
iOS
イベント
該当するコンテンツが見つかりませんでした
マガジン
技術ブログ
みなさん、こんにちは。AWS ソリューションアーキテクトの木村です。 11 月も半ばになり、 AWS re:Invent 2026 (11 月 30 日〜12 月 4 日、ラスベガス) まであと 2 週間となりました。今週のブログでも re:Invent のセッションガイドがいくつか公開されているので、参加予定の方はスケジュールづくりの参考にしてください。 「 AWS ジャパン生成 AI 実用化推進プログラム 」は、通年で応募を受け付けています。プログラムの 1 コースである「 フィジカル AI 開発支援プログラム by AWS ジャパン 」第 2 期は、応募締め切りが 11 月 30 日 (月) に延長されています。 毎週オンラインで開催している「 AWS セキュリティハンズオン 」は、11 月 18 日の「AI エージェントと進めるマイグレーション・モダナイゼーション」をはじめ、11 月中にあと 4 回開催されます。 それでは、11 月 9 日週の生成 AI with AWS界隈のニュースを見ていきましょう。 さまざまなニュース 国内事例ブログ AWS生成AI国内事例ブログ「東京製鐵株式会社が挑む、一人ひとりの生産性向上への道 ― AI コーディングツール Kiro の全社導入で、スタッフが自ら業務システムを内製する文化へ」を公開 東京製鐵株式会社様は、鉄スクラップを電気炉で溶かして鋼材を製造する国内最大手の電炉メーカーです。業務システムやノウハウが工場・部門ごとに分散し、システム開発も外部委託が中心で費用がかさむという課題がありました。これを解決するために、Kiro を全社に導入し、ステアリングと権限設定による利用ルールと各拠点での体験会を整え、プログラム未経験のスタッフも業務システムを内製できるようにしました。その結果、クレーン制御プログラム 60 日分の作業を 1 日で終え、20 分かかっていた図面探しを数秒にするなどの成果を出しており、情報システム部門以外の使用率も 82.4% に伸びています。今後は社内アプリカタログ「TokyoAppStore」で、作ったものの価値を同じ基準で評価していく予定です。 AWS生成AI国内事例ブログ「国内大手製造業のグローバル製品サポートを支える Amazon Bedrock AgentCore Runtime V2」を公開 国内大手製造業様は、30 以上の言語で製品のオンラインマニュアルを提供しています。多言語のサポートチャットでは、翻訳や本文取得の処理が増え、応答を 10 秒以内に収めることが課題でした。これを解決するために、 Amazon Bedrock AgentCore Runtime V2 上の Strands Agents で英語の索引から対象言語の本文を取得して Claude Haiku 4.5 で回答する仕組みを作り、会話文脈は AgentCore Memory で保持する仕組みを構築しました。その結果、1 日数百のリクエストに 10 秒以内の応答を一貫して実現しています。今後は利用者を増やし、検索基盤を Amazon Bedrock Managed Knowledge Base へ移す開発を進めています。 AWS生成AI国内事例ブログ「業務部門が自分で改善できる AI Ready Data を作る ― AI がどれだけ賢くなっても解決できないこと」を公開 株式会社 IHI 様は、AWS プロフェッショナルサービスとともに、AI で社内資料を探せる仕組みづくりに取り組みました。図面では「HX-2」、見積書では「二次加熱器」と書くような社内固有の呼び方が多く、担当者が自分で資料を見つけられないという課題がありました。これを解決するために、構造・語彙・業務知識の 3 つの知識グラフを Amazon Neptune に持ち、Amazon Bedrock が検索文を組み立てるアーキテクチャを導入しました。その結果、数千件の過去資料を探せるようになり、利用者からは「自分だったら絶対に見つけられなかった部品を見つけられた」という声が出ています。今後は業務部門が知識グラフを育て、DX 推進部門が他部門へ横展開していく予定です。 ブログ記事「AIが進め、人が決める ― AI駆動開発の本当のボトルネックはどこにあったか」を公開 三井物産グループのウェルネス企業である MBK Wellness 株式会社様と、役員 4 名を含む 22 名で実施した 1 日の AI-DLC ワークショップの開催報告です。この記事では、各チームが実案件を持ち込み、要件定義からモックアップまでを「AI が進め、人が決める」形で進めた様子を紹介しています。連携先の API が読み取り専用と分かった場面でその場で仕様を組み替えた話から、ボトルネックが技術より意思決定にあることがよく伝わります。 ブログ記事「製造業 7 社が率直に語った AI エージェント全社基盤の実践と課題:生成 AI 基盤・活用推進 ラウンドテーブル 2026年10月 開催報告」を公開 2026 年 10 月 26 日に AWS 麻布台ヒルズオフィスで、製造業 7 社 20 名が AI エージェントの全社基盤づくりを語り合ったラウンドテーブルの開催報告です。この記事では、各社の発表テーマに加えて、権限を検索条件で表すと権限が増えるほど検索が難しくなるといった、複数社に共通した課題を紹介しています。資料には書きにくい失敗談が率直にまとめられていて、全社基盤を作っている方に参考になる内容です。 セキュリティ ブログ記事「【開催報告 & 資料公開】Claude Mythos 時代の AWS セキュリティ対策 ~ AWS Security Agent ご紹介 ~」を公開 2026 年 7 月 30 日に開催した AWS 公共パートナーネットワーク (PSN) セミナーの開催報告で、資料も公開されています。この記事では、CVE 公開からエクスプロイトまでの平均時間が 2021 年の 1 年から 2026 年には 1 日以内に縮んだという脅威の変化と、ペネトレーションテスト機能が一般提供された AWS Security Agent を紹介しています。対策を短期と中長期に分けて整理している点が参考になります。 ブログ記事「脅威アクターが ARTEX の AI エージェントで展開するサイバー犯罪キャンペーンを Amazon Threat Intelligence が観測」を公開 Amazon のデジタルおとりセンサー網 MadPot が、オープンソースのペネトレーションテストフレームワーク ARTEX 上で動く攻撃者の AI エージェントの通信を捕捉しました。この記事では、公開された AI アプリケーションから AI モデルの API キーを盗んで探索費用に充てるキャンペーンや、ディープフェイクで暗号資産取引所の本人確認を狙ったキャンペーンを紹介しています。手法は既知のものなので、デフォルト認証情報やキー管理を見直すきっかけになります。 ブログ記事「【開催報告】ランサムウェアに備える「防御」「復旧」「説明責任」— AI エージェント時代に見直す対策と次の一歩」を公開 2026 年 10 月 26 日に、84 名のお客様とランサムウェア対策を「防御」「復旧」「説明責任」の 3 つの軸で見直すセミナーを開催しました。この記事では、AI で脆弱性が短時間で大量に見つかる今、後回しにしてきた対策の水準を一段上げる必要があるという基調講演や、AWS とパートナー各社のセッションをレポートしています。GuardDuty の AI-powered investigations など、今日から有効化できる対策がまとまっています。 ブログ記事「Amazon Bedrock を活用したアプリケーションの設計に信頼と安全性を組み込む」を公開 Amazon Bedrock の基盤モデルには安全メカニズムがありますが、本番環境では監視やガードレールを自分たちで重ねることも大切です。この記事では、責任ある AI のライフサイクルに沿った安全対策と、AWS Trust & Safety チームから不正使用の報告を受けたときに 24 時間以内の受領連絡から調査、是正、報告まで進める手順を紹介しています。Bedrock のモデル呼び出しログはデフォルトでオフなので、有効化を確認しておきましょう。 ブログ記事「Amazon Bedrock AgentCore Policy がエージェンティックワークフローの保護に Cedar を採用した理由」を公開 AgentCore Policy は、AgentCore Gateway を経由するエージェントのツール呼び出しを、エージェントの外側で決定論的に認可する仕組みです。