「Figmaデザインエージェント（ベータ版）」が登場 5月20日に、Figmaにて「デザインエージェント」機能がベータ版として登場しました。 今回は、この機能を少し利用した内容を、使用感レポートとして、キャプチャー画像中心にお伝えします。 公式の案内はこちらをご覧ください。 公式ブログ： Figmaデザインエージェントが登場 | Figma Blog 利用方法は簡単で、既存のFigmaデザインのナビゲーションに追加された「エージェント」や、各フレームなどに表示されるエージェントアイコン（✦）から自然言語でプロンプトを入力すると、「エージェント」がモックアップ生成や変更をしてくれます。 （現在この機能は有償アカウントにて、AIクレジットを消費せずに、試用できます。正式リリース後はAIクレジットが消費されるようです。） 例1）簡単なプロンプト まず、何も無い画面に、以下の簡単なプロンプトを送信しました。 Jira、Asana、Nulab Backlog、Redmineのような、SaaSのプロフェッショナルなタスク管理ツールの画面モックアップを作成してください。 画面は「タスク一覧ページ」と「各タスクの詳細ページ」の2つの画面。 2分ほどで、UIモックアップが描画され、品質としては、このまま利用しても、ほぼ問題無いものです。 配置されているUI要素、基本レイアウト、スペーシング（余白）、配色、文字サイズ、ダミーコンテンツ内容、どれも基本的に、不自然さはありません。  簡単なプロンプトでもUIモックアップが生成される もちろん、生成されたモックアップはFigmaデザインのオートレイアウトが適用されたレイヤー要素で構成されており、手動で編集可能です。 生成されたモックアップは手動編集も可能 例2）デザインシステムを指定 Figmaデザインエージェントは、既存のライブラリを指定可能です。UIコンポーネントやスタイル定義が格納されたライブラリを参照させることで、細かい指示なしでも意図に沿ったUI構築が期待できます。 具体的には、デザインファイルに対して、まずライブラリを追加します。（公式: Figmaのライブラリに関するガイド ） そのうえで、エージェントのプロンプト欄のオプションにて有効にするライブラリを指定します。（チェックを入れる） 今回は公開されている「 Primer Web 」（Figmaデザインファイル）をライブラリとして指定し、プロンプトでは「例1」のプロンプトに加えて、念のため「デザインシステムは『Primer Web』を使用」と追記して実行したところ、3分半ほどで精度の高い出力が得られました。 プロンプトを送信する前に、ライブラリを指定 ライブラリが適用されたUIモックアップ 出力されたモックアップについて、UIラベルや、コンテンツを日本語化したいため 画面の内容を日本語化して と指示を行い、 さらに、タスク詳細ページの要素に重なりが発生しているので、詳細画面を選択して コメント入力欄と、画面右側のステータスなどの要素が重なっているので、重ならないようにして。 と指示をすると、想定どおりに更新されました。 ライブラリのコンポーネント適用 各UI要素が、ライブラリのUIコンポーネントをインスタンスとして配置されているか、確認したところ、「ボタン」や「パンくずリスト」「ラベル」「アバター」などは、問題ありませんでした。 しかし「セレクト」や「データテーブル」などは、ライブラリが利用されていませんでした。 セレクト要素を選択して、ライブラリのコンポーネントを利用するように指示したところ、コンポーネントが適用されましたが、「優先度: すべて」などのラベル文字が無効化されたため、エージェントによる更新を「元に戻す」を行い、ラベル内容を保持するように再度指示をしたところ、そのとおりとなりました。 表（テーブル）部分は、DataTableコンポーネントの適用を指示しても、なかなか期待通りにはなりません。 テーブルには、ヘッダーや行、列、フッター、さらにセルの要素のバリエーションなど複雑なため、利用するコンポーネントの特性を踏まえて、指示をする必要がありそうです。 エージェントの制御が難しい場合は、早めに手動編集に切り替えるのが良いかもしれません。 なお、Figmaデザインエージェントは、同時に複数のプロンプトを送信しても並行して処理をすることも可能です。 例3）バリエーション生成 「例1」「例2」にて生成された画面は、デスクトップ用のライトモード画面でしたが、ダークモードやモバイル画面を、下記のようなプロンプトで依頼しました。 この画面のダークモード版を別のframeで作成して。 これら2つの画面に対する、モバイル（スマートフォン）用の画面を作成して。 結果としては、ダークモードは期待通りでした。 モバイル画面は、少々ぎこちないですが、たたき台として利用できそうです。 生成されたダークモードのUIモックアップ 生成されたモバイル版のUIモックアップ 他のサービスと比較 以上がFigmaデザインエージェント（ベータ版）の簡単な使用感ですが、比較として、同じプロンプトを次の2つのサービスに送信してみました。 ChatGPT（画像生成） 静的な画像として出力されます。レイアウトや要素の構成は適切ですが、Figmaなどで編集可能なレイヤーとして出力はされないため、プロトタイプへの落とし込みや、詳細を手動編集するには別途作業が必要です。 ChatGPTにより生成されたUIモックアップ Figma Make 「Figma Make」は2025年リリースの機能です。（公式： Figma Makeを探る ） プロンプトからフロントエンドコードの生成に重きを置いており、Figmaエージェントとは出力の指向性が異なります。Figma Makeで生成した内容はFigmaデザインファイルへコピー＆ペーストして編集することも可能です。 プロンプトを送信すると、数分でタスク一覧画面、詳細画面のプロトタイプができました。 画面の要素、レイアウトや配色は完成されており、違和感はありません。 「Make」と「デザインエージェント」は同じFigmaのサービスでも、同じプロンプトから生成される内容は異なる印象です。 