DIS AI駆動開発研修
DIS AI駆動開発研修
メモ1枚から仕様書、Agent MD、動くアプリ、AIレビューまで。上流から下流を一気通貫で体験する4時間。
研修を始める前に、以下の環境が整っていることをご確認ください。ハンズオンで使う素材は一括でダウンロードできます。
python --version）git --version）pip install pandas）ZIP内に議事メモ、Agent MDテンプレート、サンプルCSV、.github フォルダ一式（copilot-instructions.md + カスタムプロンプト5種）が含まれます。VS Codeで展開したフォルダを開けば、そのまま研修を始められます。
研修ゴールと全体マップ / 環境チェック / GitHub Copilotの基本操作確認
コンテキストエンジニアリング / 上流工程でのAI活用 / 仕様書作成ハンズオン
Agent MD設計 / 比較デモ / テストコード生成 / ミニアプリ開発ハンズオン
振り返り / 他の生成AI開発ツール / バイブコーディング / エンジニアの3年後
研修の全体像を把握し、手元の環境が動くことを確認します。この10分で全員のスタートラインを揃えます。
今日の4時間で「メモ1枚を起点に、仕様書を書き、Agent MDを整備し、動くアプリを作り、AIにレビューさせてcommitする」までの一連の開発フローを自分の手で体験します。持ち帰るのは3つの成果物と、それを支える「型」そのものです。
以下の4つが動作する状態を確認してください。問題があれば講師にお声がけください。
python --version）git --version）pip install pandas）VS Code右下のCopilotアイコンが灰色（無効状態）のときは、アイコンをクリックして「Enable Globally」を選択してください。それでも有効にならない場合は、VS Codeの拡張機能パネル（Ctrl+Shift+X）で「GitHub Copilot」「GitHub Copilot Chat」の2つがインストール済みかを確認し、「Reload Required」と出ていればウィンドウを再読み込みしてください。
python3 --version を試してください。動けば以降の手順は python を python3 に読み替えます。Windowsで python がMicrosoft Storeを開く場合は、Python公式サイトからインストーラーを入れ直すか、VS Codeターミナルのシェル種別を確認してください。
本研修で使う3つの機能を確認します。
| 機能 | 起動方法（Windows） | 起動方法（Mac） | 用途 |
|---|---|---|---|
| Copilot Chat | Ctrl + Shift + I | Cmd + Shift + I | 対話形式でコード生成・質問・レビュー |
| インラインチャット | Ctrl + I | Cmd + I | 選択範囲のリファクタリング・説明 |
| コード補完 | Tab で受け入れ / Esc でキャンセル | 入力中にリアルタイムでコードを提案 | |
#file:ファイル名 でチャット内に特定ファイルの中身を渡せます。@workspace でリポジトリ全体を文脈に含められます。この2つを使いこなせるかどうかで出力品質が変わります。
@workspace はリポジトリ全体を文脈に渡すため、トークンを大量に消費します。ファイル数が多い大規模リポジトリでは応答が遅くなったり、文脈が溢れて精度が落ちることがあります。対象ファイルが明確な場合は #file: で個別に指定するほうが確実です。
GitHub Copilotの出力品質は渡す文脈で決まります。プロンプトの小手先テクニックではなく、AIに渡す情報の設計こそが生産性を分けるという話から始め、仕様を先に書いてAIに実装させる順番を体験します。
AIの出力品質を決める3つの文脈層があります。プロジェクト設定（Agent MD）、開いているファイル群、指示の精度。この3つを設計するのがコンテキストエンジニアリングです。
copilot-instructions.md に書かれた規約・禁止事項。リポジトリに入れるだけでチーム全員のCopilotが従います。Session 03で詳しく扱います。
VS Codeのタブに開いているファイルがCopilotの文脈に入ります。関連ファイルを開いておくだけで出力精度が上がります。#file: で明示的に渡すとさらに確実です。
「何を」「どの形式で」「何を除外して」生成するか。制約指示が効くかどうかが出力品質の分かれ目になります。
「CSVを読み込んで集計する関数を書いて」という指示を2通りの方法で試した結果です。
渡す文脈が違うだけで、同じツールの出力がここまで変わります。プロンプトの書き方を工夫する前に、何を渡すかを設計するのが先です。
まずは皆さんで考えてみてください。
チャットで何度もやり取りするのは、必要な文脈をその場で思いつきで渡しているから。仕様書やAgent MDを事前に書いておけば、1回の指示で精度の高い出力が得られます。事後の修正コストと事前の設計コスト、どちらが安いかという話です。
個人がプロンプトを工夫するのは属人的。Agent MDをリポジトリに入れるのはチーム施策。仕組みで解決すれば、メンバー全員のAI出力品質が揃います。
copilot-instructions.md の設計思想は Claude Code の CLAUDE.md が原型です。エージェントモードも同じ系譜。GitHub Copilotの「新機能」として見るのではなく、AI開発ツールに共通する設計思想として理解すると、ツールが変わっても応用が利きます。