この記事では、ポリシー言語に Cedar を選んだ理由として、ポリシーを数式にエンコードし、競合するポリシーや常に許可してしまうポリシーを自動推論で検出できる分析可能性を解説しています。unless 句に条件を足すと逆に許可範囲が広がる例は、ポリシーを書く方なら一度見ておく価値があります。 ブログ記事「AI を活用したコンプライアンスエビデンス収集システムの構築」を公開 コンプライアンス監査では、数百枚のスクリーンショットを手作業で取得することも珍しくありません。この記事では、Amazon Bedrock の Amazon Nova 2 Lite がコンプライアンス文書からワークフロー JSON を生成し、ブラウザ拡張機能がタイムスタンプ付きのスクリーンショットを取得して Amazon S3 に保存する仕組みを紹介しています。API がないシステムでも証跡を集められるので、監査対応の負担を減らしたい方におすすめです。 Kiro ブログ記事「Kiro の「Approve for me」のご紹介」を公開 承認の確認が多すぎて trust-all-tools をオンにしていた方に向けた Kiro の新機能です。この記事では、権限のルールに当てはまらない操作を LLM がレビューし、安全なものは自動で承認、危険なものはブロック、判断できないものはユーザーに確認する「Approve for me」の仕組みと有効化手順を紹介しています。社内では LLM がレビューした操作の約 97% が確認なしで処理され、レビュー時間の中央値は 1 秒未満だったそうです。 ブログ記事「Kiro for Android のご紹介」を公開 Kiro for Android が Google Play で提供開始されました。この記事では、スマートフォンから新しいクラウドセッションを始めたり、CLI や IDE で動いているセッションを引き継いで Kiro の質問に答えたり、モバイル向けのカードで差分をレビューして PR 作成まで進めたりする使い方を紹介しています。通勤中に指示を出し、デスクに戻ったら PR ができている、という進め方ができそうです。iOS 版は引き続きプレビュー中です。 ブログ記事「Grok 4.7 が Kiro で使えるようになりました」を公開 SpaceXSI 社の Grok 4.7 が Kiro IDE、CLI、Crew、Web で使えるようになりました。この記事では、長いタスクでも次に進む前に自分の作業を確かめる Grok 4.7 の特徴と、Kiro のスペック駆動開発との相性を紹介しています。SpaceXSI 社の公表値では Terminal-Bench 4.0 が Grok 4.6 の 20.3% から 37.6% に上がり、価格は 100 万トークンあたり入力 $2、出力 $6 です。 AWS Quick ブログ記事「プロの仕事には、プロの道具を。AWS Quick のご紹介」を公開 Amazon Quick が AWS Quick に名称を変え、AWS Quick として初めてのブランドキャンペーンを米国と英国で始めました。この記事では、消費者向けのバージョンを持たず最初から仕事のために作られた AI ワークスペースという Quick の立ち位置と、IT 管理者でもチャット履歴を見られないといった信頼の仕組みを紹介しています。新しい名前には、最初から備わっていたエンタープライズ向けのセキュリティとガバナンスを表す意図があるそうです。 ブログ記事「AWS Quick のスキルとエージェントの仕組み」を公開 AWS Quick では、週次報告の作り方のような繰り返しの作業手順をスキルにまとめ、エージェントに読み込ませられます。この記事では、Agent Skills 仕様に準拠したスキルの構造と、チームで共有する本番用スキルを作るときのベストプラクティス (失敗時の対応を指示に書く、変更のたびにテストするなど) を紹介しています。共有したエージェントは利用する人の権限で動くため、使うスキルやスペースを絞っておくという注意点は見落としがちです。 ブログ記事「AWS Quick のチャットエージェントを企業アプリケーションに埋め込む」を公開 AWS Quick の埋め込みチャットを使うと、CRM やサポートコンソールなどのアプリケーションの中から Quick のチャットエージェントを呼び出せます。この記事では、Amazon Cognito による OAuth 2.0 認証や JWT の署名検証、ユーザーごとの有効期限付き埋め込み URL の生成を備えたポータルを、AWS CDK でまとめてデプロイできるサンプルを紹介しています。認証まわりを自前で作り込む手間を省きたい方に参考になります。 ブログ記事「AWS PrivateLink で企業ネットワークから AWS Quick へのアクセスを保護する」を公開 AWS Quick の AI エージェントやダッシュボードから、社内ファイアウォールの内側のデータを使うための構成ガイドです。この記事では、ユーザー向けの通信を AWS PrivateLink の VPC エンドポイントで、Quick からオンプレミスのデータベースへの通信を VPC 接続で処理し、パブリックインターネットを通さずにつなぐ手順を紹介しています。VPC エンドポイント非対応の外部ドメイン一覧もあり、閉域網での導入を検討中の方に役立ちます。 ブログ記事「AWS Quick の Smart Approvals: 必要なところに人の監督を」を公開 AI エージェントがアクションのたびに承認を求めると、確認が繰り返されて注意力が下がりがちです。この記事では、AWS Quick の Smart Approvals が別の分類器モデルで各アクションをユーザーの依頼と照らし合わせ、依頼の範囲内なら自動承認し、組織外への送信や権限変更などは人に戻す仕組みを紹介しています。資料のメモにあった約 2,000 人の配布リストへの送信を差し戻す例は、間接的なプロンプトインジェクション対策としてもわかりやすいです。 ブログ記事「AWS Quick をエンタープライズ対応に: 自動化され監査も可能な、アカウント間のリソース昇格」を公開 AWS Quick のエージェントやコネクタ、ナレッジベースを開発用から本番用のアカウントへ移すには、これまで手作業での作り直しが必要でした。この記事では、Amazon Bedrock AgentCore Runtime 上で動く MCP サーバー「Quick Resource Migrator」を使い、権限ごと冪等にリソースを昇格させる仕組みを紹介しています。更新前に Amazon S3 へバージョン付きのバックアップを取るので、以前の状態にも戻せます。 その他のニュース ブログ記事「臨床開発の AI 活用はどこまで進んだのか? 2026年 4つの業務で見る現在地」を公開 2026 年は、臨床開発の 4 つの業務領域すべてで、AI 活用が PoC から実装に移る事例が出そろいました。この記事では、グローバル製薬企業や塩野義製薬様の事例を業務領域ごとに整理し、成果を分けているのは AI モデルの選択ではなく、データとコンテキストの整備やプロセスの組み替えだという共通点を紹介しています。ICH M11 への対応を AI 活用の土台づくりの起点にするという、日本の製薬企業への提案も参考になります。 ブログ記事「GxP 環境で AI エージェントを構築するためのガイド」を公開 製薬や医療機器など GxP 規制の対象となるシステムでは、AI エージェントが安全かつ有効であることを規制当局に示す必要があります。この記事では、FDA の CSA ガイダンスに沿ってリスクを評価し、リスクレベルに応じた予防的・発見的・是正的統制を Amazon Bedrock AgentCore などの AWS サービスで実装する方法を紹介しています。訳注で 2026 年 11 月時点の FDA や EU の規制動向が補足されているのもありがたいです。 ブログ記事「Rivian が Amazon Bedrock 上の AI エージェントで財務オペレーションを加速した方法」を公開 電気自動車メーカーの Rivian 様が、Amazon Bedrock AgentCore 上の AI エージェントで、月次決算のサイクルあたり 15 日を超える手作業を削減しました。この記事では、会計計上の手順を自然言語の SOP として Knowledge Bases に置き、エージェントが MCP サーバー経由で SAP S/4HANA を操作する構成を紹介しています。SAP への転記前に財務マネージャーが承認する設計も参考になります。 ブログ記事「CFO は次の四半期に SAP AI の成果を求めている – どこから始めるべきか」を公開 SAP のワークフローを AI エージェントが実行する 7 つのユースケースを紹介するシリーズの第 1 回です。