Question 1

ループエンジニアリングによるAPI改善の全体像はどのような仕組みか？

Accepted Answer

ワークフローは「監査」「チケット化」「調査・修正」「レビュー」の4段階で構成されている 人間がAIを使うのではなく、AIが主導して回すループの中に人間が組み込まれる構造になっている AIが自律的にチケットの消化やプルリクエスト作成を定期実行し、大量の改善タスクを分担して進める

Question 2

1,000個ものAPIをAIで監査する際、精度を高めるためにどのような工夫をしているか？

Accepted Answer

1,000個のAPIを一度に渡すとコンテキスト溢れやハルシネーションが起きるため、5個程度の小さな粒度に分割している ループ処理を用いてセッションを都度立ち上げ、コンテキスト消費を節約しながら個別調査させている 監査段階では確定したバグ一覧ではなく、後続で精査することを前提とした「バグ候補一覧」としてJSON形式で出力させている

Question 3

監査結果をJiraチケットへ変換するフェーズではどのような工夫がされているか？

Accepted Answer

400箇所の指摘をそのまま起票せず、重複や結合できるものをまとめて作業しやすい粒度（約80件）に再構成している チケット本文に「指摘が間違っている可能性もあるため自分で判断して対応する」旨を記載し、暫定情報として渡している 1つの親エピック配下に子タスクとしてチケットを並べることで、後続のAIエージェントが順次未着手タスクを拾いやすい構成にしている

Question 4

DevinAutomationを用いたチケットの調査・修正はどのように自動化されているか？

Accepted Answer

1日複数回定時起動し、エピック内の未着手チケットを1件ずつ自動で取得して作業を開始する チケットの指摘内容が本当に妥当かをAIが検証し、妥当であればコードを修正してプルリクエストを作成する 指摘が妥当でない場合は「対応不要」の根拠を添えてSlackで人間に報告し、タスクを見送りステータスにする エラー対処用の専用スキルをAIに持たせることで、修正時の品質を保つ工夫がされている

Question 5

修正後のレビュー体制と、そこにおける人間の役割はどうなっているか？

Accepted Answer

CI環境に特化型AIレビュアーを配置し、問題が確実に直っているか高精度に二重チェックさせている SQL修正等のリスクに備え、ステージング環境で負荷試験を自動実行するCIレビュアーも導入されている AIレビュアーからの指摘もAI自身が自動修正した上で、最終的な確認のみ人間の担当者にランダム割り当てされる 人間は完全スルーで承認するのではなく、仕様やクリティカルな箇所の妥当性判断に集中してマージを担当する

Podcast振り返り

ループエンジニアリングの具体例。1,000個のAPI監査をAIで回してる話