Figma Makeで生成されたプロトタイプ おわりに 上記の公式案内に …「AI生成か、それとも直接操作か?」といった、偽りの二者択一が浮上しています。しかし、どちらかを選ぶ必要などないはずです。（省略）私たちの目標は、Figmaに精通し、チームの働き方に自然に溶け込むエージェントを作成することでした。… とあるように、手作業とエージェントとをうまく合わせることで、UIモックアップ、プロトタイプ作成、バリエーションづくりの工数削減や、品質の向上が実現できそうです。 Photo by Zac Wolff on Unsplash   ご覧いただきありがとうございます！ この投稿はお役に立ちましたか？ 役に立った 役に立たなかった 0人がこの投稿は役に立ったと言っています。 The post Figmaデザインエージェントを試す first appeared on SIOS Tech Lab .

こんにちは、技術広報の yayawowo です。 私たち株式会社ラクス開発本部では、Missionである 「顧客の成長を支援する、圧倒的に使いやすいクラウドサービスを創り提供する」 を念頭に、日々プロダクト開発に励んでいます。 現在、ラクスでは歴史あるロングセラーのプロダクトから、近年立ち上がった新規プロダクトまで、多くの開発プロジェクトが並行して動いています。このように古いものから新しいものまで多くのプロダクト開発に深く携われるからこそ、エンジニアやデザイナーが触れられる技術の機会が非常に多い点が、私たちの組織の大きな特徴であり魅力です。 本記事では、各プロダクトの「技術スタック」を改めて整理し、皆様に最新情報をお届けしたいと思います！自社開発に携わるエンジニア、デザイナーだけでなく、これから携わりたい！という方にも必見の内容です。 現場のリアルな最新データから見えてきたのは、単なるツールの変更履歴ではありません。 ラクスが開発組織として一貫して掲げている「技術選定の思想」そのものでした。 各組織の最新スタックを公開する前に、まずは私たちが大切にしている「2つのコア思想」を技術広報の視点からご紹介します！ 1. ラクスが技術選定で掲げる「2つのコア思想」 ① お客様の日常を守り、進化させるための「顧客志向」 ② 技術を「価値創造」に集中させるための「AIネイティブ＆自動化」 2. 各プロダクトの紹介 ＆ 最新技術スタック 楽楽精算 楽楽明細 楽楽電子保存 楽楽債権管理 楽楽勤怠（給与計算） 楽楽販売 楽楽請求 楽楽自動応対開発 楽楽メールマーケティング blastmail / blastengine 3. それを支える連携部署の技術スタック フロントエンド推進課 SRE AI開発課 ＆ AIエージェント開発課 QA課 インフラ開発部 プロダクトデザイナー 4. 終わりに 1. ラクスが技術選定で掲げる「2つのコア思想」 今回、全社規模で集まった最新のデータを見て、技術広報である私が一番強く感じたのは、ラクスが大切にしている「技術選定のブレない軸」でした。私たちは、単に流行りのツールを追いかけるのではなく、以下の2つの思想をベースに日々の開発環境をアップデートしています。 ① お客様の日常を守り、進化させるための「顧客志向」 ラクスにとって、技術は「自分たちが使いたいから」選ぶものではありません。すべては「お客様の業務をいかに楽にできるか」という目の前の課題を解決するための最高の手段です。 私たちのクラウドサービスは、ありがたいことに数万社を超えるお客様の日常のビジネスを支える社会インフラになっています。だからこそ、長年培った圧倒的な安定基盤を深くリスペクトし、1分1秒のダウンも許されない堅牢性を守り抜く責任があります。しかし、私たちは「守り」だけでは終わりません。お客様へより速く、より安全に新しい価値を届けるために、歴史のあるプロダクトほど「お客様の未来のために、今最適な武器は何か」を貪欲に追求し、裏側では大胆なモダナイズを仕掛けています。 ② 技術を「価値創造」に集中させるための「AIネイティブ＆自動化」 お客様の課題解決に1分1秒でも多くの時間を割くため、ラクスはエンジニアの創造性を奪う泥臭い手作業や無駄な作業を徹底的に排除する環境作りに本気で取り組んでいます。 今回、一際目を引いたのが、各現場の「AIと自動化へのリアルな使い分け」です。単に世間の流行りに乗って同じツールを一律で入れるのではなく、プロダクトの特性に合わせて最適な技術スタックを現場主導で選定しています。そして何より特徴的なのが、ほぼすべての組織が、実装前の「壁打ち相手」としてAIをフル活用している点です。単にツールを入れて楽をするためではなく、エンジニアが本来向き合うべき「顧客のための価値ある設計や、より良いユーザー体験の創造（本質）」に100%集中できる環境を、ラクスは本気で作り上げています。 具体的にどんなツールを、どんな考え方で使い分けているのか？ それは、この後各プロダクトの技術スタックにてご紹介します。 2. 各プロダクトの紹介 ＆ 最新技術スタック ここからは、ラクスが展開する各クラウドサービスと、現場のエンジニアが2026年度現在、実際に選定して使っている技術スタックをご紹介します。 楽楽精算 会社の「経費精算」にかかる時間と労力を劇的に減らすシステムです。利用者はスマホで領収書を撮影するだけで金額や日付が自動入力され、面倒な紙の提出や手入力をすることなく精算を完了できます。経理担当者にとっても、確認や承認の負担を大幅に削減する「日本のバックオフィスを楽にする」代名詞的な存在です。 ✅バックエンド カテゴリ 技術スタック 使用言語 Java、Swift、Kotlin MW PostgreSQL、Postfix、Apache、Room、Realm FW・ライブラリ Spring Boot、jQuery、Retrofit2 開発ツール IntelliJ IDEA、Xcode、Android Studio、Flyway、Redmine、GitHub、VSCode CI・テスト Selenide、Gradle、JUnit、JMeter、Jenkins、GitHub Actions AI Claude Code、Codex、GitHub Copilot、Gemini、ChatGPT、Notebook LM、Cursor ※2026年7月時点での情報です。 ✅フロントエンド カテゴリ 技術スタック 使用言語 HTML、CSS、JavaScript、TypeScript FW・ライブラリ React、jQuery、MUI、Jotai、zod、TanStack Form、Tanstack Query、Sass、Vite、ESLint、Prettier、Biome、Storybook、msw 開発ツール GitHub、GitHub Projects、VSCode、OpenAPI、Figma CI・テスト GitHub Actions、Jenkins、Playwright、Vitest AI Claude Code、Codex、GitHub Copilot、Gemini、ChatGPT、Notebook LM ※2026年7月時点での情報です。 楽楽明細 企業が取引先に発行する「請求書」や「納品書」を、すべてWeb上で一括配信するシステムです。これまでは担当者が印刷し、封筒に詰め、切手を貼って郵送していた手作業をゼロにします。受け取る側の取引先もマイページからいつでも即座に確認・ダウンロードできるため、双方のペーパーレス化と業務スピードアップを同時に実現しています。 カテゴリ 技術スタック 使用言語 Java、TypeScript、JavaScript MW PostgreSQL、Tomcat、Postfix、Docker、Redis、AWS Lambda / EventBridge / Step Functions / S3 / SQS FW・ライブラリ SpringBoot、React、Redux、JasperReports、Lombok、Jooq、jQuery、GraphQL 開発ツール IntelliJ IDEA、VSCode、Redmine、GitHub、gulp.js、webpack、Storybook CI・テスト Gradle、jUnit、Playwright、GitHub Actions AI Claude、Claude Code、GitHub Copilot、ChatGPT、Codex、Notebook LM、Gemini ※2026年7月時点での情報です。 楽楽電子保存 国税関係の書類（領収書や請求書など）を、国が定める「電子帳簿保存法」の厳しい要件に100%準拠して、安全にクラウド保存・一元管理できるシステムです。ユーザーは「法律が変わってどう対応すればいいかわからない…」という不安から解放され、検索機能を使っていつでも過去の書類を1秒で見つけ出せるようになります。 カテゴリ 技術スタック 使用言語 Java、TypeScript、JavaScript MW PostgreSQL、Nginx、Tomcat、Postfix、Docker、Kubernetes、Node.js、AWS Lambda / S3 / DynamoDB / API Gateway / SQS FW・ライブラリ React、MUI、MSW、Spring Boot、Jooq 開発ツール IntelliJ IDEA、GitHub、Vite、VSCode、Open API、Figma、ESLint、Prettier、Yarn CI・テスト Gradle、JUnit、GitHub Runner、Vitest、Cypress、argoCD、Playwright、GitHub Actions AI Claude、Claude Code、GitHub Copilot、ChatGPT、Codex、Notebook LM、Gemini ※2026年7月時点での情報です。 楽楽債権管理 「取引先からちゃんとお金が振り込まれているか」を確認する、企業の経理で最も神経を使う入金消込・債権管理業務をスムーズにするシステムです。銀行の入金データと自社の請求データを自動で照合し、ミスマッチがあればすぐに通知。人の目によるダブルチェックや残高管理のプレッシャーから担当者を解放し、確実な資金管理を支えます。 カテゴリ 技術スタック 使用言語 Java、TypeScript、JavaScript MW PostgreSQL、Tomcat、Docker、AWS S3 FW・ライブラリ React、MUI、Spring Boot、jOOQ、DuckDB、OpenTelemetry、Spring AI 開発ツール IntelliJ IDEA、VSCode、Redmine、GitHub、Open API、Figma CI・テスト Gradle、jUnit、Playwright、GitHub Actions、Spock、runn AI Claude、Claude Code、GitHub Copilot、ChatGPT、Codex、Notebook LM、Gemini ※2026年7月時点での情報です。 楽楽勤怠（給与計算） 従業員の日々の「出退勤」を正しく記録し、労働時間や時間外労働時間を自動で集計、そのまま給与計算システムへとデータをスムーズに連携させるシステムです。シフト管理や有給休暇の消化状況もひと目でわかるため、中小企業から大企業まで、複雑な労務管理をミスなくシンプルに行える環境を作ります。 カテゴリ 技術スタック 使用言語 PHP、Python、JavaScript、TypeScript MW MySQL、Nginx、Docker、Node.js、Gunicorn FW・ライブラリ Flow、Vue.js、Fast API、Pinia / Pinia Colada, Vue Router, Vue I18n, Vite, Tailwind CSS, ESLint, Prettier, Storybook, msw 開発ツール GitHub、GitHub Projects、PhpStorm、IntelliJ IDEA、VSCode、Cursor、OpenAPI、Figma、renovate CI・テスト GitHub Actions、PHPUnit、PHPStan、Selenium、Ansible AI Claude、Claude Code、GitHub Copilot、ChatGPT、Codex、Notebook LM、Gemini、VertexAI ※2026年7月時点での情報です。 