Coding AI

GitHub Copilot Workspace活用術：仕様書から実装まで一気通貫 はじめに ソフトウェア開発の現場にいる皆さん、日々の業務フローを思い返してみてください。 GitHub Issue や Jira のチケットで仕様を確認する。 内容を理解し、ローカルで新しいブランチを作成する。 関連ファイルを特定し、エディタで開く。 仕様に沿ってコードを書き、修正する。 動作確認のためのテストコードを記述する。 ローカルでテストを実行し、問題ないことを確認する。 変更をコミットし、リモートにプッシュする。 ブラウザで GitHub を開き、Pull Request (PR) を作成する。 この一連の流れは、私たちエンジニアにとって日常茶飯事です。しかし、このプロセスには多くのコンテキストスイッチ（思考の切り替え）が含まれており、特にプロジェクトの初期段階や、新しいコードベースに触れる際には、仕様の理解や関連ファイルの特定といった「準備運動」に多くの時間が費やされます。 「Issue の内容を理解したら、あとはAIが自動でコードを書いてPRまで作ってくれたら最高なのに…」 そんな未来の夢物語が、GitHub Copilot Workspace の登場によって、現実のものとなりつつあります。この記事では、GitHub がテクニカルプレビューとして公開した Copilot Workspace を徹底的に解説し、Issue（仕様書）を起点として、AIと共に実装計画を立て、コードを生成し、Pull Request を作成するまでの一気通貫の開発フローを実践的なハンズオン形式で紹介します。 この記事を読み終える頃には、あなたは Copilot Workspace の強力な機能を理解し、自身の開発プロセスを劇的に効率化させるための具体的なイメージを描けるようになっているでしょう。 なぜ今、Copilot Workspaceが重要なのか？ GitHub Copilot が登場し、私たちのコーディング体験は大きく変わりました。関数名やコメントから意図を汲み取り、驚くほど的確なコードを補完してくれる Copilot は、もはや手放せない相棒となっているエンジニアも多いでしょう。その後、Copilot Chat が登場し、エディタ内で対話形式でコードに関する質問やリファクタリングの相談ができるようになりました。 しかし、これまでの Copilot は、あくまで「コーディング」という実装フェーズに特化した支援ツールでした。開発プロセス全体を見渡すと、実装の前には「仕様の理解」「設計」「実装計画」といった上流工程が存在し、実装の後には「テスト」「PR作成」「レビュー」といった下流工程が存在します。 ここに、現代の開発プロセスが抱える根深い課題があります。 コンテキストスイッチのオーバーヘッド: Issue、設計ドキュメント、エディタ、ターミナル、ブラウザ… 開発者は複数のツールやウィンドウを絶えず行き来する必要があり、そのたびに集中力が削がれます。 定型作業の繰り返し: ブランチ作成、ボイラープレートコードの記述、基本的なテストケースの作成など、創造的とは言えない定型作業に多くの時間が奪われています。 オンボーディングの壁: 新しいメンバーがプロジェクトに参加した際、広大なコードベースのどこから手をつければ良いのかを把握するのは非常に困難です。 GitHub Copilot Workspace は、これらの課題を解決するために生まれました。それは単なるコード補完ツールではありません。Issue を起点として、開発タスクの全体像をAIが把握し、人間と対話しながら「仕様の明確化」「実装計画の立案」「コード生成」「テスト」までを半自動的に実行する、いわば「AI搭載の開発環境」 なのです。 Copilot Workspace は、開発プロセスの上流から下流までをシームレスに繋ぎ、エンジニアを煩雑な作業から解放します。これにより、エンジニアはより創造的で、本質的な価値を生み出す「設計」や「アーキテクチャの検討」「複雑なビジネスロジックの実装」に集中できるようになるのです。これは、開発の生産性を根底から覆すポテンシャルを秘めた、大きなパラダイムシフトと言えるでしょう。 Copilot Workspaceによる開発フロー徹底解説 それでは、実際に Copilot Workspace を使って Issue から PR 作成までを駆け抜けるプロセスを、具体的なハンズオン形式で見ていきましょう。 ...

