ガリレージレポート

【エンタープライズ向け】GitHub Copilotを組織仕様にカスタマイズするCustom Instructionsの推奨テンプレートおよび運用方法

Custom Instructionsを設定することで、GitHub Copilotが一般的なベストプラクティスだけでなく、組織固有のコーディング規約やプロジェクトの文脈を理解し、一貫性のある高品質なコードを生成できるようになります。

『エンタープライズシステムへのAI駆動開発の適用』に向けた戦略における3つの重要論点

エンタープライズのAI開発戦略として、流行のツール選定よりも「Context & Constraints」「Excellent Workflows」「Responsible People」の3つの普遍的論点へが重要

AIが生成したコードと人のコードを区別するための方法論

生成AI（Generative AI）の急速な普及に伴い、ソフトウェア開発の現場や教育機関において、目の前のソースコードが「人間によって書かれたものか」あるいは「AIによって生成されたものか」を判別する能力が求められるようになっています。

AI駆動開発のパターンとベストプラクティス：TDD・SDD・PDD・Vibe Codingの比較と導入戦略

本レポートは、大規模な開発現場の開発者及び管理者を対象に、生成AIの台頭によって劇的に変化したソフトウェア開発の現在地と、開発プロセスの再定義について論じるものです。

LLMを用いたAI駆動開発を大規模システムに適用する際の主な問題点

AI駆動開発（AI-Driven Development）とは、大規模言語モデル（LLM）を中核とした生成AIツールをソフトウェア開発プロセスに組み込み、コーディング、テスト、ドキュメント作成などのタスクを効率化・自動化する開発手法を指します。

AI時代における新人エンジニア教育の方法論

AIの普及により、コード生成は容易になったが、設計や品質評価の難易度と重要性が増している。

プロダクションコードと設計書の差異検出の手法

現代のソフトウェア開発、とりわけウォーターフォールモデルなどの開発プロセスを採用している大手SIerの現場において、現場で運用されているプロダクションコードと設計書（基本設計書・詳細設計書など）の内容が一致していないという問題は、古くて新しい問題といえます。

大規模システムの複雑なDBスキーマをAIに「正しく」理解させるための実践的アプローチ

現代の大規模システム開発において、生成AI（LLM）の活用は不可欠になりつつあります。しかし、コード生成やリファクタリングの相談においては優秀なAIも、**「既存の大規模データベースのスキーマを正しく考慮した機能追加」**というタスクになった途端、うまく機能しないことがあります。

欠陥のあるソースコードの生成AIによる改善の実験（仕様書生成及びコード再生成）

近年、GitHub CopilotやCursorなどのAI駆動開発ツールの普及により、新規コードの生成速度は劇的に向上しました。

LLMの「Family Bias」が招くコードレビューの形骸化を複数モデル協調（MoA）で対策する

現在、多くの開発現場で「GitHub Copilot」や「Cursor」といったAIコーディングツールの導入が進み、若手エンジニアのコード生成速度は劇的に向上しました。しかし、大手SIerの現場を預かるマネジメント層にとっては、新たな問題が浮上しています。

ISOソフトウェア品質特性とAI駆動開発：Verifiability（検証可能性）を担保する自動レビュー環境の構築

本レポートでは、ソフトウェア開発における品質保証の課題に対し、ISO/IEC 25010規格に基づくAI自動コードレビューの導入を提案しました。

大規模・複雑なコードベースをAIに「正しく」理解させるための技術戦略と推奨施策

AI駆動開発（AI-Driven Development）が普及する中で、数万〜数百万行に及ぶレガシーコードやマイクロサービス群をAIにいかに扱わせるかが、開発効率を分ける最大のボトルネックとなっています。

AI駆動開発におけるLLMへのコンテキスト渡し方の方法論

昨今、開発現場においてGitHub CopilotやCursor、Claude Codeといった生成AIツールを用いた「AI駆動開発」が標準化しつつあります。しかし、現場からは「期待したほどコードの精度が出ない」「複雑な仕様を理解してくれない」という声が依然として多く聞かれます。

LLMはドキュメントをどこまで読めるか ― Document VQAの性能検証

PDFはDocVQA、WordはBigDocs、PPTはSlideVQA、表混在はTAT-QAで、形式ごとに強みと限界が違う

生成AIとMCPサーバーを用いた大規模システム開発における影響範囲調査手法

AI駆動開発（AI-Driven Development）は、コードの自動生成やテストの自動化により、開発プロセスの効率を格段に向上させる可能性を秘めています。 しかし、その強力な能力を大規模かつ複雑なシステム開発に適用するには、まだ多くの課題が存在します。特に深刻なのが、ある機能の改修が、その機能に依存している他の多数のモジュールとの整合性を破綻させてしまう「影響範囲」の問題です。

生成AI時代の今だからこそ、テスト駆動開発（TDD）の本当の意味を問い直す

生成AIの普及で実装速度は向上したが、品質や保守性への不安も増大しており、TDD（テスト駆動開発）が再評価されている。