AI駆動開発を進めるうえで、AIが読み取りやすいドキュメントを事前に準備する必要があります。フリーフォーマットのメモではなく、構造化されたMarkdownで書く。この準備の質が実装フェーズの出力精度を左右します。
「仕様を先に書き、実装はその後」。この順番が核です。言語やフレームワークに依存しない普遍的な考え方で、JavaでもTypeScriptでも同じ型が使えます。あるべき姿を先に示すことで、AIの出力精度が上がります。
仕様を書かずにいきなりコードを書かせると、AIは「動くが使えないもの」を量産します。メモから要件を抽出し、Markdownで構造化し、仕様書にまとめる。この工程を経てから実装に入ると手戻りが激減します。
メモの箇条書きをそのままAIに渡して「仕様書にして」と頼むと、AIが親切心で勝手に要件を追加します。ログイン機能、通知機能、権限管理など、メモに根拠がない機能が混入するのが典型例です。「メモに書かれていない要件は追加しないでください」という制約を明示しないと、仕様書の段階でスコープが膨張し、手戻りの種になります。
「こういう使い方もある」という紹介です。関数の上にコメントを先に書き、Copilotにそのコメントからコード補完させる手法。仕様駆動開発の考え方をコードレベルに落とし込んだものと言えます。
型ヒントとコメントを書いてからTabキーを押す。Copilotは関数名・型ヒント・コメントの3つから本体を推測します。Agent MDで「型ヒント必須」と設定してある場合、この精度がさらに上がります。詳しい補完の活用法は GitHub Copilot コード補完ガイド を参照してください。
議事メモから要件を抽出し、Markdown仕様書に構造化します。制約指示の効果を自分の手で試してください。
docs/議事メモ_データ分析案件.md を開いてください。営業企画部から開発チームへの依頼内容が書かれています。この1枚のメモが今日の全ての出発点です。
Copilot Chat（Ctrl+Shift+I）を開き、以下のように指示してください。
「追加しないで」の一文がないとAIは親切心で勝手に要件を足します。認証機能やログ出力など、メモに根拠がない機能が混ざる。気になる要件があれば「これはメモのどこに根拠がありますか?」と問い返してください。
抽出した要件をもとに、仕様書を作成します。以下のプロンプトを使ってください。
出力をプロジェクトルートに spec.md として保存してください。
研修の最初にフォルダで git init を実行してから、仕様書をcommitします。
制約なしで「この議事メモから要件を整理して」とだけ伝えると、AIは以下のような要件を勝手に追加しがちです。
・ユーザー認証機能（メモに認証の話は一切ない）
・メール通知機能（誰も頼んでいない）
・ダッシュボードUI（CLIで十分なのにWebアプリにする）
・多言語対応（国内業務なのに英語対応を入れる）
AIの「親切な追加」は仕様書のスコープを膨張させます。「メモに書かれていない要件は追加しないで」の一文が防波堤になります。
制約指示があるときとないときで出力がどう変わるか。隣の人と仕様書を見比べてみてください。同じメモから始めても、粒度や構成が違っているはずです。
先方から最も強い要望があったテーマです。copilot-instructions.md でCopilotの出力品質をチーム単位で制御する方法を学び、Session 02で作った仕様書と組み合わせて実際に動くアプリを作ります。
.github/copilot-instructions.md というファイルをリポジトリに置くと、そのリポジトリでGitHub Copilotを使う全員がこのルールに従った出力を得ます。個人設定ではなくチーム設定です。実際のプロジェクトでは、これ単体ではなく複数の設定ファイルを組み合わせて使います。
| ファイル / フォルダ | 役割 | 重要度 |
|---|---|---|
| copilot-instructions.md | 全体に常時適用されるルール。コーディング規約・禁止事項・出力フォーマットを書く | 必須 |
| instructions/ | ファイル種別や配置場所ごとの追加ルール。applyTo でスコープを指定する | 推奨 |
| AGENTS.md | Agent Mode で自律実行する際の行動制約。ファイル操作・Git操作・エスカレーション条件を定義する | 推奨 |
| skills/ | 「レビューして」「テスト書いて」といった定型タスクを SKILL.md で定義し再利用する | 便利 |
| .prompts/ | プロジェクトルートに置くプロンプト集。Copilot Chat から呼び出せる | 任意 |
今日の研修では copilot-instructions.md を中心に扱いますが、配布素材のZIPには上記の全ファイルが入っています。研修後に展開して中身を確認してみてください。
よくある失敗は github/copilot-instructions.md（ドット抜け）や .github/copilot/instructions.md（余計なサブフォルダ）。正しいパスは .github/copilot-instructions.md です。リポジトリルート直下に .github フォルダを作り、その直下にファイルを置いてください。Windowsのエクスプローラーは先頭がドットのフォルダを作りにくいので、ターミナルから mkdir .github で作るのが確実です。
