GitHub Copilot本来の機能を使い込む

GitHubのスタッフメンバーが、奇抜なテクニックや新しいツール追い求めるのではなく、本来の機能をマスターすることで実際の生産性向上を引き出すためのGitHub Copilotの7段階ワークフローを共有した。日々AIで仕事をする著者は、「ハーネスだけで十分——ほぼ」と論じており、つまり既存のCopilot機能の一貫した使用が奇抜さを上回るということだ。

ワークフローはツール選択から始まる。GitHub Copilotは複数のプラットフォーム（CLI、GitHub Copilotアプリ、VS Code、Visual Studio、JetBrains）に存在するが、「ハーネス」と呼ばれるコア対話モデルはどこでも同じである。初心者にはCLIが推奨される。最小限のUIを学ぶだけで済む直接のテキストインターフェースを提供するためだ。著者は同じハーネスを使う新しいGitHub Copilotアプリを使用して実演している。

ステップ2はYOLOモード（Allow Allとも呼ぶ）を起動する。これはエージェントが各アクション承認なしにコマンドを実行できるようにするもの。このポストはエージェントが生産性向上をもたらすには自律性が必要である——そうしなければ人間がすべてのステップ承認のボトルネックになり、目的をそがれる——と強調する。しかし安全性は非交渉条件である：エージェントはGitHub CodespacesやDevelopment Containerのような隔離された環境で動作すべきであり、ローカルマシン上ではない。特にエンタープライズ設定ではエラーがプライベートデータを危険にさらす可能性がある。

ステップ3はプロトタイピングへシフトする。直接構築する代わりに、ワークフローはAIに複数の低労力プロトタイプをアップフロント生成させる。与えられた例はカレンダーピッカーコンポーネント：著者は「日付ピッカーウェブコンポーネント用に20個のモック案をくれ。比較できるように全部1つのHTMLファイルに入れて」とリクエストする。複数の視覚レイアウトを見ることは、著者が考えなかったデザインオプション——例えば年ビューから開始して月と日にズームイン——を明らかにする。このポストは人間が密集したテキストより視覚的プロトタイプをはるかに速く処理する、また早期プロトタイピングが費用がかかる実装前に細部の問題を発見するとを強調している。

ステップ4は計画立案を形式化する。/planコマンドを使い、著者は「日付ピッカーウェブコンポーネントを構築してくれ。ユーザーが年、月、日でズームイン・ズームアウトできるようにしたい」とリクエストする。モデルは明確化する質問で応答する——開始日と終了日は同じになれるか。部分選択は有効か。ユーザーが日付をクリアできるか。今日は常に見えるべきか。日付はどの形式で保存されるか——人間が独力で思いつくであろう困難なエッジケースのリストを生成する。このポストはMatt Pocock作成のオプショナルな「grill-me」スキルが計画立案をさらに攻撃的にできることに言及している。重要なポイントは人間が提案を盲目的に受け入れるのではなく、提案に深く関与しなければならないこと：著者は「非連続日付」のような概念についても明確化をリクエストし確実に一致を保つ。

ステップ5はAutopilotを使用して計画を実装する。GitHub Copilotの内蔵ループで各項目が完了することを保証する。このフェーズ中、Copilotは自動的に作業を統制する：ファイル読み込み用に小規模モデルとExplorサブエージェントを使い、複雑なタスク用に大規模なGeneral Purposeサブエージェントを使う。このポストはこのマルチモデル統制がカスタム設定なしでそのままで動作することに言及している。

ステップ6は人間によるレビューと反復改善である。著者は動作する日付ピッカーを受け取るが、すぐに問題を特定する：アニメーションが矛盾していない、ホバー時にテキストコントラストが低い、不要なラベルが表示される（トップに「12 YEARS」）、「Today」ボタンが正しくズームしない。「十分に良い」AIアウトプットを受け入れる代わりに、著者は対話的に反復改善し、スキルとしてCSSフレームワーク（著者作成のPostbroard）を追加し、後続リクエストを発行する：ランディングページを削除、ズームロジックを修正、不要なテキストを削除、ホバー可読性を向上、Todayボタンの動作を修正。このポストは徹底した品質管理を強調している：「最も重要なことはAIアウトプットが『十分に良い』ことで満足しないことだ。品質を要求しろ...その部分はまだあなたの責任だ」。最終的な日付ピッカーはこのポストに表示され、すべての修正が適用されている。

ステップ7はラバーダック検証を含む（Copilotにこの最終チェックをリクエストするときにポストが途中で切れる）。ワークフローはまた、ほとんどのタスクにGPT 5.6 TerrやClaude Sonnet中程度の推論といった中程度のサイズのモデルを使用し、1回のセッション全体で同じモデルを保つことでプロンプトキャッシングがその会話内の以後のリクエストでトークン割引を提供することを推奨している。

このポストはAI導入で蔓延する神話に異議を唱えている：マスターシップは隠れたテクニックやそれこそという完璧に工夫されたプロンプト発見から生じるという神話だ。代わりに日々AIを使う著者は、単一ツールの本来の機能を一貫性を持ってメソドロジカルに使うことが、新奇性を追い求めるよりもはるかに大きなリターンをもたらすと論じている。これは経験を積んだプラクティショナーがAIツールについて考え方をシフトしていることを反映している：広さではなく深さ、テクニックではなく規律だ。

ワークフロー自体は現実的である。探索（プロトタイピング）から計画立案（エッジケースの発掘）、実行（Autopilot）、改善（人間によるレビュー）へと進む。重要なことに、品質の最終的な判断者として人間の判断を維持している。著者は「十分に良い」AIアウトプットで満足しないよう明確に警告している——品質とデザイン品質の向上は人間の責任のままである。このフレーミングはAIが人間の創造性を置き換えるという懸念の一部を払拭する：ツールは人間の美意識を増幅させるのであり、置き換えるのではない。

安全性は全体を通じて組み込まれている。YOLOモード（自律実行）は生産性の必須条件として提示されているが、エージェントが隔離された環境で動作する場合に限られる。この区別——サンドボックス内での自律性、本番システムではない——はプライベートまたは機密データを管理するチームにとって実践的な指針である。1回のセッション内で1つのモデルを使い続けてプロンプトキャッシング節約を最大化することの推奨は、多くのユーザーにわたってAIツールをスケーリングする組織にとって懸念事項である、コスト意識もほのめかしている。

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！