この記事では、Amazon Bedrock AgentCore を中心とした 4 層の共通アーキテクチャと、サプライヤーの PDF やメールから SAP Global Trade Services の輸入申告を作成するユースケースを紹介しています。信頼度がしきい値を下回ると人に引き継ぐ設計で、GitHub にサンプルもあります。 ブログ記事「従来の市場価格追跡を超えて: SAP のお客様向け生成AIソリューション」を公開 競合の価格を手作業で追っている SAP 小売企業向けのソリューションです。この記事では、SAP の製品データをもとに ECS Fargate 上の Strands Agents が Playwright でオンラインマーケットプレイスを巡回して価格とレビューを集め、結果を SAP に戻す仕組みを紹介しています。月 10,000 件の URL を処理して推定月額 $103.58 というコスト試算も参考になります。 ブログ記事「AWS Emulator を使用してローカルで AWS に対してアプリケーションをテストする」を公開 2026 年 11 月 11 日に、ローカルで動く AWS のエミュレーター AWS Emulator が追加料金なしで一般公開されました。この記事では、AWS CLI や AWS SDK をローカルの HTTPS エンドポイントに向けて使う手順や、Kiro に DynamoDB の操作を任せるデモを紹介しています。エミュレーター自体を Amazon Bedrock AgentCore 上のエージェントが実装・保守しているという点も興味深いです。 ブログ記事「SAP のお客様向けに Amazon のサプライチェーン機能を拡大: Multi-Channel Fulfillment アクセラレーター」を公開 Amazon は 2026 年 5 月に物流網を Amazon Supply Chain Services (ASCS) として統合しました。この記事では、AWS 上の SAP の受注を Amazon Multi-Channel Fulfillment (MCF) に送り、出荷ステータスを SAP に自動で戻すアクセラレーターを紹介しています。後半では、Amazon Quick から SAP と MCF のデータに自然言語で質問する構想にも触れています。 ブログ記事「AWS 上の Microsoft ワークロード: re:Invent 2026 完全ガイド」を公開 AWS re:Invent 2026 で、Microsoft ワークロードを AWS で動かすお客様向けのセッションをまとめた記事です。この記事では、AWS Transform と Kiro による .NET と SQL Server のモダナイゼーションを中心に、移行やライセンス最適化のセッションを紹介しています。98.8 万行の .NET を見積もり 6 か月のところ 2 日で .NET 10 に移行した TNS 様の話は、ぜひ聞いてみたい内容です。 ブログ記事「インフラストラクチャの移行: AWS re:Invent 2026 完全ガイド」を公開 AWS re:Invent 2026 のインフラ移行関連のセッションをまとめたガイドです。この記事では、ディスカバリーからウェーブ計画、カットオーバーまでを専用の AI エージェントで進める AWS Transform のワークショップを中心に紹介しています。Azure と GCP を含む 8,700 台のサーバーを AWS Transform で AWS に統合している HealthEdge 様の事例は、大規模移行を控えた方の参考になりそうです。 ブログ記事「AWS re:Invent 2026 で見逃せないデジタル主権関連セッション」を公開 AWS re:Invent 2026 のデジタル主権関連のセッションをまとめた記事です。この記事では、AWS European Sovereign Cloud に加え、AWS AI Factories でのオンプレミス推論や、Amazon Bedrock AgentCore をエッジに広げてオンプレミスのデータと連携するワークショップなど、データを域外に出せない環境で AI を使うセッションを紹介しています。閉域や国内処理の要件がある方は要チェックです。 サービスアップデート Claude Fable 5.2 が AWS で利用可能に Anthropic 社の Claude Fable 5.2 が、Amazon Bedrock と Claude Platform on AWS で利用可能になりました。コーディングや数学、科学の難しいプロジェクト向けのモデルで、数時間から数日にわたって無人で作業を続けられます。Anthropic 社は Fable 5.2 を安全性監視のためにデータ保持が必要な covered model に指定していますが、Enterprise Frontier Safeguards が利用可能になるまでは、対象のお客様はゼロデータ保持で利用できます。詳細は こちらのドキュメント をご参照ください。 Amazon Bedrock の bedrock-runtime エンドポイントが Daybreak モデルをサポート OpenAI 社のサイバーセキュリティ特化モデル Daybreak Blue: GPT-5.6 Sol と Daybreak Red: GPT-5.6 Cyber が、Amazon Bedrock の bedrock-runtime エンドポイントで利用可能になりました。Daybreak Blue は脆弱性の発見やインシデント対応など防御側の業務向け、Daybreak Red は脆弱性調査やエクスプロイトの再現など認可された高度な作業向けです。利用には OpenAI 社の Daybreak アクセスへの登録が必要です。詳細は こちらのドキュメント をご参照ください。 Amazon Bedrock AgentCore が Web Search API を提供開始 Amazon Bedrock AgentCore で、1 回の API 呼び出しで Web を検索できる Web Search API が一般提供開始されました。これまで AgentCore Gateway 経由の MCP ツールとして提供されていた Web Search を、リソースを作らずに InvokeWebSearch API でアプリケーションから直接呼び出せます。リクエストごとにドメインと公開日時で絞り込めます。東京リージョンを含む 6 リージョンで利用可能です。詳細は こちらのドキュメント をご参照ください。 次世代の AgentCore Runtime がデフォルトに Amazon Bedrock AgentCore で新規作成するランタイムは、次世代の AgentCore Runtime がデフォルトになりました。初期化済みエージェントのスナップショットからセッションを復元するため、2 GB のイメージで P75 の起動時間が 29.7 秒から 2 秒未満に短くなりました。アイドル時はゼロまで縮小し、マルチターンのエージェントでは課金対象のメモリが最大 68% 減ります。東京リージョンでもデフォルトで、既存のランタイムは platformVersion を V2 にすると移行できます。詳細は こちらのドキュメント をご参照ください。 Amazon Bedrock AgentCore Identity が OAuth 2.0 ディスカバリー URL をサポート Amazon Bedrock AgentCore Identity で、インバウンドの JWT 認可とアウトバウンドの OAuth 認証情報プロバイダーの両方に、OAuth 2.0 認可サーバーのディスカバリー URL を指定できるようになりました。これまでは OIDC のディスカバリー URL しか受け付けておらず、OIDC を使わない OAuth 2.0 認可サーバーはメタデータの公開パスが異なるため AgentCore と組み合わせられませんでした。AgentCore の全リージョンで追加料金なしで使えます。詳細は こちらのドキュメント をご参照ください。 DeepSeek-V4-Pro、DeepSeek-V4-Flash、DeepSeek-V4.1-Flash が Amazon SageMaker JumpStart で利用可能に DeepSeek 社のオープンウェイト MoE モデル DeepSeek-V4-Pro、DeepSeek-V4-Flash、DeepSeek-V4.1-Flash が Amazon SageMaker JumpStart で利用可能になりました。