Web チームが Claude Code を1か月使ってみた感想
チームがClaude Codeを1か月試用:未知のコードの検索と明確なタスクの実行が最も有用で、曖昧な要件にはPlanモードが必要。
日本語
コピー

私たちのウェブサイトチームはこの1か月、Claude Code にどっぷり浸かってきた。ひとつのツールに賭けて、それが自分たちのプロセスと成果にどう影響するかを見るためだ。
昨日の全社ミーティングでこの経験を会社に共有したので、今日はそれをここにも書く。(この分野の変化が速いことは分かっている。今日の知見がすぐ古くなるかもしれない。でも今日のことは今日のうちに!)
この記事では、Claude が役立った場面とそうでなかった場面、そして私たちが agentic coding からどう価値を引き出しているかを紹介する。
Claude Code が強いところ
馴染みのないコードの知識を引く
AI に大量のコードを書かせる準備がまだできていなくても、ここから始められる。Claude Code を知識ベースとして使い、よく知らないコードベースの部分を理解するのだ。システム全体のコンテキストが必要なタスクで詰まり、そのコンテキストを自分でまだ組み立てられていないとき、特に効く。
とはいえ、同僚に聞くのを遠慮する必要はない。人間の頭の中には今も代替のきかない知識があり、どの LLM もそれをインデックスしていない。
定義の明確なタスクを実行する
Claude Code が最も力を発揮するのは、やり方がすでに分かっているタスクだ。要件と受け入れ基準を言葉にできる問題ほど、出てくる結果は良くなる。いわゆる「入力が出力を決める」という話だ。
より曖昧だったり複雑だったりする機能には Plan mode を使う。Claude が確認の質問を出し、複数回のイテレーションを通じてコンテキストを保ち、いきなり実装に入るより常に良い結果を出す。
パターンが明確なコードベース
確立した規約、整った lint、型チェック、フォーマット規則、統合テストがあるプロジェクトでは、Claude は使えて基準に安定して合う案を出しやすい。
鍵は、agent にツールを渡してフィードバックを自分で閉じさせることだ。システムやプロセスのコンテキストを与える MCP を有効にするのもこれに含まれる。Linear、Sentry、Figma、Graphite の MCP は、Claude が私たちの仕事を理解する助けとして特に役立った。
並行開発
AI にタスクを安心して任せられるようになったら、Git worktree で並行して進めることを考えていい。ローカルで複数のブランチを同時にチェックアウトできる。Conductor や Claude Desktop のようなツールを使うと、この流れがかなり楽になる。
Claude Code にまだ手を貸してもらう必要があるところ
Claude Code はかなりのタスクをこなすが、限界も知っておく価値がある。
system prompt で AI エンジニアを訓練する
Claude はセッションごとにまっさらだ。毎回オンボーディングし直す新人だと思えばいい。CLAUDE.md の system prompt で、あなたのコードベースでどう働くべきかを書いておかなければ、同じ要求を何度も伝えることになる。
ただし system prompt は簡潔に。くどい説明はコンテキストウィンドウを食い、その分は本来なら実際の作業に使うべきスペースだ。
Skill の限界
Skill(あらかじめパッケージされたレシピやコンテキストの束)は近道をいくつも用意してくれるが、はっきり促さないと Claude は使うことを思い出さないことが多い。私たちの対処はこうだ。特定のレシピに従わせたいときは、skill のスラッシュコマンドを手動で呼び出す。
コンテキスト管理の難しさ
長いセッションは LLM のコンテキストの限界を露呈させる。Claude は幻覚を減らそうと会話履歴の圧縮と要約を試みる。これは助けになるが、根本的な解決にはならない。コンテキストが積み上がるにつれて出力の質が目に見えて落ちる、というのを私たちは観察している。
対処法はこうだ。独立したタスクを1つ終えるごとに /clear を1回使う。あるいは Claude に現在の進捗を markdown ファイルへ書き出させ、セッションをクリアし、そのファイルを読ませて続きをやらせる。これでコンテキストをリセットしつつ、重要な情報は残せる。
エンジニアリング基準を守る
Claude の出力を評価するとき、自分のエンジニアリング判断を手放してはいけない。LLM は今も驚くほど高い頻度で、アーキテクチャとしてお粗末な案を出す。しかも自信たっぷりに説明する(おなじみの光景だ)。ユーザーに届けてもいいと思える案を出させるには、こちらから能動的にモデルを導く必要がある。
結論
LLM が何を得意とし、何を苦手とするかについての直感を育てるには時間がかかる。使えば使うほど、AI を味方につけて強い結果を引き出すコツが分かってくる。私たちもやりながら学んでいるが、AI プログラミングツールが負担を増やすだけでなく、実際にワークフローを改善している段階にはもう来ている。
会社全体が(そう、営業もマーケティングも)今はそれぞれの程度で Claude Code を使っている。日々どう AI を使うかについて、私たちは一貫して前向きかつ目的意識を持ってきた。興奮しつつ慎重に、丁寧にテストし、観察し、agentic coding の経験を社内で共有している。
これは Expo での私たちの働き方の重要な一部であり、あなたが Expo と どう 協働するかの重要な一部でもある。今後数か月、話したいことはまだたくさんある。それまでの間、AI と Expo を使った開発について具体的な質問があれば、ぜひ教えてほしい。
楽しい agentic coding を!