61
62. MCP実装の技術選定ガイド (2/2) 3. 運用面の考慮 保守性とスケーラビリティ モニタリングと監査の容易さ セキュリティとデータ保護(riseandignite/mcp-shieldなどがある) 4. コスト効率 APIコールの頻度と量 データ転送コスト 実装・維持コスト 62
63. AWS MCP Servers (1/2) 出典: https://github.com/awslabs/mcp AWS Documentation MCP Server AWS公式ドキュメント検索 サービス・API・パラメータ情報取得 ベストプラクティス参照 Bedrock Knowledge Bases MCP Server カスタムナレッジベース連携 自社ドキュメント・Wiki活用 独自Q&Aデータベース 63
64. AWS MCP Servers (2/2) 出典: https://github.com/awslabs/mcp CDK MCP Server AWS CDKプロジェクト支援 コンストラクト情報参照/プロパティ・メソッド詳細 Terraform MCP Server Terraformプロバイダー情報参照 リソース・データソース詳細/モジュール構造解析 Lambda MCP Server 任意のLambda関数をMCPツールとして実行 カスタムインテグレーション 64
65. kubectl-ai: Kubernetes用AIアシスタント (1/2) 出典: https://github.com/GoogleCloudPlatform/kubectl-ai 概要 Google Cloudの大規模言語モデルを活用したkubectl プラグイン 自然言語でKubernetesクラスタを操作 クラスタ状態を考慮した応答生成 MCPとしても利用可能 https://github.com/GoogleCloudPlatform/kubectl-ai 65
66. kubectl-ai: Kubernetes用AIアシスタント (2/2) 実用的なコマンド例： # デプロイメント作成 kubectl ai "nginxのDeploymentを作成して、レプリカ数は3、リソース制限ありで" # トラブルシューティング kubectl ai "なぜPodがPendingのままなのか調査して" # スケーリング操作 kubectl ai "payment-serviceのレプリカを3から5に増やして" 66
67. kubectl-aiの活用パターン # リソース最適化 kubectl ai "すべてのDeploymentのリソース使用状況を分析し、最適化案を提示して" # セキュリティ診断 kubectl ai "クラスタ内の潜在的なセキュリティリスクを検出して" 複雑なKubernetes操作を自然言語で実行可能に 現在のクラスタ状態に基づいた適切な提案 特定の状況に合わせたトラブルシューティング 67
68. 各種サービスのMCP実装例 各サービスベンダーもMCP実装を進めています。人の夢は!!! 終わらねェ!!! Datadog MCP(非公式) 監視データやログの自然言語分析 インシデント検知と障害対応支援 PagerDuty MCP(非公式) PagerDutyのAPI機能をLLMに提供 インシデント、サービス、チーム管理が自然言語で可能 68
69. MCPエコシステムの拡大 サービスベンダー視点 差別化ポイントとしてのMCP 製品の使いやすさ向上 ユーザー体験の向上 ユーザー視点 複数ツールの統合インターフェース ツール間の文脈の維持 学習コストの削減 -> ユーザーはドキュメントやコードに質問できる 69
70. ドキュメントやコードに質問できる意義 (1/2) 従来のアプローチの限界 キーワード検索の精度限界 暗黙知のドキュメント化困難 コンテキスト理解の欠如 情報の断片化 ドキュメント間関連性把握の困難さ 70
71. ドキュメントやコードに質問できる意義 (2/2) MCPによる質的変化 自然言語による意図理解 複数情報源からの統合回答 コンテキストに応じた関連情報提供 文脈の維持 説明を含む回答生成 理解しやすい情報提示 71
72. MCPとガードレールの統合による未来 MCPによる情報アクセスの拡張 必要な情報へのリアルタイムアクセス 文脈に応じた最適な情報提供 ガードレールによる安全性確保 生成コードの品質担保 リスクの最小化と自動修正 協調的な開発フロー AIが提案、人間が判断という役割分担 70%問題の克服と開発体験の向上 72
73. MCPの課題と現実的な限界 レスポンス時間の増加 外部API呼び出しによる遅延 複数ソースへのアクセスによる待ち時間 情報統合の難しさ 矛盾する情報の調停 コンテキスト長の制限との兼ね合い 73
74. MCPの課題と現実的な限界 ハルシネーション問題は依然として存在 情報アクセスは改善するが、解釈ミスの可能性は残る 特に複雑な依存関係の理解に課題 70%→100%ではなく、より現実的には70%→80%程度 人間による最終確認は依然として重要 自動化と人間の判断のバランスが鍵 斜に構えてたら終わる実感は持っている 74
75. 5.まとめ 75
76. まとめ 生成AIとIaCの相性の悪さとその解決策 ガードレールの敷設、MCPの導入、プロンプト 設計の5原則 プロンプト設計は5原則で品質向上 方向性・フォーマット・例示・評価・分割 IaCの70%問題はガードレールとMCPと人間で解決 多層検証＋ルール化で信頼性担保 76
77. え、実践的なガードレールの敷設は？ 今回は方向性だけ示しまし た。それぞれのガードレール の設定方法は各自でやってく ださい。参考リンクにいくつ か紹介リンクを載せていま す。75％ぐらいは作ってくれ ると思います。 77
78. 参考リソース OPA（Open Policy Agent） Kyverno AWS MCP Servers kubectl-ai kube-linter Trivy Conftest Datree PR-Agent hadolint 78
79. 参考リンク Dynamic Admission Control Validating Admission Policy Terrascan Infracost Checkov Pluto Sealed Secrets 79
80. 参考リンク MCPのドキュメント tflint tfsec kube-score Argo Rollouts Argo CD Kubernetesで実践する Platform Engineering AI Engineering 80
81. ありがとうございました ご質問・ご相談はお気軽にお問い合わせください @nwiizo | https://3-shake.com