V4-Pro は 1.6T パラメータ、V4-Flash は 284B パラメータで、いずれも 100 万トークンのコンテキストに対応します。V4.1-Flash はマルチモーダル対応で、KV キャッシュを V4-Flash の約 4 分の 1 に抑えています。詳細は こちらのドキュメント をご参照ください。 Ornith-1.0-9B と Ornith-1.0-35B が Amazon SageMaker JumpStart で利用可能に DeepReinforce AI 社のエージェント型コーディングモデル Ornith-1.0-9B と Ornith-1.0-35B が、Amazon SageMaker JumpStart で利用可能になりました。いずれも Qwen 3.5 をベースに、強化学習でスキャフォールドと解を同時に最適化した MIT ライセンスのモデルです。9B は 256K トークンのコンテキストを持つ dense モデルで GPU 1 枚で動き、35B は MoE モデルで 24 GB のコンシューマー向け GPU 1 枚にデプロイできます。詳細は こちらのドキュメント をご参照ください。 Amazon SageMaker Unified Studio が designation ごとのレイアウトのカスタマイズをサポート Amazon SageMaker Unified Studio で、ドメイン管理者が designation (メンバーの役割の定義) ごとに、プロジェクトメンバーに表示するツールや左ナビゲーションの項目を設定できるようになりました。たとえば SQL アナリストには Query Editor だけ、ML エンジニアにはノートブックやトレーニングジョブ、モデルエンドポイントを表示するといった設定を、プロジェクトごとではなくドメイン全体に適用できます。データ分析、AI/ML、生成 AI、IDE の各カテゴリの項目が表示制御の対象です。詳細は こちらのドキュメント をご参照ください。 Amazon Quick が AWS Quick に名称変更 仕事のための AI ワークスペース Amazon Quick が、AWS Quick に名称変更されました。AWS のサービスとして当初から組み込まれているエンタープライズ向けのセキュリティとガバナンスを反映した名前で、BI 機能の Amazon Quick Sight も AWS Quick Sight になります。既存のお客様の対応は不要で、ダッシュボードやデータセット、設定、料金も変わりません。資料やドキュメントで名前が混在する時期があるので、お客様へのご案内の際は注意したいですね。 AWS Quick で構造化データソースの種類ごとの制限が可能に AWS Quick で、カスタム権限を使って構造化データのコネクタごとにデータソースの作成、更新、共有を制限できる機能が一般提供開始されました。たとえば Amazon Redshift のデータソースの作成は許可しつつ、ファイルアップロードのデータソースの作成は禁止するといった設定ができます。作成、更新、共有の制限はそれぞれ個別に設定できるので、セルフサービス分析を残しながらデータガバナンスの要件に合わせた運用ができます。Enterprise エディションで利用できます。詳細は こちらのドキュメント をご参照ください。 AWS Quick のアプリがアジアパシフィック (シンガポール) リージョンで利用可能に macOS と Windows 向けの AWS Quick デスクトップアプリと、iOS と Android 向けのモバイルアプリが、シンガポールリージョンで利用可能になりました。先日の Quick 本体のシンガポールリージョン対応に続くものです。デスクトップアプリはローカルファイルやカレンダー、メール、業務アプリとつながり、会話やエージェントは Web、デスクトップ、モバイルの間で同期されるため、デスクトップで始めたエージェントの様子をスマートフォンから確認できます。詳細は こちらのドキュメント をご参照ください。 EC2 Image Builder コンソールが AWS DevOps Agent と統合し、トラブルシューティングとリソース作成に対応 EC2 Image Builder のコンソールに AWS DevOps Agent が統合され、チャットパネルから失敗したイメージパイプラインの調査とリソース作成ができるようになりました。エージェントがビルドログやワークフローの各ステップ、コンポーネント、ネットワーク設定を読んで根本原因と修正手順を示すので、ログを手作業で追う必要がなくなります。最大 50 件の失敗をまとめて診断でき、東京・大阪を含むすべての商用リージョンで利用できます。詳細は こちらのドキュメント をご参照ください。 AWS Emulator が利用可能に、AWS アプリケーションをローカルで構築・テスト AWS アプリケーションを手元の PC や CI 環境で構築・テストできる AWS Emulator が公開されました。普段の AWS SDK や AWS CLI の呼び出しがそのまま Emulator に届いてミリ秒で返るため、コーディングエージェントが AWS アカウントもデプロイもなしにエラーを見つけて直せます。起動したコピーごとにポートとキー、メモリ上の状態が分かれるので、複数のエージェントやテストが互いのリソースに干渉しません。リージョンに依存せず、追加のサービス料金もかかりません。詳細は こちらのドキュメント をご参照ください。 AWS Lambda MicroVMs が x86 CPU アーキテクチャをサポート AWS Lambda MicroVMs で、これまでの Arm (AWS Graviton) に加えて x86 アーキテクチャを選べるようになりました。Lambda MicroVMs は AI コーディングアシスタントなどでユーザーや AI が生成したコードを VM レベルで分離して実行するサーバーレスの仕組みで、既存の x86 アプリケーションや依存ソフトウェアを再コンパイルせずにそのまま動かせます。MicroVM イメージの作成時に x86 を選ぶだけです。対応リージョンはリージョン表をご確認ください。詳細は こちらのドキュメント をご参照ください。 Amazon CloudWatch で Accelerated Compute Insights を提供開始 Amazon CloudWatch に、Amazon EKS 上でセルフホストしている AI 推論ワークロードを監視する Accelerated Compute Insights が追加されました。EKS 向けの CloudWatch Observability アドオンを有効にするとクラスター内の NVIDIA GPU を自動で検出し、遊んでいる GPU や使い切れていないワークロード、推論ワークロードごとのトークンあたりの推定コストまで確認できます。対応リージョンはリージョン表をご確認ください。詳細は こちらのドキュメント をご参照ください。 Amazon ElastiCache Serverless がベクトル検索、全文検索、ハイブリッド検索と集計をサポート Amazon ElastiCache Serverless for Valkey で、ベクトル検索、全文検索、ハイブリッド検索と集計が使えるようになりました。ベクトル検索はマイクロ秒単位のレイテンシで最大 99% の再現率を出し、書き込んだデータはすぐに検索対象になります。データストアは数秒で用意できるため、エージェントやセッションごとにメモリやコンテキスト検索用のストアを持たせる使い方や RAG に向いています。Valkey 9 で、東京・大阪を含むすべての商用リージョンで利用できます。詳細は こちらのドキュメント をご参照ください。 Amazon Cognito が OAuth 2.0 トークン交換をサポート Amazon Cognito で OAuth 2.0 トークン交換 (RFC 8693) がサポートされました。ユーザーの代理で動く AI エージェントや MCP サーバーが、ユーザーのトークンを特定の下流サービス専用の、より狭いスコープのトークンに交換できます。アクタートークンを付けると act クレームに仲介者が記録されるので、下流のサービスはエージェント経由のリクエストとユーザー本人のリクエストを区別できます。Essentials と Plus の機能プランで、Cognito が利用可能なすべてのリージョンで使えます。詳細は こちらのドキュメント をご参照ください。 