楽楽販売 販売管理、顧客管理、案件管理など、自社のやりたい業務に合わせて画面や項目をノーコードで自由自在に構築できるWebデータベースシステムです。Excelで属人化してしまっていた複雑なデータをチーム全員で見える化し、ボタン一つでの帳票発行や、ルーチンワークの自動化によって、会社全体のコア業務を劇的にスピードアップさせます。 カテゴリ 技術スタック 使用言語 PHP、Java MW PostgreSQL、Postfix、Apache、Redis FW・ライブラリ Zend Framework、jQuery 開発ツール VS Code、Cursor、GitHub CI・テスト Selenium/Selenide、PHPUnit、JMeter、Jenkins、PHPStan、Playwright AI Claude Code、Codex、ChatGPT、Devin、Notebook LM ※2026年7月時点での情報です。 楽楽請求 取引先から紙、PDF、メールなど様々な形でバラバラに届く「受領請求書」を、一つの画面でスマートに一元管理するシステムです。高性能なAI-OCRが中身を自動で読み取ってくれるため、手入力の手間が激減。仕訳データや支払処理、データの保存までをワンストップで効率化し、毎月発生する「請求書処理の山」を瞬時に片付けます。 カテゴリ 技術スタック 使用言語 Java, Kotlin、TypeScript MW PostgreSQL、Pure Storage、Redis、nginx、Tomcat、Kubernetes、AWS[SQS、SES、S3] FW・ライブラリ Spring Boot、jOOQ、React、MUI、Storybook 開発ツール IntelliJ IDEA、Flyway、Gradle、detekt、GitHub、OpenAPI、Figma CI・テスト Playwright、Kotest、Vitest、ArgoCD、Grafana AI GitHub Copilot、ChatGPT、Devin、Notebook LM、Claude ※2026年7月時点での情報です。 楽楽自動応対開発 お客様から届く膨大な問い合わせメールやチャットを、チーム全員で一元管理・共有するシステムです。「誰がどのメールに対応しているか」「返信待ちか、対応済か」がリアルタイムに全員に共有されるため、ネットショップやサポート窓口での対応漏れや、二重返信によるクレームを完全に防ぎ、顧客対応の品質を最大化します。 カテゴリ 技術スタック 使用言語 PHP、Node.js、TypeScript MW PostgreSQL、Apache、Postfix、AWS Lambda / S3 / DynamoDB / SQS、Qdrant FW・ライブラリ Laravel、jQuery、CKEditor、Socket.IO、Vue.js、NestJS 開発ツール PhpStorm、Github、VS Code CI・テスト Selenium/Selenide、PHPUnit、Vitest、Biome、Jenkins、GitHub Actions、Ansible AI Claude Code、Codex、GitHub Copilot、 ChatGPT、 Devin、 Notebook LM ※2026年7月時点での情報です。 楽楽メールマーケティング 企業のマーケティングや営業担当者が、顧客へ一斉にメルマガや案内メールを配信し、そこからの成果を最大化するためのシステムです。ただ送るだけでなく、「誰がメールを開いたか」「どのURLをクリックしたか」を直感的に分析可能。見込み客の興味関心を可視化することで、次の商談獲得へのアプローチをシンプルかつ効果的に支えます。 カテゴリ 技術スタック 使用言語 PHP、TypeScript MW PostgreSQL、Postfix、Nginx、Apache、Redis FW・ライブラリ Slim、jQuery、Vue.js 開発ツール PhpStorm、GitHub、Docker、Podman CI・テスト Playwright、Puppeteer、Jenkins、JMeter、PHPUnit、PHPStan、PHP_CodeSniffer、PHPDoc、Ansible、vegeta AI Claude Code、Codex、GitHub Copilot、ChatGPT、Devin、Notebook LM ※2026年7月時点での情報です。 blastmail / blastengine 「blastmail」は数百万通ものメールを顧客へ一瞬で確実に届ける独自の配信システム、「blastengine」はエンジニアが自社のシステムやアプリに組み込んで、通知メールなどを超高速で自動配信させるためのAPI・リレーサービスです。どちらも「遅延なく、迷惑メールに振り分けられることなく、確実に届ける」という配信技術の極限を支えています。 カテゴリ 技術スタック 使用言語 Java、TypeScript、Go、Python MW Docker、PostgreSQL、MongoDB、Postfix、RabbitMQ、AWS[EC2、ECS、RDS、S3、Lambda、SQS] FW・ライブラリ SpringBoot、React、Quarkus 開発ツール VSCode、GitLab、Redmine、Gradle、OpenAPI、Figma、StoryBook CI・テスト GitLab CI/CD、JUnit、Vitest、Biome、Playwright AI Claude Code、Codex、GitHub Copilot、Gemini、ChatGPT、Notebook LM ※2026年7月時点での情報です。 3. それを支える連携部署の技術スタック ラクスには、各プロダクトの提供価値を最大化し、開発組織全体のエンジニアリング水準を横断的に引き上げる連携・専門組織が存在します。実務で選定している先進的な「武器」をご紹介します。 