AIコーディングで要求管理ツールを作った実験記録

2024年10月26日 · Tags: AI開発, Miyabi, 実験記録, モックアップ

はじめに：なぜこの実験を行ったのか

「AIコーディングは本当に実用的なのか？」「AIエージェントによる自動開発はどこまで可能なのか？」

これらの問いに答えるため、実際にAIコーディングツールを使って要求管理MCPサーバーのモックアップを構築する実験を行いました。本記事では、その過程で得られた知見を簡単に紹介します。

🧭 実験の目的

主目的

AIによるソフトウェアの自動開発の実力と限界を把握する。

副目的

Miyabi（Claudeコード拡張ツール）の構造・思想を理解する
AI開発によってモックアップレベルのツールをどこまで迅速に構築できるか検証する
VS Code上でAIとツールが連携する開発体験を確認する

⚙️ 実験環境と実施内容

使用ツール

ツール	役割
Claudeコード	API駆動のコード自動生成ツール
Miyabi	`npx miyabi`で起動、Claudeコードの上に動作するフレームワーク
VS Code	実行・開発環境

作成した成果物

要求管理MCPサーバー（モックアップ）

AIとの対話により、要求をツリー構造で自動生成・管理する仕組み。

動作概要

人間がチャットで要求を説明
AIが解析して要求構造（ツリー）を生成
MCPサーバーがデータを保持し、AIがそれを読み書き・分析可能にする

利用構成

ローカル上のVS CodeでClaudeコードをベースにMiyabiを追加実行。サーバー・クライアント構成を模擬。

💡 得られた知見

1. AIコーディングの有用性

モックアップ構築においては非常に高効率。

✅ 機能拡張のスピードが圧倒的に速い（多く見ても30分以内に1機能、githubへのコミット・プッシュもすべて実施）
✅ 開発者1人でも実用レベルの原型が短期間で作れる（モックアップレベルだが10数時間程度）

例えば、「A製品の要求を作成してください。ステークホルダは製品利用者です」と伝えると、MCPサーバにその機能がなかったら、ツールの機能拡張を提案し作成。ざっくりした説明からステークホルダ要求、システム要求の分解、上位と下位要求の整合性、粒度の調節などを自動的に実施でき、その依存関係を正確に表現している。

2. 費用対効果

API利用料は高く感じたが、開発工数を考えれば十分安価。

⚠️ Claude APIの利用料金は想定より高い（数十ドルがすぐ溶ける）
✅ ただしプロトタイピングや実験段階では優位性が高い
✅ 人件費と比較すれば依然としてコスト効率が良い
✅ 逆に運用段階ではコストを抑える方策が必要なのが課題

3. 開発体験の変化

「ツールを使う」から「ツールを育てる」へ。

従来の開発:

要件定義 → 設計 → 実装 → テスト → デプロイ

AI開発:

対話 → 生成 → 確認 → 修正 → 対話 → ...（継続的な進化）

この自動化環境はMiyabiによる成果が大きい

結論：ユーザーがAIエージェントを通してツールを進化させていく構造が明確に見えた。

4. 技術的示唆

トレーサビリティ（要求間関係）の自動化がAIで十分に実現可能。

✅ 一定のルール化を行えばAIによる構造生成・分析ができ、MCPサーバー側でデータのインフラ化できそう
✅ （もしかすると）既存ツールよりも操作効率・柔軟性が高い
✅ JSON形式での要求管理はAIとの親和性が極めて高い

⚠️ 課題と限界

1. コスト面

Claude APIの運用コストがばかにならない（開発コストは安く思える）

継続的な利用にはコスト最適化が必要。特に大規模プロジェクトでの運用には要検討。

2. データ永続化

現時点ではVS Codeローカル保存に留まる。

DB統合までは未実施。実運用には以下が必要:

データベース統合
バックアップ機構
複数ユーザーでの共有機能

3. 成熟度

まだモックアップレベル。

実運用に耐えるには以下の設計が必要:

構成管理
認証・認可
データ保全
エラーハンドリング

4. AIとの責任分担

「どの程度頼ってよいか？」「人間は怠惰である」AI活用の運用設計は課題

きっと人間は判断しなくなり、Enter Keyを押すだけになる
修正履歴と判断根拠、判断結果の記録は残せるが、問題があったときに見るだけになる
最終的に「使う人が困らない」ための責任分担、例えば出荷判断の検査は「見落としゼロ」の責任を担う
責任をどう担い、また評価し、成果報酬につなげるのか運用設計が必要

🚀 今後の展望

1. 開発スタイルの変化

「AI-assisted agile development」の実例として有望。

モックアップ構築をAIが担う
人間は設計意図や品質判断に集中
スプリントの速度が劇的に向上

2. ツールの方向性

「自己拡張型ツール」が主流化する可能性。

各ユーザーが自分専用のAIコーディング環境を持つ
ツールが使用者の文脈に合わせて自律進化する
Miyabiのようなフレームワークが標準化される

3. 要求管理MCPサーバーの進化

要求データをAIが継続的に解析・更新。

トレーサビリティと分析を自動化
PLM的な枠を超えた「知識的インフラ」として発展しうる
要求→設計→実装→テストの全工程を自動連携

総括

AIコーディングは、開発の自動化というよりも「開発者とAIが共同で成長するプロセス」を担っている。

今回、要求管理という高難度領域でも、AIがツール生成と構造設計を人間のニーズをもとに開発し、人間が評価して、機能追加を行うことが可能になった

次のステップ

今後はモックアップレベルは変えずに機能をどんどん追加して、どこまで理想像を描けるか実験していく。

この実験は以下のGitHubリポジトリで継続中:

requirements-mcp-server
技術ブログで進捗を随時公開

あなたも試してみませんか？

この実験は誰でも再現可能です。

必要なもの:

VS Code
Claude API キー
Miyabi（npx miyabiでインストール）

始め方:

リポジトリをクローン
npm install && npm run build
npx miyabiで起動
チャットで要求を入力

詳細はクイックスタートをご覧ください。

関連記事:

要求の”自動修正”を安全に回すコツ

次回予告:

オントロジーのカスタマイズ方法
妥当性チェックの実装詳細