言語バージョン、型ヒントの要否、docstringスタイル、命名規則。チーム全員が日常的に守っているルールをそのまま書きます。
pandasのメソッドチェーン、Pathlibでのファイルパス操作、pd.to_datetime()による日付処理。チームで「この書き方がいい」と合意しているものを列挙します。
bare except禁止、print()デバッグ禁止、SQL文字列結合禁止、グローバル変数禁止。禁止事項が最も効きます。Copilotはここに書かれたことを守ります。
CSVの文字コード、数値のフォーマット、日付形式。出力に関する決め事を書いておくと、生成コードが最初から正しい形式で出力します。
同じ指示を出しても、Agent MDの有無で出力がまるで変わります。ここが研修で最もインパクトがあるパートです。
| 観点 | Agent MD なし | Agent MD あり |
|---|---|---|
| 型ヒント | なし | 全関数に付与 |
| docstring | なし or 不統一 | Google Style で統一 |
| 変数名 | 日本語混じり | 英語で統一 |
| コメント言語 | 英語 | 日本語 |
| 例外処理 | bare except あり | 例外型を指定 |
| デバッグ出力 | print() 使用 | logging 使用 |
| ファイルパス | 文字列連結 | Pathlib 使用 |
「設定しないで使う」と「設定して使う」の差がこれです。同じツールでも使い方で生産性が変わります。
Copilotはテストコードの生成も得意です。pytestを使ったテスト生成を、ミニアプリ開発ハンズオンの中で体験します。
テスト対象のファイルを #file: で渡すのがコツです。Copilotが関数シグネチャと型ヒントを読み取り、それに合ったテストケースを生成します。Agent MDで型ヒント必須にしてあると、テスト生成の精度も上がります。
Copilotが生成するテストコードでよく使われるフィクスチャパターンです。テスト結果を読み解く際の参考にしてください。
テンプレートをベースに、自チームの実態に合わせた copilot-instructions.md を作成します。
templates/copilot-instructions.md を開いてください。ここに書かれたルールがCopilotへの常駐指示になります。
.github フォルダを作成し、テンプレートをコピーして編集してください。
自チームで使っている言語・バージョンは合っているか。追加したいコーディング規約はあるか。チーム内で「この書き方はやめてほしい」と思っているものはあるか。テンプレートはあくまでたたき台です。自分たちの実態に合わせて編集してください。
新しい Copilot Chat を開いて以下を指示してください。
出力に型ヒントが付いているか、docstringがGoogle Styleか、変数名が英語になっているか確認してください。
ファイルパスが .github/copilot-instructions.md になっているか確認してください（サブフォルダに作っていないか）。既存のチャットには反映されないことがあるので、新しいチャットで試してください。それでもダメなら Ctrl+Shift+P から「Reload Window」を実行します。
成果物: 実務のリポジトリにそのまま持ち帰れる copilot-instructions.md
Session 02で作った仕様書と、直前に作ったAgent MDを使い、動くPythonアプリを作ります。上流から下流まで全部繋がる瞬間です。
以下の3つが揃っていることを確認してください。
spec.md : ハンズオン1で作成した仕様書.github/copilot-instructions.md : ハンズオン2で作成したAgent MDdata/sales_data.csv : サンプルデータ（配布済み）Copilot Chatを開き、仕様書を参照させて実装を指示してください。
出力を analyze.py として保存し、実行してください。
エラーメッセージをそのままCopilot Chatに貼り付けて修正を依頼してください。それが実務でもやる正しい使い方です。「pandas が見つからない」なら pip install pandas、「output/ がない」なら Copilot がコードに Path("output").mkdir(exist_ok=True) を追加してくれます。
完成した analyze.py に対して pytest のテストを書かせてみてください。
完成した analyze.py を全選択し、以下をCopilot Chatに指示してください。
AIの指摘を読んで、対応が必要と判断したものだけ修正してください。全ての指摘に従う必要はありません。判断するのは人間の役割です。
ModuleNotFoundError: No module named 'pandas'
pandas がインストールされていません。pip install pandas を実行してください。仮想環境を使っている場合は、その環境がアクティブか確認してください。
FileNotFoundError: [Errno 2] No such file or directory: 'data/sales_data.csv'
スクリプトの実行ディレクトリが違います。cd でプロジェクトルートに移動してから再実行してください。VS Codeのターミナルを使っていれば、通常はプロジェクトルートが作業ディレクトリになっています。
UnicodeDecodeError: 'utf-8' codec can't decode byte ...
