#code-quality

AIが生成した低品質なコード「スロップコード（Slopcode）」プロジェクトの大半が、公開から数ヶ月以内に放棄され削除されていることが明らかになった。これらのプロジェクトは初期の注目を集めるものの、持続的なメンテナンスが行われず、急速に消失する傾向にある。

AIによるコード生成は効率を劇的に向上させるが、その手軽さゆえにエンジニアは依存に陥りやすい。過度なAI依存は、基礎的なコーディングスキルの低下やコードの理解不足を招き、長期的にはエンジニア個人の成長とソフトウェアの品質に悪影響を及ぼす可能性があると警鐘を鳴らす。

Spec駆動開発（Spec-Driven Development）とは、AIにコード生成を任せる前に、詳細な仕様書を先に作成する手法。これにより、AIが誤った推測や一貫性のないコードを生成するリスクを減らし、品質と保守性を高められる。本記事では、従来の開発フローにSpec駆動開発を導入する具体的な手順とベストプラクティスを解説する。

AIコーディングアシスタントの問題点を列挙。同じ機能を重複して実装したり、既存コードを変更せず新規コードを追加し続けてコードベースを肥大化させる。コンテキスト窓が短く、長くするとモデルが破綻する。論理的思考がほぼできず、人間なら3〜5行で済む修正に新しいシステム設計を要求する。数百万トークンを使っても改善せず、出力コードは実行できない。

完璧なコードを最初から書こうとするのは、初心者にとって大きなプレッシャーです。この記事では、まずは「醜いコード」で動くものを作り、その後リファクタリングしながら改善していくアプローチを推奨しています。完璧を目指すよりも、動くプロトタイプを早く作ることの重要性を説いています。

著者は、ソフトウェア工学の原則であるSOLID原則や「Clean Code」の概念に対して長年抱いてきた違和感を率直に語る。これらの教えが実際の開発現場では必ずしも適用できず、むしろ複雑さを増す原因になっていると指摘。SOLIDやClean Codeが「絶対的な正しさ」として語られる風潮に疑問を呈し、より実践的で現実に即したコーディングスタイルの重要性を主張する。

This article argues that most software projects end up as "bus termini"—places where data and processes gather but never leave. Unlike a bus stop that facilitates onward travel, a terminus is a dead end where information stagnates. The author explores how this design pattern leads to bloated, unmaintainable systems and suggests alternative approaches for building more sustainable software architectures.

ソフトウェア開発において、コードそのものの美しさや技術的な精巧さよりも、それが提供する価値やユーザー体験が重要であるという主張。開発者は内部実装にこだわりすぎず、成果物がもたらす実際の問題解決や利便性に焦点を当てるべきだと説く。コードは単なる手段であり、目的ではないという原点を再認識させる内容。

ソフトウェア開発における命名の重要性と実践的な指針を提示。良い名前はコードの意図を明確にし、保守性を高める一方、悪い命名は混乱や技術的負債を生む。本ガイドでは、具体的な例とともに一貫性、文脈、抽象化のバランスを重視した命名規則を解説する。

大量のコードがプッシュされる中、皆さんはどのようにPRレビューを管理していますか？他のエージェントに任せる、開発者に計画を提出させてレビューする、重要なコードパスのみ自分でレビューする、結合テストや手動テストに頼るなど、さまざまな方法があります。本スレッドでは、実際に現場で行われているベストプラクティスを共有・議論しています。

AIエージェントによるコード生成が増加する中で、生成されたコードの品質とセキュリティを担保するためには、AIとは独立したコードレビューの重要性がますます高まっている。本記事では、自律的なレビュープロセスがバグや脆弱性の防止に不可欠である理由を解説する。

ループエンジニアリングは、システムが安定した状態を自律的に維持できるように設計する手法。人間の介入なしに動作し続けるループを構築することで、信頼性と効率性を大幅に向上できる。この記事では、自己修復・自己調整可能なシステム設計の原則と実践方法を解説する。

本書はロバート・C・マーティンによる『Clean Code』第2版への批判的レビューである。著者は第1版の原則が時代遅れであり、関数型プログラミングやテスト容易性などの現代的なソフトウェア工学の実践を無視していると指摘する。この記事では、コードの明確さと保守性に関する古典的なアドバイスと、現代の開発環境におけるその限界の両方を検討している。

自動プログラミングの普及によりソフトウェア開発の速度は劇的に向上したが、品質面ではトレードオフが存在する。しかし、ソフトウェアのQAとテスト領域において、LLMを活用した新しい自動QA手法が従来の手法を超える可能性を示している。手動テストに頼っていたQA工程をAIエージェントに委ねることで、リグレッションの発見や品質評価の効率が飛躍的に向上し、ソフトウェア全体の品質基準を引き上げることが期待される。

本記事は、AIがソフトウェア開発に浸透する時代において、コードや設計に対する「ソフトウェアの味（ taste ）」と、手抜きや低品質な出力を指す「スロップ（ slop ）」の違いを考察する。著者は、単に動作するコードを量産するのではなく、長期的なメンテナンス性や設計の美しさを重視する姿勢の重要性を強調している。