Amazon Connect Customer が評価フォームのテンプレートを提供開始 Amazon Connect Customer で、人と AI エージェントの応対を自動評価するための評価フォームのテンプレートが提供されました。カスタマーサービス、インバウンドセールス、セルフサービスの 3 つの場面向けに、「エージェントは顧客の問題に共感を示したか」といった応対の質問と、顧客満足度や解約リスクなどの成果を測る質問がそろっています。管理者はフォームをゼロから作らずに、そのまま、または手を加えて展開できます。東京リージョンで利用できます。詳細は こちらのドキュメント をご参照ください。 Amazon EKS Auto Mode と Karpenter が Dynamic Resource Allocation をサポート Amazon EKS Auto Mode と Karpenter で、NVIDIA GPU と Elastic Fabric Adapter (EFA) を対象にした Dynamic Resource Allocation (DRA) がサポートされました。必要なデバイスを属性で定義すると、Karpenter が条件に合う最も安いインスタンスを自動で起動します。分散学習・推論向けに PCIe 上で揃えた GPU と EFA も割り当てられます。GovCloud (US) と中国を除く、東京・大阪を含む全リージョンで利用できます。詳細は こちらのドキュメント をご参照ください。 Amazon OpenSearch Serverless の時系列コレクションがインテリジェント取り込みをサポート 次世代の Amazon OpenSearch Serverless で、時系列コレクションへのインテリジェント取り込みがサポートされました。Amazon S3 にあるログやイベントデータを、取り込みパイプラインを運用せずにコンソールの数クリックか 1 回の API 呼び出しで取り込めます。データの種類を自動で判別して各レコードを解析・インデックス化し、S3 に新しいオブジェクトが届くたびに継続して取り込むこともできます。東京リージョンで利用できます。詳細は こちらのドキュメント をご参照ください。 Kiro Enterprise Management がプレビュー開始 AWS コンソールで書いた 1 つのポリシーを、Kiro IDE、CLI、Web、Kiro Crew LTS のすべてに適用できる Kiro Enterprise Management がプレビューで利用可能になりました。モデルの利用やシェルコマンド、ファイルの読み書き、MCP ツールの呼び出しを許可・拒否・確認するルールを、全員、グループ、ユーザー単位で設定でき、ステアリングファイルや Skills、Powers の配布もできます。現時点では米国東部 (バージニア北部) で新規作成した Kiro プロファイルが対象です。詳細は こちらのドキュメント をご参照ください。 Kiro のツール呼び出しを AWS CloudTrail で監査可能に Kiro のサービス MCP ツールの呼び出しが、米国東部 (バージニア北部) と欧州 (フランクフルト) の Kiro プロファイルで AWS CloudTrail に記録されるようになりました。誰がどのツールをいつ呼び出し、完了したかがわかるため、セキュリティや監査の担当者がエージェントの操作を追跡できます。権限が必要なツール呼び出しは既定で管理イベントとして記録され、データイベントを有効にすれば一覧取得や読み取り専用の呼び出しも残せます。Kiro に追加した MCP サーバーは対象外です。詳細は こちらのドキュメント をご参照ください。 Kiro のクレジットプーリングが Okta と Microsoft Entra ID に対応 Kiro プロファイルを Okta や Microsoft Entra ID に直接接続している企業でも、チームでクレジットを共有するクレジットプーリングが使えるようになりました。これまでは AWS IAM Identity Center を使うプロファイルが対象でした。Kiro コンソールの Access management > Credit sharing から、ID プロバイダーがプロビジョニングしたユーザーやグループの追加、シートの購入、利用上限の設定ができ、既存のサブスクライバーもウィザードで移行できます。詳細は こちらのドキュメント をご参照ください。 Kiro IDE 1.4.154 / 1.4.178 で Approve for me と Workflow 実行の追跡に対応 Kiro IDE 1.4.154 で、日常的な操作は Kiro が代わりに承認し、危険な操作はブロックし、判断に迷うときだけ確認する Approve for me が追加されました。deny、ask、allow のルールが先に適用され、どのルールにも当たらない操作だけをモデルが判断します。続く 1.4.178 では、Workflow タブから実行をステップごとに追えるようになり、会話のコンパクション後も指定したスキルとステアリングファイルを読み込み直すようになりました。詳細は こちらのドキュメント をご参照ください。 Kiro CLI 3.2 / 3.2.1 で Mermaid 図の全画面表示と OAuth 設定不要の MCP サインインに対応 Kiro CLI 3.2 では、ターミナルに収まらない幅の Mermaid 図を Ctrl+] や /diagram で全画面表示できるようになりました。また、Tableau のホスト型 MCP のように動的クライアント登録を持たない MCP サーバーにも、Client ID Metadata Documents を使って oauth の設定なしでサインインできます。3.2.1 では、ツール呼び出しの表示量を 1 行から全出力まで /settings で選べる Output details が全員に提供されました。詳細は こちらのドキュメント をご参照ください。 Kiro CLI 3.3 で過去の応答のコピーと自動コンパクションの開始タイミング設定に対応 Kiro CLI 3.3 では、/copy N で N 個前の応答を、/copy last N で直近 N 件のメッセージを、プロンプトと応答のラベル付きでコピーできるようになりました。また V3 セッションでは、/settings の Compaction から、古い履歴を要約する自動コンパクションを始めるコンテキスト使用率をグローバルに設定できます。エージェントモニターにサブエージェントごとのタスクも表示されるようになり、長いセッションを扱う方に便利です。詳細は こちらのドキュメント をご参照ください。 Kiro Mobile の Android 版が提供開始 Kiro Mobile が Google Play で提供開始され、Android スマートフォンから Kiro のクラウドセッションを操作できるようになりました。ノート PC を起動しておく必要はなく、Kiro Web や IDE、CLI で始めたセッションの続きも扱えます。返信やツールの動きをライブで追い、エージェントの質問に答えたり、編集されたファイルをスマートフォン向けの差分カードで確認したりできます。Pro 以上のプランで利用できます。詳細は こちらのドキュメント をご参照ください。 Grok 4.7 が Kiro で利用可能に SpaceXSI 社の Grok 4.7 が、Kiro IDE、CLI、Crew、Web で実験的サポートとして利用可能になりました。SpaceXSI 社のコーディングとナレッジワーク向けで最も高性能なモデルで、数時間に及ぶ難しいタスクでも集中を保ち、作業を確認してから次に進むよう作られています。コンテキストウィンドウは 50 万トークンで、クレジット乗数は 20 万トークンまでが 2.7 倍、それを超えると 5.4 倍です。Pro 以上のプランで利用できます。詳細は こちらのドキュメント をご参照ください。 今週は以上です。それでは、また来週お会いしましょう! 著者について 木村 直登(Naoto Kimura) AWS Japan のソリューションアーキテクトとして、製造業のお客様に対しクラウド活用の技術支援を行なっています。最近は AI Agent と毎日戯れており、AI Agent 無しでは生きていけなくなっています。好きなうどんは’かけ’です。
