ガリレージレポート

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。 「コードは早くなったが、品質が低い。スパゲッティコードが量産され、レビュー指摘が追いつかない」といった問題です。 このボトルネックを解消するた

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

現代のソフトウェア開発において、機能の複雑化とリリースサイクルの短縮化が課題になっています。 この課題への対応策として、開発者それぞれによる単純なコードレビューも依然として重要ではあります。 しかし、レビュアーのスキルへの依存、ミスによる見落とし、そして「品質基準のばらつき」という課題を抱えています。 特に、システムの信頼性を支える「品質」の定義が曖昧なままレビューが行われると、将来的な技術的負債

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。 多くの現場では、単純にファイルをコンテキストウィンドウに放り込んだり、基本的なRAG（検索拡張生成）を用いたりするだけで「AIが賢くない」と判断しがちです。しかし多くの場合、問題はAIの能力で

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。 実務レベルのコーディングにおいて生成精度を左右する要因は、実はプロンプトそのものではなく、「AIにいかに適切な前提知識

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

Document VQA (Visual Question Answering)とは、**PDF/Word/PowerPoint/Excelなど文書の画像ファイルに対して自然言語の質問を投げると、文書内容に基づいて自動で答えを返す**技術です。 表や図、レイアウト（段組み・見出し・欄外）など「ドキュメントならでは」の情報を踏まえて推論できるのが特徴です。 自然言語理解（NLP）、視覚情報処理（CV

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。 従来の開発で

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

2026年現在、GitHub CopilotやCursor、Claude CodeといったAIコーディングアシスタントは、開発者の必須ツールとしての地位を確立しました。自然言語で指示を出せば、瞬時に実装コードが提案され、ボイラープレートの記述に時間を割く必要はなくなりました。 しかし、実装速度が劇的に向上した一方で、現場では新たな不安が生まれています。 現場の開発者は常に、 「この生成されたコード

機能要件 / 非機能要件のVerifiability（検証可能性）を向上させるためのアプローチ

2025年現在、システム開発現場において、システムの複雑性は引き続き増大しています。 マイクロサービス化、クラウドネイティブ化、そして頻繁な法改正対応など、開発現場に求められる要求は増加の一途をたどっているといって良いでしょう。 こうした状況下で重要なのが「検証可能性（Verifiability）」の確保です。 従来、検証可能性は「テストが書ける設計になっているか」という設計論の文脈で語られること

図表理解における視覚言語モデル（VLM）の課題と解決策

Galirageでは、ビジネス文書に不可欠な**システム図・フロー図の関係構造を高精度に解析**するため、Vision Language Model（VLM）が抱える限界に挑戦しています。 2025年に発表した論文 **[Overcoming Vision Language Model Challenges in Diagram Understanding](https://arxiv.org/a