Cursorエディタの新機能を使い倒す！AI時代のコーディング術 はじめに 「もっと速く、もっと賢くコーディングしたい」 「GitHub Copilotは便利だけど、もう少し踏み込んだサポートが欲しい」 「新しい技術のキャッチアップに時間がかかりすぎる」 もしあなたがエンジニアとして、このような課題を感じているなら、この記事はあなたのためのものです。AIがコーディングの世界を根底から変えつつある今、私たちは単にコードを書くだけでなく、「AIをいかに使いこなすか」という新しいスキルセットを求められています。 GitHub Copilotが「AIによるコード補完」という新しい常識を作りましたが、その次世代を担う存在として注目されているのが、AIネイティブエディタCursorです。 Cursorは、単なる補完ツールではありません。あなたのプロジェクト全体を理解し、対話を通じてリファクタリング、デバッグ、ドキュメント生成、さらには複数ファイルにまたがる複雑な機能実装までをサポートしてくれる、まさに「AIペアプログラマー」と呼ぶにふさわしいエディタです。 この記事では、VS Codeをベースに開発されたCursorの基本的な使い方から、最新の強力な機能、そしてVS Code + GitHub Copilotから移行する具体的なメリットまで、現場で即戦力となる実践的なノウハウを余すところなく解説します。AI時代の新しいコーディングスタイルを、Cursorと共に体験してみましょう。 なぜ今、Cursorなのか？ AI時代の開発環境の進化 ソフトウェア開発の歴史は、生産性向上のためのツールの進化の歴史でもあります。テキストエディタから始まり、シンタックスハイライト、コード補完、デバッガなどを統合したIDE（統合開発環境）が登場しました。そして、バージョン管理システムとしてGitがデファクトスタンダードとなり、私たちの開発スタイルは大きく変わりました。 そして2021年、GitHub Copilotが登場し、開発の世界に再び大きなパラダイムシフトが訪れます。大規模言語モデル（LLM）を活用し、コメントや文脈からコードを自動生成するCopilotは、多くの開発者に衝撃を与え、瞬く間に普及しました。 しかし、Copilotの登場は始まりに過ぎませんでした。Copilotは主に「補完」という形で開発者をサポートしますが、開発者が抱える課題はそれだけではありません。 大規模なリファクタリング: 複数ファイルにまたがる変数名や関数シグネチャの変更は、依然として骨の折れる作業です。 複雑なバグの調査: エラーメッセージやスタックトレースを読み解き、原因を特定するには深い知識と経験が必要です。 コードベース全体の理解: 新しく参画したプロジェクトや、巨大なレガシーコードを理解するには膨大な時間がかかります。 設計から実装への落とし込み: 「ログイン機能を実装する」といった抽象的な要件から、具体的なファイル構成やコードを書き起こすのは創造的な思考を要します。 これらの課題は、単純なコード補完だけでは解決が難しい領域です。ここに、AIネイティブエディタという新しいコンセプトが登場する必然性がありました。 Cursorは、この「Copilotの次」を求める開発者のニーズに応えるために生まれました。エディタのUI/UXの深いレベルでAIを統合し、チャットインターフェースを通じて、より高レベルで双方向的なやり取りを可能にしたのです。VS Codeの強力なエコシステム（拡張機能、設定、キーバインド）をそのまま継承しているため、既存の環境からほぼストレスなく移行できる点も、多くの開発者に受け入れられている大きな理由です。 今、Cursorを学ぶことは、AIを最大限に活用した新しい開発ワークフローを身につけ、来るべきAI時代の開発競争で一歩先を行くための、最も効果的な投資と言えるでしょう。 Cursorの核心機能：具体的な使い方とコード例 Cursorの真価は、その多彩なAI機能にあります。ここでは、基本的な機能から最新の強力な機能まで、具体的なコード例を交えながら徹底的に解説します。 1. すべての基本「AIチャット (Cmd+K)」 Cursorの最も基本的な機能が、選択したコードに対してAIと対話できるチャット機能です。使い方は簡単。コードを選択し、Cmd+K (Windows/Linuxでは Ctrl+K) を押すだけです。 ケース1: コードの生成と編集 例えば、TypeScriptでユーザー情報を取得する非同期関数を書きたいとします。まずは空のファイルで Cmd+K を押し、次のように指示します。 プロンプト: TypeScriptで、ユーザーIDを引数に取り、`https://api.example.com/users/{id}` からユーザー情報を取得する非同期関数 `fetchUser` を作成してください。fetch APIを使い、取得したデータはUser型として返してください。User型も定義してください。エラーハンドリングもお願いします。 すると、Cursorは以下のようなコードを生成し、ワンクリックでファイルに挿入してくれます。 生成されたコード: 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 interface User { id: number; name: string; email: string; username: string; } async function fetchUser(userId: number): Promise<User> { try { const response = await fetch(`https://api.example.com/users/${userId}`); if (!response.ok) { throw new Error(`HTTP error! status: ${response.status}`); } const user: User = await response.json(); return user; } catch (error) { console.error('Failed to fetch user:', error); throw error; // or handle it gracefully } } ケース2: リファクタリング 次に、既存のコードをリファクタリングしてみましょう。以下のような、少し冗長なコードがあるとします。 ...

「魔法」の裏側を知りたくないですか？ Claude Codeに「このファイルのバグを直して」と言うと、勝手にファイルを読み、修正し、保存してくれます。 また、「天気を教えて」と言えば、外部APIを叩いて答えてくれます。 まるで魔法のようですが、裏側では非常に論理的なプロセスが動いています。 本記事では、エンジニア向けに**「Claude CodeでSKILLS（スキル）が発動する仕組み」**を徹底的に解剖します。 ここを理解すれば、あなたはClaude Codeを「ただ使う人」から「自在に操る人（ツール開発者）」になれます。 1. 全体像：発動までの4ステップ Claude Codeがスキルを実行する時、内部では以下の4段階のプロセスが走っています。 ツール定義の読み込み (Tool Definition) 意図の検出 (Intent Detection) 引数の生成 (Argument Generation) 実行と結果のフィードバック (Execution & Feedback) それぞれ詳しく見ていきましょう。 Step 1. ツール定義の読み込み Claude Codeが起動する時、設定ファイルや MCP (Model Context Protocol) サーバーから、「自分は何ができるか」というリストを読み込みます。 1 2 3 4 5 6 7 8 9 10 11 12 13 14 { "name": "read_file", "description": "指定されたパスのファイルを読み込む", "parameters": { "type": "object", "properties": { "path": { "type": "string", "description": "読み込むファイルの絶対パスまたは相対パス" } }, "required": ["path"] } } Step 2. 意図の検出 (Intent Detection) ユーザーが「src/main.py の中身が見たい」と発言したとします。 ...