フロントエンド推進課 フロントエンド推進課は、ラクスの各サービス開発チームと協力し、フロントエンド領域からプロダクトの成長と品質向上を支える専門組織です。 新機能開発や既存機能のUI/UX改善に加え、技術的負債の解消、リアーキテクト、パフォーマンス改善、デザインシステム構築、共通UIコンポーネント開発など、サービス単体では対応しきれない横断的なテーマにも取り組んでいます。 各プロダクトの事業フェーズや技術課題を踏まえ、開発現場に入り込みながら、ユーザーにとって使いやすく、開発者にとって継続的に改善しやすいフロントエンドを実現していくことが役割です。 技術を目的化するのではなく、ユーザー価値、開発生産性、品質、保守性を高めるためにどう活用するかを重視し、プロダクトとチームの両面からラクスのサービス成長に貢献しています。 カテゴリ 技術スタック 使用言語 HTML、CSS、JavaScript、TypeScript FW・ライブラリ React, TypeScript, MUI, RHF, zod, Tanstack Router, Tanstack Query, zustand, emotion, Vue.js, Pinia / Pinia Colada, Vue Router, Vue I18n, Vite, Tailwind CSS, ESLint, Prettier, Storybook, msw 開発ツール GitHub, Github Projects, VSCode, OpenAPI, Figma, renovate CI・テスト GitHub Actions, Playwright, Vitest, happy-dom AI Claude Code, Codex, Copilot, ChatGPT, Gemini, Notebook LM ※2026年7月時点での情報です。 SRE ラクスにおけるSREでは、開発とインフラの知見を活かして顧客への価値提供スピード向上に寄与する自動化・標準化（生産性向上のための取り組み）を推進する役割を担います。 開発とインフラを繋ぐHubというビジョンを持ちながら、システムのモダナイズ化や基盤の構築を行う役割です。 開発言語は主にGoを利用し、横断的なトイル削減や運用の自動化を推進しています。 新しい技術スタック調査などを進めながらノウハウを各サービスへ広めることで、開発部門全体のアーキテクチャ刷新へ寄与していきます。 カテゴリ 技術スタック 使用言語 Go 仮想基盤 Kubernetes MW PostgreSQL, Amazon Aurora, Redis, Kafka FW・ライブラリ gRPC CI/CD・IaC GitHub Actions, ArgoCD, Argo Workflows, Argo Event, Hashicorp Vault, Terraform, Helm 運用・監視 Grafana Stack AI Claude Code, Codex, GitHub Copilot, ChatGPT, Devin, Notebook LM ※2026年7月時点での情報です。 AI開発課 ＆ AIエージェント開発課 ラクスが提供する各プロダクトへ実用的なAI機能を組み込むための研究開発や、社内の複数プロジェクトを横断して業務を自動化する「AIエージェント」の実装・導入を牽引する最先端チームです。 ✅AI開発課 カテゴリ 技術スタック 使用言語 Python MW PostgreSQL、Redis、DynamoDB、Docker、Kubernetes FW・ライブラリ PyTorch、Keras、TensorFlow、FastAPI、OpenAI API、AWS Bedrock、Vertex AI 開発ツール GitHub CI・テスト GitHub Actions、pytest、Terraform AI（開発支援） Claude Code、GitHub Copilot、ChatGPT、Notebook LM、Cursor (OpenSpec) ※2026年7月時点での情報です。 ✅AIエージェント開発課 カテゴリ 技術スタック 使用言語 Java, TypeScript, Python MW amazon corretto, tomcat, postgres, Kubernetes, AWS[Lambda, SQS, SNS, Bedrock, EKS, CloudWatch, DynamoDB, S3, KMS], ArgoCD, Grafana, Litellm, flipt, Otel-collector FW・ライブラリ Spring Boot, Mastra, Hono 開発ツール Gradle, Github, Zed, Visual Studio Code, pnpm, mise CI・テスト junit, vitest, testcontainer, Github Actions AI（開発支援） Claude Code, Codex, Github Copilot Agent, Devin ※2026年7月時点での情報です。 QA課 各プロダクトに準ずる開発環境や仕様を深く理解し、お客様に届くクラウドサービスの品質を「テスト・保証」の側面からハックする品質専門組織です。 カテゴリ 技術スタック 使用言語・MW 各プロダクトに準ずる 開発ツール・FW 各プロダクトに準ずる CI・テスト Playwright、Jenkins 他、各プロダクトに準ずる AI Claude Code、ChatGPT、Gemini、Notebook LM ※2026年7月時点での情報です。 インフラ開発部 8割のサービスリソースをオンプレミスで構築しております。 オンプレミス環境でも自動化などなるべくソフトウェア視点のアプローチが出来るようにHCIで基盤構築し運用効率化をしています。 今後のアップデートとしては、クラウドで先行構築したクラウドネイティブなコンテナ環境やCI/CD環境などをオンプレミス環境にフィードバックし、自動化、自立化を推進しつつもコスト優位性を出せるシステムを構築していきます。 