ファインディ株式会社における生成AI活用までの軌跡

Transcript

1. © Findy Inc. 2025.08.04 Findy AI Meetup in Fukuoka #1 ファインディ株式会社における ⽣成AI活⽤までの軌跡 1 ファインディ株式会社 テックリード ⼾⽥ 千隼 @starfish0206
2. © Findy Inc. 2 今⽇話すこと • ファインディの開発⽂化 • ⽣成AI活⽤のための事前準備 • ⽣成AI時代のファインディの開発現場 • まとめ
3. © Findy Inc. 3 ファインディの開発⽂化
4. © Findy Inc. 4 タスク分解 • 開発に⼊る際に、⼀番最初に着⼿する • GitHubのIssueにタスクリストを作成し、実装着⼿前にレビューしてもらう • タスクの内容、対応する順番などを確認して実装着⼿前に認識を合わせる • 事前に対応漏れや考慮漏れに気づきやすくなり、⼿戻りが減る • 進捗管理、引き継ぎ時の資料にも活⽤できる
5. © Findy Inc. 5 Pull requestの粒度 • 10のプルリクを1回レビューするよりも、1のプルリクを10回レビューする⽅が良い • Conventional Commit/Semantic Version • 適切な粒度を維持するためにも、タスク分解のスキルが必要不可⽋ • レビュー最優先
6. © Findy Inc. 6 テストコードとCI/CD • 動作を保証するテストコードを同じPull request内で⽤意することをマスト • カバレッジよりもシステムを守ることができているかの視点を重視 • CIはスピードに拘る ◦ 5分を越えたら遅い ◦ キャッシュや並列化などを駆使している • CDは⾃動化に拘る ◦ ボタン⼀つでリリース⽤Pull requestが作成される
7. © Findy Inc. 7 統⼀されたコーディング規約とコード設計 • スタイルガイドを採⽤し、コーディング規約を統⼀ • アーキテクチャやデザインパターンを統⼀ • 新規プロジェクト開始時に流⽤できる ドキュメンテーション • READMEを整備して、JOIN初⽇にPull requestを作成できるようにしている • オンボーディング、オンゴーイングを整備、運⽤ • APIドキュメントを整備
8. © Findy Inc. 8 ファインディの開発⽂化 • コードを書く前準備を重要としている • 環境や⾃動化、スピードに拘る • ⼀つ⼀つはとても⼩さな事で、それをしっかりとやり切ってきた • これまでの積み重ねが、開発組織の⽂化となっている • 着実に積み重ねたものは強い
9. © Findy Inc. 9 ⽣成AI活⽤のための事前準備
10. © Findy Inc. 10 既存コードの最適化 • 不要なコードを削除 ◦ ⽣成AIが不要なコードも学習してしまい、不適切な提案をする • コーディング規約に従った統⼀されたコードベース • アーキテクチャやデザインパターンを統⼀させる
11. © Findy Inc. 11 タスク分解 • ⽣成AIには具体的な内容を、段階的に命令するのが良い ◦ 1度に参照するスコープを絞るのがポイント • そのため、対応内容を細かいタスクに分類することが必要不可⽋ • Claude CodeやKiroが得意 適切な粒度のPull request • ⽣成AIに対して「これを実現させるためにはこの修正が必要」とピンポイントで学習させ ることができる • プロンプトの精度にも繋がってくる ◦ ⽣成AIで実⾏するプロンプトは可能な限り単⼀責務の⽅が実⾏結果の精度が⾼い
12. © Findy Inc. 12 テストコード • テストコードを整備しておくことで、⽣成AIが仕様を理解しやすくなる • ⽣成AIが既存コードを修正した時に、修正内容が正しいのかどうかの判定材料になる • ⽣成AIが道を外れないためのガードレールとなってくれる ドキュメンテーション • README ◦ 学習対象となっており、⽣成AIが実⾏するタスクに影響する • docコメントやAPIドキュメント ◦ 内部実装やAPIの仕様を⽣成AIが理解するために重要なリソース • カスタムインストラクション ◦ ⽣成AIが汎⽤的に読み込むガイドライン ◦ READMEや各種ドキュメントを元に⾃動⽣成できるケースもある
13. © Findy Inc. 13 おわかりいただけただろうか？