Claude Codeに「自分専用スキル」を追加する方法（MCP活用術） はじめに Anthropic社のClaude 3、特にコーディング能力に優れたclaude-3-opus-20240229モデルは、多くの開発者にとって強力な相棒となりつつあります。コード生成、リファクタリング、デバッグ支援など、その能力は多岐にわたります。 しかし、こんな風に感じたことはありませんか？ 「Claudeに社内のデータベースへアクセスさせて、最新の売上データを分析させたい…」 「GitHubリポジトリの最新のIssueを要約させたり、新しいチケットをJIRAに起票させたりできたら最高なのに…」 「特定の計算や、自作のコマンドラインツールを実行するよう指示できれば、作業が劇的に効率化されるはずだ…」 標準のClaudeは、学習データに含まれる一般的な知識しか持っておらず、あなたの会社のプライベートな情報や、リアルタイムの外部情報にアクセスすることはできません。これまでは、開発者が手動でAPIを叩き、その結果をコピー＆ペーストしてClaudeに与える、という手間のかかる作業が必要でした。 もし、Claudeに**「あなた専用のスキル」**を自由に追加できたらどうでしょう？まるで優秀なアシスタントに新しい能力を教え込むように、独自のツールやAPIと連携させることができたら。 この記事では、Anthropicが提供する**「Tool Use（ツール使用）」機能を活用し、Claudeをあなただけの最強コーディング・アシスタントへと進化させる具体的な方法を、詳細なコード例とともに解説します。この記事で言うMCP（Multi-turn Conversational Platform）活用術**とは、まさにこのTool Use機能を駆使して、対話型AIの能力を最大限に引き出す実践的なテクニックを指します。 この記事を読み終える頃には、あなたはClaudeに独自の「スキル」を授け、開発ワークフローを根本から変革する力を手に入れているはずです。 なぜ今、「Tool Use」が重要なのか？ LLM（大規模言語モデル）は、単に質問に答えたり文章を生成したりするだけの存在から、外部の世界と対話し、能動的にタスクを実行する**「エージェント」**へと進化しつつあります。その中核をなす技術が、ChatGPTにおける「Function Calling」であり、Claudeにおける「Tool Use」です。 この技術がなぜゲームチェンジャーとなり得るのか、その背景にある課題と合わせて見ていきましょう。 従来のLLMが抱えていた課題 知識の陳腐化と非公開情報へのアクセス不可: LLMの知識は、学習データがカットオフされた時点のものであり、リアルタイムの情報（今日の天気、最新の株価など）を知りません。また、社内DBや個人のファイルなど、インターネット上に公開されていない情報には当然アクセスできません。 手動による連携の非効率性: 開発者が外部APIから取得したデータをLLMに渡す場合、手動でのコピー＆ペーストが必要でした。このプロセスは手間がかかるだけでなく、ヒューマンエラーの温床にもなります。 プロンプトの複雑化と再現性の低さ: 複雑なタスクを指示しようとすると、プロンプトが非常に長大かつ複雑になりがちです。「まずこのAPIを叩いてJSONを取得し、その中のitems配列をループして、各nameとpriceを抽出し、マークダウンのテーブル形式で出力して…」といった詳細な手順を毎回プロンプトに記述するのは現実的ではありません。 「Tool Use」がもたらす解決策 ClaudeのTool Use機能は、これらの課題をエレガントに解決します。その仕組みは、LLMと開発者が協調して動作するフレームワークです。 Tool Useの基本的なフロー sequenceDiagram participant User as ユーザー participant App as 開発者のアプリケーション participant Claude as Claude participant Tool as 外部ツール/API User->>App: 「東京の天気は？」 App->>Claude: ユーザーの質問と利用可能なツール定義を渡す Claude->>Claude: 質問を解釈し、「get_weather」ツールが使えると判断 Claude->>App: 「get_weather(city='Tokyo')」を実行してほしい、とJSON形式で要求 App->>Tool: 実際に天気APIを呼び出す Tool-->>App: 天気データ（JSON）を返す App->>Claude: ツール実行結果（天気データ）を渡す Claude->>Claude: 実行結果を解釈し、自然言語の回答を生成 Claude->>App: 「東京の天気は晴れです。」 App->>User: 最終的な回答を表示 このフローが示すように、Tool Useは以下の役割分担によって成り立っています。 ...