カテゴリ 技術スタック 使用言語 Python、Bash プラットフォーム On-Premise、AWS「EC2、ECS、EKS、RDS、S3、Lambda・・・etc」、GCP ネットワーク Cisco、Dell、Paloalto、F5 OS・仮想化 LinuxOS、VMware、Nutanix、Docker、K8S MW PostgreSQL、Apache、Tomcat、Nginx、PaceMaker、etc... IaC Ansible、Terraform その他ツール Git、Rundeck 運用・監視 Zabbix、Grafana、Prometheus、ArgoCD AI GitHub Copilot、ChatGPT、Devin、Claude、Gemini ※2026年7月時点での情報です。 プロダクトデザイナー フロントオフィス・バックオフィスの業務システムにおける管理画面のUI/UX設計を担当しています。 業務ドメインの理解を深め、ユーザーの声を直接収集しながら課題を把握し、複雑な業務をUI/UXの力でシンプルに解決することを目指している組織です。 また、AI活用による設計業務の効率化、サービス横断での一貫した体験を実現するデザインガイドラインの策定、さらにデザイン組織としての勉強会やナレッジ共有にも取り組んでいます。 カテゴリ 技術スタック デザインツール Figma コミュニケーションツール Slack、Zoom、Google Meet、FigJam AI（業務支援） GitHub Copilot、Claude Code、Cursor、ChatGPT、Notebook LM、Gemini ※2026年7月時点での情報です。 4. 終わりに 最新の技術スタック、あなたの得意な技術や、挑戦してみたい武器はどこかに見つかりましたでしょうか？ ラクスがこれほどまでに技術スタックをオープンにし、長年愛されている歴史あるプロダクトであっても現状に甘んじず変化を続けさせているのには、明確な理由があります。それは、私たちのミッションが「ITサービスで企業の成長を継続的に支援」することだからです。 技術はあくまで、誰かの課題を解決するための素晴らしい手段です。しかし、最高の手段をエンジニアが持たなければ、お客様に最高の価値を届けることはできません。 だからこそ私たちは、これまで培ってきた圧倒的な安定基盤を深くリスペクトしつつも、時代に合わせたインフラの進化や、AIを活用した開発体制へのアップデート、品質を支える仕組みづくりに注力しています。 「自分が今まで培ってきたスキルを、このクラウドサービスで活かしてみたい」 日々進化する技術を積極的に取り入れ、自社プロダクトの未来を共に創り上げていきたい。 そう少しでも感じていただけたなら、その力をぜひラクスで発揮してみませんか。 最後までお読みいただき、ありがとうございました。

こんにちは。コミュニケーション&アプリケーションサービス部で業務支援システムの開発をしている山中です。 先日、自社の Google Cloud 環境で利用できる Gemini API を活用し、Redmine で管理している過去のチケットの内容に基づいて、新規のアラートや問い合わせチケットに対する自動アシストを行う仕組みを構築しました。 その具体的な方法と、実際に導入して感じた効果や感想をご紹介します。 Redmine によるチケット管理の現場のリアル チケット情報を引き抜いて外付けで RAG ナレッジベースを作る 構造化出力によるフォーマット固定がポイント ベテランのノウハウを一瞬で再現！ 効果を上げるためのさらなる工夫 1. 昨日の知見を今日のアシストに反映 2. ユーザー向けマニュアルを参照して引用を明記 AI に現場で賢く動いてもらうためのポイント 1. 添付ファイルではなくテキストで情報を残す 2. プロンプトには「きれいな文面」をインプット 3. 構造化出力を使い倒しロジックと接着 まとめ：人間の行動を「先回り」させる設計を Redmine によるチケット管理の現場のリアル 私たちの現場では、障害アラートや問い合わせ対応の管理に長年 Redmine を使い続けています。 蓄積された過去のチケット数は約5,000件。膨大なナレッジが眠っているのですが、現場ではそれを有効に活用しきれておらず、いくつかの解決したい課題を抱えていました。 経験の浅いメンバーによる調査の難しさ システムが複雑で提供機能も多いため、過去に類似事象があっても、経験の浅いメンバーでは関連する過去チケットに辿り着きづらい Redmine の検索仕様による限界 私たちが使用しているバージョンでは検索の表記揺れなどに弱く、目当ての情報にたどり着くための適切な検索ワードを思いつくのが難しい 既存資産の多さによる移行の困難さ モダンなツールへ移行したくても、長年の情報蓄積や依存している業務が多すぎてハードルが非常に高い 壊れたときのインパクトが大きいため、本体のバージョンアップやプラグインの追加すら慎重にならざるを得ない 世間では「AI によってこれまで積み重ねてきた過去のナレッジを活かす」といった事例が数多く出ていますが、「うちの歴史ある Redmine 環境じゃ難しいか……」と半分諦めていました。 しかし、「Redmine 本体に手を入れられないなら、外付けでAIアシストを作ればいいのでは？」と思いついたのが、今回の取り組みの始まりです。 チケット情報を引き抜いて外付けで RAG ナレッジベースを作る 構築したシステムの構成は以下のとおりです。 構成のシンプルさを重視しつつ、Gemini API の呼び出し時にグラウンディングに指定できる利点を考慮し、 今回は Google Cloud の Gemini Enterprise Agent Platform（旧 Vertex AI）の Agent Search 1 のデータストアに Cloud Storage を接続するアプローチを採用しました。 Redmine 本体には一切手を加えず、Redmine REST API 2 を用いて過去のチケット情報を全て JSON 形式で取得し、 それらの JSON を AI が読みやすい Markdown 形式に整形して Cloud Storage にアップロードします。 