CSVの文字コードが合っていません。pd.read_csv(path, encoding="cp932") に変えてみてください。BOM付きUTF-8の場合は encoding="utf-8-sig" を使います。
15分経っても動かない場合は講師にお声がけください。フォールバック用のコードを配布します。全員が「動くもの」を持ち帰れることが最優先です。自力で書けなくても、動くコードを持ってAIレビューの体験に進めればOKです。
今日の研修を振り返り、明日から使えるアクションと、エンジニアのこれからを考えます。
メモ1枚から始めて、仕様書を構造化し、Agent MDでCopilotの出力品質を制御し、動くアプリを実装し、AIにレビューさせてcommitする。この一連のフローを自分の手で完走しました。
spec.md -- 構造化された仕様書テンプレートとして再利用可能.github/copilot-instructions.md -- そのままチームのリポジトリに投入可能analyze.py -- 動くPythonミニアプリ1. copilot-instructions.md をチームのリポジトリに入れる（最もコストが低く効果が高い一手）
2. 新しい開発は「仕様を書く → AIに実装させる」の順番を守る
3. AIが書いたコードをAIレビュー + 人間判断にかける
「こう動いてほしい」という雰囲気（バイブ）だけをAIに伝えてコードを書かせる手法です。Andrej Karpathy氏が2025年2月にXで命名し、一気に広まりました。プロトタイプやPoCの段階では有効ですが、本番開発にそのまま持ち込むと品質リスクが跳ね上がります。今日学んだ「仕様駆動 + Agent MD」はバイブコーディングの対極にある堅実なアプローチで、両方を使い分けるのが現実的です。
| 観点 | バイブコーディング | 仕様駆動 + Agent MD |
|---|---|---|
| 速度 | 高速（思いつきで開始） | 準備に時間がかかる |
| 品質 | 不安定（AIまかせ） | 安定（規約で制御） |
| 再現性 | 属人的（プロンプト依存） | チーム共有可能 |
| 適する場面 | PoC、プロトタイプ、個人開発 | 業務アプリ、チーム開発 |
GitHub Copilot以外にも、AI駆動開発を加速するツールが増えています。深入りはしませんが、存在を知っておくことに価値があります。
VS Codeにも組み込み可能なCLI開発ツール。copilot-instructions.md の設計思想の源流です。CLAUDE.md というプロジェクトルールファイルでAIの振る舞いを制御します。
| ツール | 提供元 | 料金目安（個人/月） | 対応言語 | 特徴 |
|---|---|---|---|---|
| GitHub Copilot | GitHub / Microsoft | $10 / Pro | 全主要言語 | VS Code統合、Agent MD、コードレビュー。エンタープライズ向け管理機能が充実 |
| Claude Code | Anthropic | API従量課金 | 全主要言語 | CLI完結。CLAUDE.mdによる指示設計。ファイル操作やGit操作も自律実行 |
| Cursor | Anysphere | $20 / Pro | 全主要言語 | VS Codeベースの専用IDE。コードベース全体を理解した上での生成が強み |
| Kiro | AWS | 無料 / Pro $19 | 全主要言語 | 仕様駆動開発を重視。Spec→Design→Implementの順序を仕組み化 |
料金は2026年3月時点の参考値です。最新の料金体系は各公式サイトで確認してください。
まずは皆さんで考えてみてください。
AIがコードを書く部分はどんどん増えます。人間の仕事は「何を作るか決める」「AIの出力が正しいか判断する」「設計をレビューする」に集中していきます。今日体験した「仕様を書く→AIに実装させる→人間が判断する」のサイクルは、3年後にはさらに当たり前になっているはずです。
GitHub Copilotが3年後にどうなっているかはわかりません。別のツールが主流になっているかもしれません。ただ、「AIに正しい文脈を渡す」「仕様を先に書く」「規約でAIの出力を制御する」という設計思想はツールに依存しません。今日学んだことは、ツールが変わっても使えます。
業務で必要になったデータ変換、集計ツール、ちょっとした自動化。今日の研修で体験した手法があれば、これまで依頼していた作業を自分で素早く作れるようになります。AIを使いこなせるエンジニアは、対応できる仕事の範囲が大きく広がります。
