メインコンテンツへスキップ
メニュー

A&A INSIGHTS

資料・調査・判断実務者向け

既存コードの調査をAIに任せる前に:Sourcegraphから考える、検索結果と変更判断の境界

既存システムを引き継ぐ実装者向け。Sourcegraphの事例を手がかりに、AIのコード検索結果から変更の影響を判断するまでに必要な根拠、未確認の依存先、テストの範囲を整理します。

コード調査AI開発変更影響
Read in English
虫眼鏡で確認したファイル群と、その外に続く未調査のつながりを表す概念イラスト
GPT Imageで生成した概念イラスト。実際のコード構成や製品画面ではありません。 AI生成イラスト

この記事の要点

AIが修正箇所を見つけても、その変更がどこまで影響するかは別の問いです。既存システムを引き継ぐ実装者へ、Sourcegraphの事例を入口に、架空のCSV項目削除をたどりながら、調査対象の版、根拠、利用側の期待と未確認点を残す方法を提案します。

Sourcegraphの事例を、調査の入口として読む

出典に基づく事実

Anthropicが公開したSourcegraphの事例は、Codyがコードベースを踏まえた質問応答を行い、コード同士の複雑な関係の理解を支援する使い方を紹介しています。また、監視指標などの情報を開発環境へ取り込む実験にも触れています。Claude 3を扱った当時の事例であり、現在の提供プランや機能を確認する資料としては扱いません。

Anthropic

A&Aの考え方

ここから得る視点は、回答に必要な材料を、目の前のコード片だけで決めないことです。ただし、コードベースを参照できる機能があるだけで、自分の依頼に必要な経路をすべて読んだとは判断しません。以下の調査記録は、この視点をA&Aが実装作業へ当てはめた提案です。Sourcegraphが同じ記録様式を使った、障害を減らした、という主張ではありません。

調査対象の版と、検索できなかった場所を残す

A&Aの考え方

まず、対象リポジトリとコミット、調べる動作、読める範囲を固定します。「CSVの項目削除の影響を調査。今回はコード変更なし。根拠はファイル・関数・該当箇所へ戻れる形で返す」と依頼できます。検索結果には、使った語句と対象範囲も添えます。ヒットしなかったときは「この範囲では見つからない」と書き、利用箇所が存在しないという結論に置き換えません。

仮想例

架空の調査記録なら、「画面のダウンロード経路から共通のCSV出力関数を呼ぶことを確認」「夜間ジョブの設定に同じ出力先の記述あり。ただし処理本体は別リポジトリで未確認」「受信先が列名で読むか、列の順番で読むかは不明」と分けます。最後の二つを省いた図は、整っていても変更判断には足りません。

A&Aの考え方

根拠の表には、確認できた関係、その根拠、未確認点と次の確認先を並べます。コードを読んで分かったことと、実行して観測したことも区別してください。本番設定を読めないなら、その制約を残します。調査のために秘密情報や顧客データを無断でAIへ渡す必要はなく、まず承認済みのコードと架空の入力で確認できる範囲を進めます。

項目名の検索から、出力と利用の経路へ進む

仮想例

CSVの例では、項目名がある関数を読んだ後、呼び出し元と出力先をたどります。画面用と夜間用が共通の整形処理を使うなら、画面だけの修正として扱えません。逆に、夜間用は別の固定形式で出力していると確認できたなら、その根拠を添えて対象外にできます。似た名前だから同じ、という推測で経路を結ばないことが条件です。

仮想例

次に、架空の入力から出したCSVを、受け取り側の取り込み処理へ渡す確認を設計します。列名を使う受け取り側なら削除対象を参照していないか、列順を使うなら後続の値が別の項目へ入らないかを確かめます。空欄を残す案、形式を分ける案、利用側も同時に変える案では影響が違います。どの案を選ぶかは、利用側の期待を確認してから決めます。

A&Aの考え方

実行時の設定で経路が変わる可能性を疑うなら、設定を含む確認が次の仕事になります。確認できない場合は「この経路に限った変更案」として止めます。調査を終えたことと、変更を実装して公開できることは別の状態です。この例の調査結果に期待するのは、修正ファイルの断定ではなく、どの経路なら説明でき、何を確かめれば実装へ進めるかです。

既存テストの成功と、利用側の期待を分ける

出典に基づく事実

Anthropicの技術記事「Building effective agents」は、コーディングエージェントが自動テストの結果を使って改善できる一方、システム全体の要件との整合には人のレビューが引き続き重要だと説明しています。

Anthropic

A&Aの考え方

A&Aの提案では、既存テストが何を確かめているかを先に読みます。CSVを作れるだけのテストなら、受信先で正しく読み込めるかは別に確認します。期待値は変更後の出力を写して決めず、合意した入出力例から置きます。変更前の状態でも失敗していたテストは記録を分け、今回の変更で直した、または壊したと早合点しません。

A&Aの考え方

調査の受け取りでは、別の担当者が根拠の箇所へ戻って経路を説明できるかを確かめます。未確認の経路が残っても、誰が何を調べるかが明確なら引き継げます。一方、呼び出し元も利用側も見通せる局所的な変更では、大きな調査表を作る必要はありません。変更の大きさではなく、見えていない依存関係に合わせて記録を増減させます。

調査を速くしたかより、次の判断ができるか

A&Aの考え方

試すなら、過去に影響確認で迷った小さな変更を選び、従来の調査記録と比べます。根拠をたどり直す時間、見落とした利用経路、未確認のまま実装へ進んだ箇所を見ます。AIの回答速度だけでなく、実装者の確認時間、ツール費用、索引や設定情報を新しい状態に保つ負担も含めます。速く答えられても、別の担当者が同じ調査をやり直すなら、引き継ぎは改善していません。

A&Aの考え方

返却物は「対象の版」「確認した経路と根拠」「未確認の依存先」「次に必要な確認」「実装案が成り立つ条件」を短くまとめれば始められます。A&Aに既存システムの改修を相談する場合も、コード全体の説明より、この変更で守りたい動作と不明な利用先が出発点になります。実装後の到達確認については、関連記事「AIが『完了』と言ったあと、業務の成果をどう確かめるか」で扱っています。

既存コードの調査では、見つけた箇所と、その外に残る未確認を一緒に返します。対象の版から出力の利用先まで根拠でたどり、実装へ進む条件を示す。それが、AIの説明を変更判断に使える材料へ変えるための提案です。

出典・編集情報

記事の調査で確認した一次資料です。資料の公開・更新時期と、調査時の確認日を分けて記載しています。

  1. Sourcegraph Claude Platform (API) case study

    Anthropic · Publication date not stated; historical Claude 3 case

    確認日 2026-09-16
  2. Building effective agents

    Anthropic · 2024-12-19

    確認日 2026-09-16

AIを活用した記事制作

調査・執筆・翻訳・編集上の確認にAIを活用しています。資料に基づく事実、A&Aの考え方、仮想例は、それぞれ本文に明記しています。

編集上の確認日: 2026-09-16

記事一覧へ