Claude Code 解説 / 2026年11月時点
AIに仕事を任せるほど、「出来上がったものが本当に正しいか」を確かめる仕組みが大切になります。Claude Code の開発チームが公開した考え方を、日本語で整理しました。
この記事で分かることは、次の3つです。
紹介する元記事は、次のものです。ここでは翻訳ではなく、要点を日本語でまとめ直しています。細部や正確な表現は、元記事でご確認ください。
新人に見積書づくりを任せたとします。出来上がった見積書を、そのまま取引先へ送る人はいないはずです。金額の計算、宛名、品目の抜けなどを、誰かが見直してから送ります。AIに任せた仕事を見直して、確かめる作業が「検証」です。
元記事の冒頭によると、Claude Code チームでは、コードの約90%がClaudeによって書かれ、レビュー(見直し)もされているそうです。ここまで任せられるのは、確かめる仕組みがあるからだ、というのが記事全体の主張です。
確かめる仕組みがあると、AIをたくさん同時に動かせます。記事は、仕組みがなければAIを動かせるのは同時に1〜2台程度、あれば数十〜数百台まで増やせる、と述べています。
たとえるなら、検品の流れが整った工場では、作業員が増えても品質を保てるのと同じです。検品のない工場では、作業員を増やすほど不良品が増えます。
元記事は、数あるテストの中から、特に力を入れる価値のある3種類を挙げています。先に、避けたいテストの特徴が2つ紹介されています。
| 種類 | 一言でいうと | たとえ | 向いている場面 |
|---|---|---|---|
| 通しテスト(E2Eテスト) | 利用者と同じ操作を、最初から最後まで通して試す | お客さんになったつもりで、注文から受け取りまで体験してみる | 画面の流れが正しく動くかの確認 |
| 性質テスト(プロパティテスト) | 「これは絶対に壊れない」という決まりを書き、大量のデータで崩せるか試す | 「在庫がマイナスになってはいけない」を、何千通りの注文で試す | 計算や変換など、守るべきルールがある処理 |
| 新旧比較テスト(差分テスト) | 同じ入力を新旧のシステムに与え、結果の違いを探す | 新しい経理ソフトと旧ソフトに同じ伝票を入れて、答えを突き合わせる | システムの入れ替えや作り直し |
元記事は、1種類だけ選ぶなら通しテストだと述べています(原文より:"If you have to focus on one test type, pick end-to-end.")。「カートに入れる、支払う、完了画面に着く」のような実際の流れを試します。失敗したとき、部品ごとのテストは「30秒でタイムアウト」のような短い知らせだけを返すことがあります。通しテストなら、どの段階で何が起きたかを、手順の記録や画面の写真で確認できます。
「変換して元に戻せば、元と同じになる」「口座の残高は決してマイナスにならない」「同じ操作を2回しても、1回と結果が同じ」「速くした処理でも、遅いが確実な処理と答えが同じ」といった決まりを書きます。その決まりを崩せないか、ツールが大量の入力を作って試します。仕様書が現実の動きとずれてしまった作り直しにも役立つ、と紹介されています。
作り直すときは、古いシステムを「正解」と見なします。ランダムなデータや、本番で実際に流れたデータの一部を新旧に入れ、出力を比べます。空白の違いのような、どうでもよい差は取り除いておきます。「承知のうえで変えた点」の一覧も持っておきます。それ以外の違いは、不具合か、承認していない仕様変更の疑いがあります。
元記事は、チームの検証の進め方を9つの見出しで紹介しています。まず一覧で全体を見て、そのあと少しずつ補足します。
| やり方 | 何をするか | なぜか |
|---|---|---|
| 1. 実際に動かして確かめる | テストだけでなく、アプリを実際に動かして操作する | 紙の上で合っていても、動かすと違うことがあるため |
| 2. 直らなければ人に渡す | AIが直しを3回試しても通らなければ、人に引き継ぐ | AIが同じ失敗を繰り返し続けないため |
| 3. 持ち主が確認項目を書く | その部分の責任者が、自分なら指摘する点を確認項目にする | 現場の勘どころを、AIの見直しに反映させるため |
| 4. 変更に応じて確認項目を選ぶ | 確認項目のリストから、今回の変更に関係するものだけを見る | 毎回全部を見るより、無駄が少なく、見落としも減るため |
| 5. 見直し役は1人を育てる | 見直し役を増やさず、1人の見直し役に注意点を教え込み、何度か回す | 人数を増やすより、1人を鍛えるほうが効果的な場合が多いため |