GitHub Copilot Workspace（Issue→Plan→Implement→PRを自動化する構想）や、Agent Modeの拡張、Copilot Extensionsによるサードパーティ連携など、ロードマップは加速しています。ツールの機能追加を追いかけるより、今日学んだ「仕様を先に書き、Agent MDで制御し、人間が判断する」フレームワークを土台にしておけば、新機能が出ても使いこなし方の応用が利きます。
研修が終わった時点で、以下が揃っていれば成功です。
spec.md（議事メモから作成した仕様書）.github/copilot-instructions.md（自チーム用Agent MD）analyze.py（動作するPythonスクリプト）output/ 内に集計結果のCSVファイルgit log で3回分のcommit履歴が見える今日の研修で学んだ内容をさらに深めたい方、客観的なスキル証明が欲しい方に向けて、関連する資格を紹介します。受験を強制するものではございません。キャリアの方向性に合わせて、興味があるものを検討してみてください。
GitHub Copilotの活用能力を認定する公式資格。プロンプトエンジニアリング、責任あるAIの使用、各プランの機能差、プライバシー保護まで出題されます。2026年1月に試験内容が大幅改訂され、日本語での受験にも対応済み。今日学んだ copilot-instructions.md やコンテキスト設計の知識がそのまま活きます。
受験料 $99 / 選択式 60問 120分 / オンライン監督付き / 合格ライン 70%前後
GitHubの基本概念、リポジトリ管理、コラボレーション機能の理解を問う入門資格。今日の研修で git init / commit の流れを体験しましたが、ブランチ戦略やPull Requestなど、チーム開発に必要な知識を体系的に押さえたい場合に有効です。
受験料 $99 / 選択式 75問 120分 / オンライン監督付き / 合格ライン 70%前後
生成AI活用普及協会（GUGA）が運営する国内資格。2026年から年5回開催に拡大されました。最新シラバスではGPT-o1/o3、Claude、Copilot、RAG、AIエージェント、AI新法まで範囲が広がっています。生成AIの全体像を体系的に掴みたい方の入口として手堅い選択肢です。
受験料 11,000円(税込) / 4択 60問 60分 / オンライン / 合格率 約70%
日本ディープラーニング協会が主催するエンジニア向けの国内最難関AI資格。ディープラーニングの理論と実装能力を問います。今回の研修テーマとは直接重ならない領域ですが、AIの仕組みを深く理解したいエンジニアには価値があります。JDLA認定プログラムの修了が受験の前提条件になっている点に注意してください。
受験料 33,000円(税込) / 選択式+記述 約100問 120分 / 会場 / 合格率 約60-70%
AWSやAzureを業務で使っているなら、クラウドベンダーのAI認定がキャリアの武器になります。今日の研修で扱ったAI駆動開発の考え方と、クラウド上でのAIサービス構築は補完関係にあります。
| 資格名 | 提供元 | レベル | 特徴 |
|---|---|---|---|
| AWS Certified AI Practitioner | AWS | 入門 | AI/ML/生成AIの概念とAWSのAIサービスの基礎知識を問う。Lambda/Glueなど既に使っている方は学習コストが低い |
| Azure AI Fundamentals（AI-900） | Microsoft | 入門 | Azure AI サービスの基礎。受験料12,500円。随時受験可能で取得しやすい |
| Google Cloud ML Engineer | Google Cloud | 上級 | ML実装能力を問う国際資格。Vertex AI、BigQuery MLなどGoogle Cloudでの実務経験が前提 |
今日の研修内容と最も直結するのは GitHub Copilot Certification です。日常業務でCopilotを使い続けながら準備すれば、特別な学習なしでも合格圏に入れます。AWSを業務で使っているなら AWS AI Practitioner も費用対効果が高い選択肢になります。国内資格では生成AIパスポートが間口が広く、チームメンバーに勧めやすいでしょう。