はじめに 楽楽精算でモバイルアプリ開発を担当している高橋です。 入社してから最初の1年は、iOSアプリのネイティブ実装(Swift)を担当していました。 ところがここ半年は、Webフロントエンド、さらにサーバーサイドの開発へと、担当する領域を大きく広げています。 昨今のAIの進化もあり、1つのプラットフォームにこだわらず担当領域を広げていきたいと考えていたので、自分にとっても良い流れだと感じています。 この記事では、モバイルエンジニアがAIを使って専門外の領域に踏み込んだ半年間で、うまくいったこと、つまずいたこと、品質を守るための工夫をシェアできればと思います。 はじめに 1. きっかけ:顧客に早く価値を届けるために、技術の選択肢を増やす必要があった 1-1. 事業部からの要望 1-2. ネイティブではなくWebで作るという選択 2. ぶつかった壁 2-1. 順調な出だし 2-2. ドメイン知識の不足 3. 専門外の領域に対するアプローチ 3-1. いきなり実装しない:仕様駆動で頭の中を整理しながら進める 3-2. 書き方より、全体像の理解に時間を使う 4. 知識が足りない分は、仕組みで補う 4-1. コードをチェックするスキルを作る 4-2. スペシャリストのレビューを、スキルに積み上げる 5. 結果:チームで選べる手段が増えた 得られた成果 おわりに 1. きっかけ:顧客に早く価値を届けるために、技術の選択肢を増やす必要があった 1-1. 事業部からの要望 ある機能の開発に際し、事業部から「 可能な限り早くリリースしたい 」という要望がありました。 開発チームとしても、顧客に早く届けたい気持ちは同じです。そこで検討されたのが、 どうすれば実装コストを下げられるか でした。 1-2. ネイティブではなくWebで作るという選択 検討の結果、画面の一部をWebで作り、アプリ内のWebViewで表示することになりました。 モバイルアプリをネイティブで作る場合、iOS(Swift)とAndroid(Kotlin)でそれぞれ実装が必要です。WebViewで表示する方法なら、1回の実装を両方のアプリで使えます。二重の実装がなくなるので、リリースまでのリードタイムを短くできます。 ただし、この選択には前提がありました。 チームの中にWeb開発を担当できる人がいること です。 ちょうど組織としても「メンバーが担当できる領域を広げ、 チーム内で完結できる範囲を増やしていく 」という方針が出ていました。 こうした背景から、モバイルエンジニアである筆者がWebフロントエンドを担当することになりました。 フロントエンドの開発が一段落してからは、以前からサーバーサイドの開発にも挑戦したいと伝えていたこともあり、現在はサーバーサイドの開発を担当しています。 2. ぶつかった壁 2-1. 順調な出だし フロントエンドの開発では、使用するフレームワークのお作法を理解するために最初に時間を割きました。それ以外の文法、コンポーネントの書き方、ビルドツールの設定など、本来なら調べるのに時間がかかる部分はAIが補ってくれたため、大きな壁にぶつかることはほとんどありませんでした(既存画面の改修ではなく新規の画面実装だったため、制約が少なかったという面もあります)。 モバイルで画面を作ってきた経験も役に立ち、画面の構造や状態管理の考え方などは比較的そのまま使えました。 このとき、 AIによって、専門外の領域に入るハードルは確実に下がった と強く感じました。 2-2. ドメイン知識の不足 一方、サーバーサイドの開発では苦労しました。 原因はコードの書き方ではありません。 ドメイン知識が足りず、既存の作りやルールを理解できていなかった ことです。 このデータは、どの条件のときに作られるのか 既存の処理をどこまで流用するのか(継承するのか、新しく作るのか) 過去にどんな経緯でこの設計になったのか ここが分からないままAIに頼むと、指示があいまいになります。指示があいまいだと、AIはそれらしいけれど既存のルールに合わないコードを返します。 それを見ても、自分では正しいかどうか判断できません。大規模なシステムほど、こうした理解がないまま適切に実装するのは難しいと感じました。 3. 専門外の領域に対するアプローチ ここではドメイン知識が足りない状態でどう進めたか、実際に試して効果のあった取り組みを紹介します。 3-1. いきなり実装しない:仕様駆動で頭の中を整理しながら進める 1つ目は、 いきなりコードを書かせない ことです。 チームでは、仕様駆動開発を行っています。実装の前に「なぜ作るのか」「何を作るのか」「どう作るのか」を文書にしてから、コードに進みます。 大まかな流れは次のとおりです。 提案 :変更の目的と範囲をまとめる 要件 :満たすべき要件を、シナリオの形で書く 設計 :既存の仕組みのどこを、どう変えるかを決める タスク分解 :実装の手順に分ける 実装 :タスクに沿って実装する それぞれの段階で、AIが下書きを作り、自分が読んで直します。この「読んで直す」作業が、知らない領域を理解するのにとても役立ちました。 いきなりコードを渡されると、どこが大事なのか分かりません。仕様から順に読んでいけば、「この要件があるから、このクラスに手を入れるのか」と納得しながら進められます。 以前は、仕様駆動はその領域を知らないと仕様の良し悪しを判断できないため、初学者には向かないとされてきたように思いますが、今はAIに解説してもらいながら進められるので、むしろ 知識がない領域ほど、仕様駆動が助けになる と個人的には感じています。 3-2. 書き方より、全体像の理解に時間を使う 2つ目は、 全体像の理解にほとんどの時間を割くようにした ことです。 新しい領域(言語)を始めるときは、どうしてもその言語の書き方が気になって、そちらに意識が向いてしまいがちです(AIが普及する前からエンジニアをやっている身としては、体に染み付いています)。 しかし今は、文法など細かいコードの書き方はAIに任せれば、こちらがほとんど意識しなくても実装してくれます。そのため、そこの理解に多くの時間を割くのは、以前ほど効率的ではなくなってきたと感じています(文法の理解が無駄だという意味ではありません)。 それよりも全体像の理解に時間を使い、プロンプトの精度を高めることに注力しました。 全体像が分かってくると、AIへの指示が具体的になります。たとえば、理解する前と後では、指示が次のように変わりました。 # 理解する前 申請データを登録するAPIを作ってください。 # 理解した後 申請データを登録するAPIを作ってください。 - 既存の〇〇Serviceの登録処理を使い、独自に登録処理を書かないこと - △△の項目は、□□の設定がオンのときだけ必須にすること - エラーの形式は既存の××APIに合わせること 指示が具体的になると、返ってくるコードの質が上がります。修正のやり取りも減ります。 AIの成果物の質は、指示する側がどれだけ全体像を理解しているかで決まる 、というのが今の自分の感覚です。 4. 知識が足りない分は、仕組みで補う とはいえ、全体像を理解しても、その領域のスペシャリストと同じレベルで品質を判断できるわけではありません。そこで、個人の知識だけでなく 仕組みで品質を守る ことにしました。 4-1. コードをチェックするスキルを作る まず、AIエージェントに読み込ませる コードチェック用のスキル を作りました。スキルは、チェックの観点や手順をまとめた指示書のようなものです。 フロントエンド向けには、たとえば次のような観点を入れています。 チームのコーディング規約に沿っているか 静的解析ツールの指摘がないか 対象ブラウザで使えないAPIを使っていないか XSSにつながる書き方をしていないか これで、 筆者自身に知識が足りなくても、決められた観点のチェックを毎回行える 状態にできました。 4-2. スペシャリストのレビューを、スキルに積み上げる ただ、最初に作ったスキルの観点は文法や書き方に関するものが中心で、設計やドメイン事情に関する内容などは含められていませんでした。そこで可能な範囲でその領域のスペシャリストにレビューをお願いすることで、こうしたAIではキャッチしづらい部分を取りこぼさないような仕組み作りを行いました。いただいた指摘は以下のように活用しました。 今のコードを直す :指摘を整理し、リファクタリングにつなげる スキルを育てる :例)フロントエンドのスペシャリストから定数管理はtypesよりもconstantsにまとめるべきと指摘を受けて、スキルに『定数管理はconstantsにまとめる』という観点を足した 5. 結果:チームで選べる手段が増えた 得られた成果 この取り組みで、次の成果がありました。 開発工数を全体の約2割削減 :iOSとAndroidでの二重実装をWebViewにまとめたことによるものです Web開発を担当できるメンバーが増えた :これにより、要求に応じてチーム内で選べる技術の幅が広がりました 特に2つ目は、今後に向けた大きな投資だと考えています。 おわりに 最後に、越境するときに意識したいAIへの任せ方を3つにまとめます。 いきなり実装しない :仕様駆動で進めると、知らない領域でも理解しながら進められる 書き方より全体像に時間を使う :理解が深いほど指示が具体的になり、成果物の質が上がる 知識が足りない分は仕組みで補う :スペシャリストの指摘をスキルに積み上げ、チェックの精度を上げていく AIによって、専門外の領域に入るハードルは下がりました。だからこそ、 「専門外だから」という理由で選択肢から外していた手段を、もう一度検討してみる価値がある と思います。その選択がチームの選択肢を広げ、顧客に早く価値を届けるきっかけになるかもしれません。 最後まで読んでいただき、ありがとうございました。