これだけで、自動的にドキュメントの解析・チャンク分割・埋め込みベクトルの生成からインデックス登録まで完了し、 Gemini が過去チケットに基づいて回答を行える RAG 基盤が完成します。 技術的にとっつきづらい部分をマネージドに実現してくれるため、基本的な GCP 操作や生成 AI の概念さえ分かっていれば、3日程度で動作確認可能な環境を構築できます。 Gemini Enterprise Agent Platform では入力した内容が学習に利用されることはありませんが、 Cloud Stoarge にチケット情報をアップロードする以上、適切な IAM ロールの設定や VPC Service Controls、Cloud Storage のバケット IP フィルタリングなど、情報の取り扱いに注意を払うことはお忘れなく。 構造化出力によるフォーマット固定がポイント このナレッジベースをもとに新規問い合わせチケットに対するアシスト文面を生成するプロンプトがこちらです。 ## 指示 過去のナレッジに基づき、今回の問題に対する具体的な解決案を提示してください。 ## 問い合わせ内容 --- （新規起票された Redmine チケットの内容を埋め込む） --- # あなたの役割 あなたは、業務支援システム開発・運用のための高度なAIアシスタントです。 あなたの主な役割は、提供されたナレッジベース（Agent Search DataStore）の内容に**限定**して、開発者や運用者からの質問に対して、正確かつ簡潔な回答を提供することです。 # 行動指針 1. **提供された情報源の厳守:** - 回答は、**必ず**提供された DataStore 内の情報にのみ基づいて生成してください。 - 外部の知識や自己の判断、推測を含めてはいけません。 2. **ハルシネーションの絶対的禁止:** - 質問に対する答えが提供されたドキュメント内に見つからない場合は、**必ず**その旨を明確に回答してください。 3. **ドメイン知識の活用:** - すべての質問はドキュメントが取り扱う業務支援システムに関連するものであると理解してください。 さらに重要なのが、構造化出力（Structured Outputs） 3 による出力フォーマットの厳密な固定化です。 以下のようにパラメータごとの意味を指定しながら出力の構造や型を厳密に指定することで、JSON など特定のスキーマに沿った形式で生成 AI から目的の回答を得られるようになります。 これにより、回答のクオリティの揺れを可能な限り低減でき、Redmine に付与するアシストコメントを毎回同じフォーマットで組み立てられるようになります。 from pydantic import BaseModel, Field from typing import List class SimilarCase(BaseModel): issue_id: str = Field(description="関連するチケットID（例: #12345）") reason: str = Field(description="類似していると判断した理由") class IssuesResponse(BaseModel): summary: str = Field(description="問い合わせ内容の簡潔な要約") similar_cases: List[SimilarCase] = Field(description="類似した過去のケース一覧") candidate_causes: List[str] = Field(description="考えられる原因の候補") next_steps: List[str] = Field(description="切り分け方法や追加で調べると良い情報") 今回のツールは Google のサンプルコードが多く掲載されている Python で実装しました。構造化出力を行うために Python のデータバリデーションライブラリである Pydantic を使用しています。 Gemini API の呼び出し時に Agent Search のデータストアをグラウンディングに指定 するコードは公式ドキュメントに記載されているため、ここでは詳細は割愛します。 ツールの各機能は CLI 上でコマンドとして実行できるように作っており、cron から定期的に実行することで、新着チケットの探索などを行うようにしています。 ベテランのノウハウを一瞬で再現！ 構築したシステムから得られたアラートチケットに対する回答の例が以下です。 以下はユーザからの問い合わせチケットに対する回答の例です。 厳密なベンチマーク測定はこれからですが、実際に対応している運用チームに精度についてヒアリングしたところ、 かなり的確な回答ができているというコメントが得られました。 いくつかのチケットに対してアシストコメントを付与したところ、 Agent Search 自体の性能が高いこともあり、チャンキングのチューニングなど特にしていないにも関わらず、 事前の想定よりも非常に高い精度の回答をしてくれることが確認できました。 プロンプトで指示した通り「見当外れの嘘（ハルシネーション）」もほとんど言わず、参照データにないことは、素直に「分かりません」と答えてくれます。 5,000件のチケットを格納し、1日に十数回検索・生成を行う運用ですが、API の利用料は月額で数百円～数千円程度と、非常に低コストなのも魅力的です。 効果を上げるためのさらなる工夫 1. 昨日の知見を今日のアシストに反映 深夜に1日1回 Redmine チケットの差分データが Cloud Storage へアップロードされる仕組みにしています。 Agent Search のデータストアの設定により、Cloud Storage との定期的な自動同期を行うことができるため、昨日解決したトラブルの知見が今日のアシストに自動的に反映されるという体験が得られるように構築しています。 