概要
https://zenn.dev/genda_jp/articles/696e09591ba59
詳細内容
## AI に設計・開発を分業させている話
https://zenn.dev/genda_jp/articles/696e09591ba59
GENDAのエンジニアが複数のAIエージェントの特性を活かし、設計と開発の役割を分担させることで、開発ワークフローとコード品質を劇的に向上させた具体的な実践方法を紹介する。
**Content Type**: ⚙️ Tools
**Language**: ja
**Scores**: Signal:4/5 | Depth:4/5 | Unique:3/5 | Practical:4/5 | Anti-Hype:4/5
**Main Journal**: 76/100 | **Annex Potential**: 73/100 | **Overall**: 76/100
**Topics**: [[AIエージェント, 開発ワークフロー, ソフトウェア設計, コード生成, コードレビュー]]
株式会社GENDAのエンジニアが、複数のAIエージェント（Claude Code、Codex、Cursor）を業務に導入し、設計と開発の分業を通じて効率とコード品質を向上させた経験を解説している。著者は、以前GitHub CopilotやCursorをコード予測程度にしか活用できていなかったが、各AIエージェントの特性の違いに着目し、その適性を活かした新しい開発フローを構築した。
具体的には、AIエージェントの能力を以下のように使い分けている。
* **Codex**: 設計能力が高く、既存コードの核心を突く力があるため、要件定義から実装方針の立案を主に担当させる。
* **Claude Code**: 指示に忠実でコード品質と安定性に優れるため、実装方針の推敲、タスクリスト作成、実装、レビューといった後続の作業フェーズを担当させる。
* **Cursor**: コーディング速度が突出しているため、好みや気分に応じて実装フェーズで活用する。
この分業ワークフローでは、まずCodexに要件定義を渡し、議論しながらMarkdown形式で実装方針（`plan.md`）を作成させる。次に、別のエージェントやセッションを使って実装方針のフィードバックを得てブラッシュアップ。その後、Claude Codeにコミット粒度を考慮したタスクリストを作成させ、これを基に実装を進める。最後に、実装者とは別のエージェントにコードの変更差分をレビューさせ、フィードバックがなくなるまで修正を繰り返す。
この新しいフローを導入した結果、実装の文章化負担が軽減され、変更箇所を事前に把握できるようになり、実装後のテストPASS率が向上し、コード品質の全体的な底上げが実現したという。著者は、AIエージェントの使い分け自体が本質ではなく、実装前までにいかに精度の高い実装方針を立てられるかが鍵であると強調しつつも、各エージェントの特性を掴み適材適所に担当させることが品質向上に繋がると結論付けている。
さらに、このフローを拡張し、複数の実装を並行して実行する（Git worktreeと複数エージェントの活用）や、tmuxを利用してAI同士が直接やり取りできる環境を構築し、エンジニアの介入を最小限にする自動化の可能性も模索している。AIエージェントの進化が著しい中で、エンジニアには、AIの精度を高めるためのフロー構築スキルがこれまで以上に求められていると指摘している。