| 6. 変更が自分の合格基準を変えない | 合格基準は、変更中の作業場所ではなく、元の(確定済みの)場所から読む | 採点される側が採点表を書き換えられないようにするため |
| 7. 新しい関門は「様子見」から | 止める関門を作るとき、最初は記録だけにして、あとから止める設定にする | 誤って止める失敗を、先に見つけるため |
| 8. 確認する仕組み自体を試す | 過去の事故や取り消しを使って、見直し役が見つけられるかを測る | 確認する仕組みが役に立っているかを数字で知るため |
| 9. 見逃しをルールにする | 見逃した不具合から、再発を防ぐルールを作り、整理もする | 同じ失敗を繰り返さず、ルールが増えすぎないようにするため |
元記事は「アプリを最初から最後まで動かすことは、テストより大切」という趣旨で述べています。チームでは、アプリの起動や操作の手順を verify という名前の手順書(スキル)にまとめ、コミット(変更の確定)の前にClaudeが使うようにしているそうです。Webはブラウザ拡張、スマホはモバイル用の連携機能、パソコンのアプリは画面操作の機能で動かします。記事は、これがAnthropicのほぼすべての変更の確認方法だと述べています。
Claudeは確認を実行し、失敗すれば自分で直そうとします。3回試しても通らなければ、そこで止まり、人に引き継ぎます。人が見るのは「AIが行き詰まったところ」だけになります。
その部分のコードの持ち主が確認項目を書き、「持ち主ならここを指摘する」というところを見つけられるまで調整します。見直し役を呼ぶときは、なぜ呼ぶのかも書きます。
チームは39項目の「信頼性チェックリスト」を持っています。各項目には、変更の差分(どこがどう変わったか)から判断できる「引き金」があり、たとえば「再開機能が古い会話記録を読み込む」といった項目があります。実際に確認するのは、引き金に当てはまる項目だけで、元記事によれば通常は3〜10項目です。健康診断で、年齢や症状に合わせて検査を選ぶのと似ています。
記事は、2人目の高価な見直し役を足すよりも、主となる1人を調整するほうが、多くの場合よい方法だと述べています。コードの場所ごとの注目点は、REVIEW.md というファイルに書いて教えます。2回目以降の見直しは、前の回の内容と過去の失敗を引き継いで行います。
Code Review(見直し機能)は、確認の基準を、変更中の内容ではなく、元の標準の場所から読みます。また、古い変更に対して通った見直しは意味がない、として、見直しは常に最新の変更に結びつけます。テストの採点表を、受験する本人が書き換えられない仕組みと考えると分かりやすいでしょう。
各変更には「どう確かめたか」の印(なしの場合も含む)をつけます。確認をしていない変更を止める関門は、「オフ・様子見(observe)・強制(enforce)」の3段階で導入します。様子見では、止めるはずだった件を記録するだけにして、誤って止める例を探します。強制の段階でも、同じ作業中に2回止められたら次は通します。元記事は、その理由を「Claude Code は完璧ではないから」と説明しています。
見直し役が役に立っているかも測ります。取り消された変更や、持ち主が確定前に却下した変更の数を見ます。同じ大きさで問題が起きなかった変更とも比べ、むやみに指摘しすぎないかも確かめます。Code Review の評価には、過去の事故と、1件ごとの一文の正解を使います。指摘は「重要」「軽微」「前からあった問題」に分けます。見つける率は、評価用のデータに合わせすぎない範囲で高めます。
人のレビューのコメントや、取り消しになった変更から、2件以上の変更に現れ、差分から見分けられるパターンを探し、ルールの候補にします。結果が日によって変わるテストは、飛ばす・待つ・やり直すでごまかさず、原因が分からなければ削除し、理由を記録します。テストや手順書は放っておくと増える一方なので、定期的に整理します。
元記事の結論は、次の3点に整理できます。
なお、記事には社内での数字も出てきます。たとえば、構造化されたファイルを作る作業の社内テストで、別の採点役に基準表と照らして確認させると、通常の指示を繰り返す方法より、成功率が最大10ポイント上がったそうです。これは1種類の作業での、社内テストの「最大」の数字であり、どこでも当てはまる数字ではないと読むのが妥当です。
ここからは元記事の内容ではなく、筆者(富田)の考察です。元記事に書かれていない事実は足していません。