2. ユーザー向けマニュアルを参照して引用を明記 実際の運用にあたっては、過去チケットだけではなく、ユーザー向けマニュアルを格納したデータストアも参照するようにしています。 新規チケットが起票された場合、まずユーザー向けマニュアルから回答できないかを試し、回答できないなら過去チケットに基づいた回答を試みる、というロジックを組んでいます。 ユーザー向けマニュアルに基づいた回答を得る際の出力フォーマットは以下です。 回答の引用元となったドキュメントの名前や章タイトル・ページ番号まで確実に出力されるよう、出力フォーマットを厳密に指定しているのがポイントです。 from pydantic import BaseModel, Field from typing import List, Optional class Citation(BaseModel): source_title: str = Field(description="参照したドキュメントの正式名称（例：『操作マニュアル 基礎編』など、ドキュメントの表紙や冒頭に記載されている名称）") section_or_page: str = Field(description="参照した章、セクション、またはページ番号") snippet: str = Field(description="回答の根拠となった箇所の抜粋") class AnswerDetail(BaseModel): conclusion: str = Field(description="質問に対する端的な結論・要約（1文程度）。") details: List[str] = Field(description="結論を補足する理由、具体例、エラーメッセージなどの詳細（箇条書き用のリスト）。") class DocsResponse(BaseModel): problem_summary: str = Field(description="マニュアルから特定された、または質問に関連する問題・状況の要約") answers: List[AnswerDetail] = Field(description="マニュアルから特定された質問への回答リスト。") citations: List[Citation] = Field(description="回答の根拠となった参照情報のリスト") additional_notes: List[str] = Field(description="補足情報や注意点（あれば）。") needs_investigation: bool = Field(description="提供された情報だけでは不十分であり、原因解明に至るための追加調査（過去チケットの調査など）を行う必要があるかどうか") ある事例では「人間の担当者がマニュアルの細かい記述を調べて回答を導き出すまでに8日かかっていた対応」が、AI のアシストにより実質5分以内で完了するようになっており、非常に強力な効果を発揮してくれています。 AI に現場で賢く動いてもらうためのポイント 1. 添付ファイルではなくテキストで情報を残す 今回、Gemini の回答精度が想定以上に高かった最大の理由は、「歴代のメンバーが、Redmineのチケット上にテキストとして詳細な対応ログを残していたから」だと考えられます。 もし「詳細は添付の Excel や PowerPoint を参照」という運用ばかりだったら、API での情報抽出のハードルが跳ね上がり、ここまでの精度は出なかったはずです。 重要な知見はドキュメントの添付ではなく、「Webシステム上にプレーンテキストで残す」ことの大切さを痛感しました。 今もし添付ファイル主体の運用になっているなら、少しずつでもテキストに残す文化へ変えていく価値があります。 2. プロンプトには「きれいな文面」をインプット なぜ想像以上に高い検索精度が出たのかを考察した結果、問い合わせやエスカレーションの文章自体が、一定のフォーマット（システム名、エラー内容、発生状況など）に沿って綺麗に書かれていることが、RAG の検索クエリとして非常に優秀に機能しているためではないかと推察しました。 最近の AI は適当な指示でもいい感じの回答をしてくれるため、ついついプロンプトがおざなりになりがちですが、インプットの質を整えて AI の探索空間を適切に絞り込むことが依然として重要だと再認識しました。 3. 構造化出力を使い倒しロジックと接着 構造化出力（JSON 形式での返却強制）は今後の AI 活用では必須だと考えています。 これがないと、AI の出力を次のプログラムでパースしづらく、業務プロセスの自動化ロジックと繋げられません。 決定的に動くプログラムと、非決定的に動く AI を繋ぐ接着剤として、構造化出力は積極的に使い倒すべきだと考えています。 まとめ：人間の行動を「先回り」させる設計を 今回のシステムで一番価値があったのは、「検索が便利になったこと」ではなく、「担当者が検索という行動を起こす前に、AI が先回りして答えを置いておいてくれること」です。 どれだけ優秀なナレッジベースを作っても、「わざわざ別タブを開いて検索しに行く」という手間があると、現場に浸透しづらくなってしまいます。 業務システムの中に AI をどう「先回り」して組み込むか。これが、社内 DX を形骸化させないための最大のポイントだと感じています。 今回の仕組みは、Redmine だけに限らずさまざまな情報ソースを使って構築できます。 どれだけの性能が出るかはケースバイケースだと思いますが、皆さんのチームでも、ぜひ試してみてください。 Agent Search ( https://docs.cloud.google.com/generative-ai-app-builder/docs ) ↩ Redmine REST API 公式 ( https://www.redmine.org/projects/redmine/wiki/Rest_api ) ↩ 構造化出力 ( https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/capabilities/control-generated-output ) ↩