14. © Findy Inc. 14 ファインディの開発⽂化と⽣成AI • ⽣成AIを⾜したのではなく、今までやってきたことの延⻑線上に⽣成AIが乗っかって来た ◦ そもそもの開発⽂化がAIフレンドリーだった ◦ ⽣成AIを導⼊して⼀時的に⽣産性が落ちた。といったことは⾒られなかった ◦ これまでの積み重ねが、⽣成AIとの協業を可能にしている • ⽣成AIを効果的に使うためには、ガイドライン整備、AIフレンドリーなドキュメント、統 ⼀されたコードベースが必要不可⽋ • ⽣成AIフレンドリーな開発組織、⽂化、環境になっていた ◦ 必要なものを整備することに対して投資することができる組織⽂化
15. © Findy Inc. 15 ⽣成AI時代のファインディの開発現場
16. © Findy Inc. 16 テックブログの壁打ち • テックブログの執筆内容を壁打ちしてくれるSlack botを作成 ◦ Slackのメッセージでやり取りして、インタラクティブに壁打ちをしてくれる • ChatGPTとタイトル案の壁打ち ◦ 内容からタイトル案を複数出してもらう ◦ 良い感じの単語が出れば、その単語を使ってタイトル案を複数出してもらう
17. © Findy Inc. 17 ミーティングの議事録はAIが⾃動⽣成 • ミーティングの内容をGoogle MeetやZoomで録画 • 録画内容を⾃動的にサマリして、議事録を⾃動⽣成してもらう ◦ Notebook LMやZoom AI Companionが便利 ◦ Googleカレンダーに⾃動で議事録へのリンクが⼊るのが便利 • ミーティング中は議論や会話に集中することができる
18. © Findy Inc. 18 カスタムインストラクション • ⽣成AIに対して独⾃の設定や条件を、あらかじめ設定することができる ◦ 特定のファイルに⾃然⾔語で記載する • AI Agentごとに設定ファイルが必要 • 汎⽤的な内容と、ケースに応じた内容を分けて記載すると効果的 ◦ ⽤途に応じてファイルを分割する流れに変わってきている？？？
19. © Findy Inc. 19 ⼩さいタスクはDevinにお任せ • ⼀括置換や軽微なリファクタといったタスクはDevinにお任せ ◦ SlackからDevinに依頼してPull requestを⾃動作成 ◦ 個⼈のアウトプットが1.5倍に! • DevinでTerraformのコードを変更してPull requestを作成 ◦ SlackのワークフローでDevinへの命令を定型化 ▪ AWSやGitHubの権限追加をDevinで⾃動化 ◦ ステージング環境のソースコードをベースに本番環境を構築
20. © Findy Inc. 20 AI Agentで⾃律的かつ並列に開発 • Claude Code ActionやGitHub Copilot Coding Agentを活⽤ • 複数のタスクをAI Agentで⼀度に対応してもらう • GitHubのIssueに要件とタスクを記載 ◦ タスク分解のスキルが活きる ◦ Claude CodeやKiroが得意 • Kiroでタスク分解や設計を⾏い、Claude Codeで実装という流れが良いかも？
21. © Findy Inc. 21 Model Context Protocol • MCPを使うことで⽣成AIの活⽤の幅を広げている ◦ GitHub ▪ Issueを取得、Pull requestを作成 ◦ Sentry ▪ 不具合の情報を取得して、そのまま⽣成AIに渡して⾃動修正 • MCPサーバーを内製できるように環境整備
22. © Findy Inc. 22 カスタムスラッシュコマンド • Claude Codeの機能で、頻繁に使うプロンプトを定義することができる ◦ nx migrateを⾃動で実⾏する ◦ GitHubのIssueを取得して、タスク分解から実装、Pull requestまで⾃動化 ◦ 特定のリポジトリの最新の更新情報を取得して要約して表⽰ ◦ 定型化できる実装コードの⾃動⽣成 ◦ Localの環境構築を⾃動化 • 引数やMCPを利⽤したり、カスタムスラッシュコマンドから別のコマンドを実⾏できる
23. © Findy Inc. 23 まとめ
24. © Findy Inc. まとめ 24 • ⽇々の⼩さな改善の積み重ねが、現在の開発組織の⽂化を作り上げた ◦ その結果、⽣成AIと⾃然に協働できる「AIフレンドリーな組織⽂化」となっていた • ⽣成AIとの協働は1⽇にして成らず ◦ 事前準備や環境、ガードレールの整備の⼩さな積み重ねが重要 • 結局のところ、やるべきことは変わらない ◦ ⼈が開発しやすくすることが、⽣成AIのガードレール整備に繋がる • 興味がある⽅は、ぜひカジュアル⾯談しましょう
25. © Findy Inc. ご清聴ありがとうございました 25