はじめに こんにちは!株式会社エブリーで1ヶ月間Androidエンジニアとしてインターンをさせていただきました鈴木です。 私が配属されたプロダクトはトモニテという妊婦さんや幼い子どもを持つ親御さん向けのサービスです。 この記事では、私がインターン中に取り組んだ主要なタスクである「Androidハーネスの整備」と「修正月齢モードの実装」についてどのように取り組んだかを紹介させていただきます。 Androidハーネスの整備 ハーネスとは ハーネスとは、AIモデルを外側から囲み、タスクの実行やテスト、結果の評価を安全かつ効率的に自動で行うための枠組みです。開発においてはハーネスを整備することで開発スピードを向上させることができます。 背景と目的 トモニテにはAndroidハーネスが整備されておらず、開発の際はClaude CodeなどのAIエージェントとの対話の中で実装を進めていくという形になっていました。 そのためハーネスを整備し、実装タスクをAIエージェントが自律的に進められるようにすることで開発効率を向上させることがこのタスクの目的でした。 実装 整備したハーネスの概要図を以下に示します。(画像はClaudeで作成しました。) このハーネスは、以下のようにharness-implement-issueというSkillを呼び出し、GitHub上に立てられたissueの番号と作業用ブランチを生やす元のブランチを与えることで起動できます。 使用例: /harness-implement-issue 9999 --base epic/corrected-age 起動後は自律的に実装を進め、最終的にGitHub上にプルリクエスト(PR)のDraft(下書き)を作成するというものになっています。各フローについて詳細な説明を以下に示します。 1.issueと仕様、着手の判定 まず、与えたissueを参照して本文とコメント、リンクされた仕様書(Confluence)・デザイン(Figma)・iOS版のPRを読み込みます。 そのうえで「何を変えるか」「完了の判定」などの必須の項目が揃っているかを判定し、揃っていなければ実装に入らずに止まります。中身の薄いissueのまま進めると、何を作るかまで推測で決めることになるためです。判定を通ったら、要件を出典付きのチェックリストに書き出し、受け入れ条件とします。 2.作業場所 作業用のブランチを切ります。起点は通常developで、 --base を指定するとepicブランチなどから切り、PRもそこへ向けます。 3.既存実装の調査、実装計画立て 似た機能の既存実装を探し、その書き方に合わせる方針を決めます。そのうえで、変更するファイル、commitの単位、テストで確かめる値などを実装計画にまとめます。テストで確かめる値は、実装の誤りまで写さないよう、実装より先に要件から決めます。 4.実装 計画の順に実装します。要件の不足に気づいたら、答えを仮定して実装を続けつつissueで質問し、答えを待たずに進めます。 5.検証 commitの単位ごとに、コンパイル → ktlint → ビルド → ユニットテストの順に通します。Composeの画面を変更した場合は、スクリーンショットを撮って見た目も確かめます。 6.commit 検証を通った単位ごとにcommitします。シークレットの混入や危険なgit操作はhookで機械的に拒否されるようにしています。 7.セルフレビュー ブランチ全体の差分を、実装の経緯を知らないレビュー専用のサブエージェントに読ませます。重要な指摘(must)は直して再レビューし、軽微な指摘(should)はPRに書き残して人の判断に委ねます。 8.PR作成 issueで質問した答えと仮定を照合し、違っていれば直したうえで、DraftのPRを作成します。PR本文には、エージェントが自分で決めた判断や未回答の質問、人が目視で確かめるべき項目をまとめます。 設計においての工夫 ハーネスを設計する上で、大きく分けて以下の3点を検討する必要がありました。 1.どのようにアウトプットの質を担保するか 何を作るかの取り違えを防ぐため、必須の項目が揃わないissueは実装に入らせないようにしました。作ったものの不具合に対しては、commitごとの検証、要件から先に決めたテスト、別のサブエージェントによるレビューを重ねています。 Skillの一部(着手の判定で必須とする項目) 項目 満たしている状態 何を変えるか 対象の画面・機能と、変更後にどうなるかが特定できる 完了の判定 「動作確認」が埋まっている。または、仕様書・Figma・iOS の PR・期待動作から確認項目を起こせる 不具合の再現と期待 不具合( bug ラベル / 不具合のテンプレート)のときだけ。再現手順か期待動作のどちらかがある 確認事項の結論 Issue に確認事項(「確認事項」「確認したいこと」「未定」などの節や、問いの形で書かれた項目)があるなら、その 1つ1つの結論 が、本文・コメント・仕様書のどこかに書かれている Skillの一部 確認事項は、チェックが付いていても結論が書かれていなければ、満たしていないとみなす。 チェックは「確認した」ことしか示さず、どう決まったかは分からない。 結論を推測で埋めると、決まった内容と逆の実装になりうる。 結論は「〜にする」「〜でよい」「〜しない」のように、どちらに決まったかが読み取れるものだけを数える。 「issueが十分か判断して」とだけ書くと、判断がエージェント任せになり、中身の薄いissueでも進めてしまうおそれがあります。そこで、何があれば満たしているかを、表で判定できる形にしました。特に確認事項は、過去のissueでハーネスを試したとき、チェックだけ付いて結論のない確認事項を推測で埋め、実際の実装と逆の実装になったことがありました。その失敗を受けて、「結論が読み取れるものだけを数える」という基準と、その理由を書き足しています。 2.どのように人間がレビューしやすい形のアウトプットを出すか 「どこまでが仕様どおりで、どこからがエージェントの判断か」が分かるよう、要件に出典を付けさせ、自分で決めたことはPR本文にすべて書かせました。特に人に判断してほしい仮定は、PRの先頭に抜き出しています。また、UIの変更を伴う実装については、UIのスクリーンショットを撮影し、PRに添付することで人間によるUIのチェックを行いやすくしています。 Skillの一部 「前提と判断」は、自分で決めたことすべての記録。 open-questionsは、そのうち答えが分からないまま決めたものだけを抜き出したもの。 人に判断してほしいものが埋もれないように、open-questions は「確認してほしいこと」として PRの先頭に置く。 各項目に出典を付ける。Issue / コメント / Confluence / Figma / iOS の PR / 既存実装 / 推測 のどれか。 どこまでが書いてあって、どこからが自分の判断かを、PR のレビューで追えるようにするため。 出典の選択肢に「推測」をはっきり入れているのがポイントです。選択肢に無いと、エージェントが自分の判断を、何かの資料に書いてあったかのように書いてしまうおそれがあります。「推測」と書ける場所を用意することで、レビュアーは推測の項目を重点的に確かめられます。また、自分で決めたことをすべて書かせると量が多くなり、本当に判断してほしいものが埋もれます。そのため、答えが分からないまま決めたものだけを抜き出し、PRの先頭に置かせています。 3.どうやって止まることなくエージェントにタスクを完遂させるか 止まってよい条件を限定し、それ以外は自分で判断して進めるようにしました。曖昧な点は仮定して進めながらissueで質問し、PRを作る前に答えと照合します。また、検証やレビューのやり直しには上限を設け、終わらなくなることを防いでいます。 Skillの一部 対話で止まって人に質問しない。 曖昧な点は自分で決めて進み、決めた内容と理由を Plan と PR 本文の「前提と判断」に書く。 