GitHubが示すAI生産性は基本操作が本質

GitHubの投稿はAIツールの複雑さに対する宣言文で、毎日AIと向き合う人物が書いており、シンプルが最適という結論に至っている。著者は最大の生産性向上は新しいツール導入、隠れた機能設定、あるいはエージェントを巧みなプロンプトで操ること以外の場所にあると気づいている。ハーネス──基本インターフェース──をよく理解し、使いこなすこと。

推奨ワークフローはツール選択から始まる。GitHub Copilot全体では、CLI、新しいGitHub Copilotアプリ、VS Code、Visual Studio、JetBrainsなどの選択肢がある。著者は、これらの体験がますます同じ基盤ハーネスに集約されているため、1度学べば全てに適用できることに触れている。初心者にはCLIが推奨される。テキストのみで、エージェントとの最も直接的なやり取りが可能だから。

段階2はYOLOモード（「全て許可」とも呼ばれる）の有効化で、エージェントが毎回許可を求めずに任意のコマンドを実行できるようにする。著者は、生産性を動かすにはエージェントに自律性が必要であり、常に承認を求めることは苦痛な利用体験であり、逆効果であると説明する。ユーザーが自分が承認する内容を読まなくなる訓練になる。しかし著者は安全性を強調している。YOLOモードはGitHub Codespacesや開発コンテナなどのサンドボックス内でのみ使うべきで、ローカルマシンや組織システムでは決して使ってはいけない。誤りが私的データを暴露する可能性があるから。

段階3はプロトタイプから始めることだ。著者は日付ピッカーのウェブコンポーネント例でこれを示している。実装に飛び込む代わりに、著者はAIに1つのHTMLファイルで20個のモックアップを生成してもらい、比較できるようにする。1つのモック──年ビューが月、その後日へズームできる──は、著者が最初は考えなかったであろう洞察をもたらした。著者は一般化する。人間はテキストが密集しているより、画像やレイアウトなどの感覚的に豊かなモデルを速く処理する。だから早期の低労力プロトタイプは、複雑な概念を直感的にする。これはAPIデザインなどの非視覚的なタスクにも適用される。著者はAIに新しいAPIエンドポイント実装の5つのオプションを視覚的モックアップとして作成させ、Mermaidダイアグラムで描画する。

段階4は計画的な検討だ。著者はGitHub Copilotのプラン機能に切り替え、「/plan 日付ピッカーのウェブコンポーネントを構築する。ユーザーが年、月、日をズームイン・ズームアウトできるようにしたい」といったプロンプトを使う。モデルが明確にする質問を出す──開始と終了の日付は同じことができるか？部分選択は有効か？ユーザーが日付をクリアできるべきか？──エッジケースと依存関係を明らかにする。著者は目的は全ての提案を受け入れることではなく、問題に深く取り組んで人間の専門知識でモデルを導くことであると述べている。著者はまたMatt PockockのスキルであるGrill-meについても触れている。計画フェーズをさらに積極的にし、さらに多くの質問やエッジケースを尋ねる。

段階5はAutopilotを使った実装だ。計画が完了すると、モデルは自動的にAutopilotに切り替わる。これは、モデルが作業を継続し、計画内のすべての項目が完了したことを検証するよう強制するループだ。GitHub Copilotはこのフェーズを自動的に調整する。小規模モデルを持つ「探索」サブエージェントでファイルを読み、大規模モデルを持つ「汎用」サブエージェントで複雑なアクション。これすべてが既製で手動設定なしで起こる。

段階6は人間によるレビューと反復だ。著者はAI出力が望むものと完全には一致しないであろうことを認め、反復は人間の判断が最終的な品質を決める場だと述べる。日付ピッカーの例では、AI生成コンポーネントはアニメーションの矛盾、ホバー時の色コントラストの問題で読みにくいテキスト、不要なラベル、「AIで作られたように見える」デザイン──本当にそうだったから！──を持っていた。著者は反復し、PostrboardというCSSフレームワークを使い、特定の動作の修正（例えば「今日」をクリックすると月ビューに留まらず日ビューに移動すべき）を求めるなどの指針を加える。著者は「十分」で満足せず、品質について容赦なくあることを強調している。

段階7はラバーダックレビューで、著者は最終結果のラバーダックコードレビューをGitHub Copilotに実行させる。著者は次に何が起こるかは詳述していないが、これが最終チェックポイントであることを示している。

全体を通じて、著者はほとんどの作業にはGPT 5.6 TerraまたはClaude Sonnetなどの中規模モデルを中程度の推論機能とともに使うことを推奨し、プロンプトキャッシュの最大化と削減によるトークン削減のため機能やバグ修正の期間中は同じモデルを使い続けるべきだと述べている。全体的なメッセージはハーネス──習得され、一貫性を持って使われ、人間の判断と組み合わされたもの──があれば十分ということ。奇抜なプロンプトとスキルはほとんど小手先だ。

この投稿は、AI誇大宣伝に対する不満から生まれた。実質なく習熟を約束する「1つの奇妙な技法」記事とツール発表の果てしない流れへの反発だ。GitHubが述べているのは、AIエージェントの生産性は新規性ではなく深さから生まれるということ。1つのインターフェースを徹底的に学び、その機能を理解し、一貫した方法論を適用すること。

7段階のワークフロー自体は、おなじみのソフトウェア実践に根ざしている。コミット前にプロトタイプ作成、エッジケースを計画、体系的に実装、厳密にレビュー、反復する。新しいのはAIでプロトタイピングがほぼ無料になり、数秒で20個のデザインモックアップを生成でき、計画をモデル自体にクラウドソーシングできるようになったことだ。人間の計画者が見落とすかもしれない質問が浮上しやすくなる。著者はモデルを神託者ではなく思考パートナーとして扱う。モデルが質問を出し、人間が何が重要かを決め、モデルが実装する。この分業──品質と意図の判断は人間、実行と着想はAI──に本当の利益があるように見える。

2番目のテーマは自律性と安全性の緊張関係だ。YOLOモード（制限なしコマンド実行）は生産性に不可欠だが、サンドボックス内でのみ安全だ。これは、職場でのAIの将来は完璧なプロンプトエンジニアリングよりも、信頼を許可するインフラに依存することを示唆している。開発コンテナ、一時的な環境、AIワークスペースと本番システムの明確な境界。

まだコメントがありません。最初のコメントを投稿しましょう！