Riskratchetは、AIが生成したコードがコードベースの品質を徐々に低下させる「腐敗」を防ぐためのツールです。AIアシスタントが生成したコードを自動的にレビュー・検証し、セキュリティや保守性に関する問題を事前に検出することで、コードベースの健全性を維持します。

「コードが難しい部分」というのは実は誤解で、真の課題はコードの変更が組織やプロセス、人間関係に与える影響を管理することだと解説。あるジャンキーなスクリプトを修正するために、ビジネスロジックの半分をリファクタリングした経験をもとに、技術的負債と向き合う際の意思決定やトレードオフについて考察する。

AI（大規模言語モデル）がソフトウェアアーキテクチャのルールをどの程度守るかを測定した実験結果。最も高性能なOpusモデルでも60%のケースでルールを無視し、その他のモデルではさらに高い割合で違反が発生した。コード生成AIの信頼性とアーキテクチャガバナンスにおける課題を浮き彫りにしている。

AIが生成したコードは一見正常に動作するが、数学的なロジックに潜む「Mathi問題」と呼ばれるバグを見逃しやすい。本記事では、AIコード生成の限界と、開発者が数学的思考を放棄せずにAIと協業する重要性を論じる。

コードレビューが新たなボトルネックとなっている。「テストが通った」だけでは変更を信用できず、エージェントが生成したコードの品質評価にかかる人的コストが急増している。Toposはプログラムの構造的特性に基づき、AST、CFG、CPG、MDGなどのグラフにマッピングしてシンプルさ、合成可能性、セキュリティを測定するメトリクスを算出するオープンソースツール。CLI、MCPサーバー、VS Code拡張に対応。

プログラマーとして、完全に理解していないコードを本番環境に出荷することはしばしば罪悪感を伴う。しかし本稿では、AIアシスタントが生成したコードを自分で完全に理解していなくても、適切なテストと検証を経て出荷することの価値について論じる。完璧な理解よりも、成果を生み出すことの重要性を強調した考察。

A new approach suggests measuring technical debt by counting code tokens rather than estimating engineering hours, offering a more objective, quantifiable metric. This method removes human bias from assessments and makes it easier to track debt reduction over time, though it may not capture the full complexity of architectural issues.

ユニットテストはコードの論理的な正しさを検証できても、UIの見た目や使い心地、デザインの「センス」を自動でテストすることは不可能だと論じている。開発者がUIの細部にこだわっても、テイスト（美的感覚）は主観的であり、コードのカバレッジでは測れない領域であると指摘。真の品質を追求するには、自動テストに加えて人間によるレビューやフィードバックが不可欠だと主張する。

この記事では、LLM（大規模言語モデル）が生成するコードを「IKEAコード」と例え、既存の部品を組み立てるような性質を持つ一方、真に革新的なコードは「大工のような」深い理解と設計から生まれると論じる。LLMによるコード生成の効率性と限界を、職人技との対比を通して考察する。

コードの品質を保つためにリンターや静的解析ツールで自動チェックできるルールは多いが、アーキテクチャの設計原則の中にはツールでは検出できない重要なルールが存在する。本記事では、レイヤー間の依存関係、循環依存、アーキテクチャ上の意図など、人間がレビューで確認すべきルールについて解説し、自動化と人間の判断の適切なバランスを考察する。

LLMはそれ自体に独自の判断基準を持たず、与えられた入力の勢いを反映するだけだ。クリーンなコードを与えればクリーンなまま維持するが、質の低いコードを入力すればその低品質をさらに増幅してしまう。結局のところ、良いインプットを提供する責任は依然として人間にある。

AI-generated code is flooding organizations like cars in a carwash tunnel—fast, abundant, and difficult to inspect. Most IT teams lack the automated guardrails, review processes, and testing infrastructure needed to safely integrate this deluge of AI-produced code. Without addressing these foundational gaps, organizations risk accumulating technical debt and security vulnerabilities at an unprecedented scale.

AIが生成した大規模なコードベースに対して、開発者たちはどのように信頼性を確保しているのかを議論するスレッド。単体テストや型チェックの強化、変更差分の段階的レビュー、実行可能な仕様書の活用など、様々な手法が共有されている。

ソフトウェア開発において、変数や関数、クラスなどの命名はコードの可読性と保守性に大きく影響する。本記事では、著者が長年の経験に基づいて「正しい」と考える命名規則を、具体的な例を交えながら解説。命名における一般的な誤りや、一貫性のある命名がもたらすメリットについても言及し、実践的な指針を提供する。

Vibe coding—writing code that "feels right" without rigorous testing or structure—creates legacy code from the moment it's written. This practice prioritizes intuition over engineering discipline, leading to unmaintainable systems that require costly rewrites. The author argues that shipping such code is irresponsible, as it burdens future developers with technical debt before the software even launches.