人は PR を見てから方向を直せる。 答えを待たずに進める質問(Issue へのコメント)はする 質問するもの・しないもの(質問が多すぎると、起票者が読まなくなる。答えが仮定と違っていたときに作り直しが要るものだけに絞る) - 質問する: 挙動(遷移先、出す・出さないの条件、失敗したときの挙動)、ログ、効く範囲 - 質問しない: デザインの細かい値(余白、色、文字の大きさ)、作り方(置き場所、層、クラスの分け方) 迷ったら「違っていたとき、値を1か所直せば済むか」で分ける。済むなら質問しない 止まらないことと、人に確認することを両立させるため、質問はissueへのコメントにして答えを待たない形にしました。ただ、気になったことをすべて質問すると、起票者が読みきれなくなります。そこで、質問するものとしないものを表で分け、迷ったときの判断基準を「値を1か所直せば済むか」という1行で渡しています。基準が具体的だと、エージェントが場面ごとにぶれずに判断できます。 プロンプトを書くうえで意識したこと 3点に共通して、Skillを書くうえで次のことを意識しました。 ルールには必ず理由を書く : 理由があると、エージェントは書かれていない場面でも同じ考え方で判断できます。 判定できる基準で書く : 「適切に」「必要なら」のような曖昧な言葉を避け、何があれば満たしているかで書きます。 試して起きた失敗をルールに書き戻す : 実際に動かして起きた失敗を、ルールとその理由に反映します。 修正月齢モードの実装 背景と目的 トモニテでは子どもの生年月日から計算した月齢に基づいて離乳食の案内や身長・体重の目安表示を行っていました。しかし、出産予定日よりも早くお子さんが生まれた場合は離乳食の案内表示や身長・体重の目安表示がお子さんの実態に対して適切に行われず、親御さんに不安を持たせてしまうという問題がありました。 そこで、出産予定日を起点に数えた月齢である「修正月齢」で表示する、修正月齢モードを追加することになりました。保護者が子どもごとにON/OFFを切り替えられ、ONにした子は修正月齢に基づいて月齢や離乳食の案内を表示します。また身長・体重のグラフは早産児向けのものに切り替え、通常の目安の帯は表示しないようにする、というのがこのタスクの概要でした。 要件の具体化 このタスクでは、実装したい機能の概要をまとめたドキュメントをもとに、具体的にどのような実装を行うかを自らまとめる工程から入りました。要件を満たすために具体的な実装方法とその理由をまとめたDesignDocの作成を通して、変更する画面、サーバーとのデータのやり取り、データの構造などを整理しました。 そのうえで、DesignDocの内容をハーネスで実装できるissueに落とし込みました。 設計方針 修正月齢モードは多くの画面に関わるため、次の2点を方針としました。 1.判定と計算を1か所にまとめる 「修正月齢で表示するか」の判定と月齢の計算を1か所に置き、各画面はそれを使うだけにしました。画面ごとに条件が食い違うのを防ぐためです。既存の月齢表示の関数の中で切り替えているので、呼び出し元は変えていません。 2.サーバーと値が食い違わないようにする ON/OFFはサーバーに保存し、ホーム画面で月齢を表示する部分には、サーバーが計算した修正月齢が出ます。そのため、ON/OFFを扱わない画面からの更新では値を送らない(OFFを送ってONの子をOFFに戻さない)ようにし、端末で計算する月齢もサーバーと同じ規則に揃えました。 実装 データ・計算・判定をまとめた基盤と、3つの機能の、計4つのタスクに分けました。それぞれハーネスで実装してPRを作りました。 基盤 : サーバーとのデータのやり取り、修正月齢の計算、表示の判定(画面の変更なし) 設定UI : 子ども編集・家族作成・出産報告の3画面に、修正月齢のON/OFFのトグルを追加 月齢表示 : 修正月齢がONの子は、「修正」のバッジを付けて修正月齢を表示 成長曲線 : 修正月齢がONの子は、出産予定日を起点とした早産児向けのグラフに切り替え 子ども編集画面では、出産予定日の下に修正月齢のON/OFFを切り替えるトグルを置いています。 修正月齢がONの子は、下の画像のように月齢の前に「修正」のバッジが付きます。 成長曲線は、OFF(左)では目安の帯が付いた通常のグラフ、ON(右)では在胎22週から始まる早産児向けのグラフになります。下の画像は、予定日より6週早く生まれた子の同じ記録を、PDFに出力した成長曲線のページで比べたものです。OFFでは生まれた日を起点にするため、記録が目安の帯を下回って見えますが、ONでは在胎34週の位置から記録が描かれます。 また動作確認の中で、1/31生まれの子が2/28を迎えると、Androidでは「0ヶ月28日」、サーバーとiOSでは「1ヶ月0日」と食い違うことに気づきました。Androidが「その月に31日がない」場合を考えていなかったためです。別のissueに切り出し、サーバーの計算の関数をAndroidに移植して、結果が一致することを確かめました。 インターンを通して意識したこと 今回のインターンでは、実装のほとんどをコーディングエージェントに任せていたため、「AIが実装した内容をどう理解するか」が自分にとってのテーマでした。 そこで、Claudeとの対話を質問1つごとに1ファイルとしてObsidianにMarkdownで保存する/save-obsidianコマンドを作りました。コマンドの内容を一部抜粋して以下に示します。 このセッションの対話履歴を、**セッション=1ディレクトリ / ユーザーの質問1つ=1ファイル** の形で Obsidian Vault に書き出してください。 | 区分 | 中身 | 扱い | | --- | --- | --- | | 質問 | ユーザーの発言 | スクリプト出力を**そのまま**追記 | | 入力 | ツール呼び出しの引数 | **要約**して書く | | 実行ログ | ツールの実行結果 | **要約**して書く | | 出力 | Claude の応答テキスト | スクリプト出力を**そのまま**追記 | - そのまま残す部分は、あなたが記憶から書き起こしたり、言い換えたり、短くまとめたりしてはいけない。 対話ログはスクリプトで抜き出し、質問とClaudeの回答は言い換えずにそのまま残して、量の多いツールの実行ログだけを要約させています。Claudeの説明を、後から正確に読み返せるようにするためです。 実装が一区切りつくたびに、Claudeに全体像や変更したファイルの概要を説明させ、分からない点は設計の理由まで質問して、その答えもログとして残しました。こうすることで、自分で書いていないコードでも、レビューの指摘に根拠を持って返答できるようになりました。 インターンを通しての成長 今回のインターンでは、タスクを抽象度の高い状態で渡され、大きな裁量を持たせていただきました。 これにより、自分で「そもそも何を目的としたタスクなのか」「どんなものが求められているのか」「その要件を満たすにはどんな実装にするべきか」といった問いに対して自ら仮説をたて、自分はこうするべきだと思うという提案をしながらタスクを進めることができました。 今後エンジニアとして働いていく上でも、ただ与えられたタスクに対して実装を行うだけではなく、そのタスクの目的や背景を理解してより良いものを作っていくための提案をしていくことはとても大切だと考えています。今回のインターンでの取り組み方を今後の開発でも継続していけるようにしたいと思います。 一方で、反省点もあります。修正月齢モードでは、データ・計算・判定をまとめた「基盤」を先に作り、その上に画面ごとの機能を載せる分け方をしました。しかし基盤は画面が何も変わらない大きな変更になり、自分が全体を理解するのにも、レビューにも負担がかかりました。「設定UI」のように機能単位で、データから画面までを一通り作る分け方にすれば、1つのPRで動くものを確かめられ、理解もレビューもしやすかったと考えています。 さいごに 今回のインターンを通してエブリーのカルチャーや開発組織などについて知ることができ、エンジニアとして働く解像度が大きく向上しました。 また、任せていただいたタスクを完了し、リリースまで繋げられたということでとても嬉しく思います。さらに、開発現場における開発の進め方や各種ツールの活用方法、AIを活用した開発の進め方など多くの学びを得ることができました。今後はインターンで得られた学びを他の開発でも生かしながら、エンジニアとして成長していきたいと思います。 最後に、1ヶ月間サポートしてくださったトモニテ開発チームの皆様、ありがとうございました!

















