LI YUN JUN🚀Gemini CLIとcc-sddで実践！AIエージェントによる仕様駆動開発(SDD)でのAWSインフラ構築2026/03/20に公開AIAWSdev containerGeminiSDDtech 1. 全体概要 1.1 背景、目的、技術スタック、ゴール背景: AIが進化してきた世の中、競争力を維持するためにはAIを活用してみました。目的: 本プロジェクトは、AIを活用したCLIツール（Gemini CLI）や仕様駆動開発フレームワークcc-sdd(kiro)を用いて、実際のアプリケーションとインフラストラクチャを構築・検証することを目的としています。また、その過程と成果をデモとして共有し、読者の皆さんの参考になれればと思います。技術スタック: 開発環境: Google Antigravity^※1、VScode、Dev Container AI/開発ツール: Gemini CLI（Google AI Pro $20/月プラン）, cc-sdd(kiro) インフラ: Terraform (AWS), Docker アプリケーション: Python (Lambda) ※1 執筆の際にGoogle Antigravity、VSCode両方交互に使用していますが、全部CLI経由でAIを使用していますので、IDEの種類に関わらず実践できます。また、執筆時点(2026/01)ではGoogle Antigravityは企業版を提供せず、データが訓練に使用されると言われているため、業務上機密データを扱う場合は、利用に際して各社のセキュリティポリシーをご確認ください。ゴール: AIツールを用いた「仕様→計画→実装」のサイクルを確立する。再現性の高い開発環境（Dev Container）の利便性を実証する。読者が自身のプロジェクトでAIツールを活用できるようになる。本デモのソースコード: build-aws-infra-with-AI-demo-with-cc-sdd 1.2 何が学べるか仕様駆動開発の実践: 自然言語の仕様からコードを生成するプロセス。再現可能な環境構築: Dev Containerを用いた「誰でも同じ環境」の作り方。 Gemini CLIの活用: コマンドラインからAIを呼び出し、タスクを自動化する方法。^※1 ※1 Claude Code、Copilot CLI、CodexなどほかCLIツールでも概念は同じなので、ここでは個人手元の契約に合わせてGemini CLIを活用する方法を学びます。 2. サンプルコード説明 2.1 システム構成本デモでは、人が監視カメラの前で見張り続ける代わりに、監視カメラが動作検知したら画像を撮ってS3にアップロードする。そして、S3にアップロードされた画像をトリガーに、LambdaでGoogleのGeminiで画像を分析し結果Glueテーブルに保存したら、結果を即座にユーザーに通知するパイプラインを構築しています。(実際のカメラは存在しないため、シミュレーション用の画像を予め用意して手動でS3にアップロードしています。) サンプル：通知内容：新しい動作が検出されました --------------------- ■S3 URI: s3://{bucket}/{key} ■署名付きURL: {url} ■画像説明: {description} ■タグ: {tags_str} 構成要素: S3 Bucket: 画像ファイルのアップロード先。 Lambda: S3イベントをトリガーに起動し、Glueジョブを実行または処理を行う。 AWS Glue: データカタログの更新やETL処理（今回はメタデータ処理）を担当。 Dev Container: ローカル開発環境。TerraformやAWS CLIがプリインストールされている。 2.2 ディレクトリ構成プロジェクトの主要なディレクトリ構成は以下の通りです。 /build-aws-infra-with-AI-demo/ ├── .devcontainer/ # 開発環境の定義 (Dockerfile, devcontainer.json) ├── .gemini/command # Gemini CLIの設定とスキル・コマンド定義 │ └── commands # Gemini CLIコマンド │ │ └── kiro # kiroのGemini CLIコマンド │ │ └── my-commands # カスタムGemini CLIコマンド │ ├── skills # skills（Claude公式のスキル） │ └── settings.json # Geminiの設定ファイル（MCP、その他設定） ├── .kiro/ # kiro用ディレクトリ │ ├── settings # 共通ルールとテンプレート（{{KIRO_DIR}} を展開） │ ├── specs # 機能仕様書 │ └── steering # AI指導ルール ├── app/ # アプリケーションコード (Lambda関数など) ├── docs/ # 本ドキュメントを含む資料 ├── infra/ # インフラコード (Terraform) ├── GEMINI.md/ # GEMINIの行動基準、ルール設定 └── README.md/ # ソースコードの使い方説明 3. 本編 3.1 AI開発環境の用意（なぜdevcontainerなのか） 3.1.1 devcontainerのメリット、デメリットメリット: 環境の一貫性: OS、ライブラリ、ツールのバージョンを全員で統一できるため、「環境差異によるバグ」を排除できます。セットアップの迅速化: git cloneしてコンテナを開くだけで、開発準備が完了します。ホスト環境の汚染防止: ローカルPCに直接ツールを直接インストールする必要とせず、dockerコンテナ内で完結。 AI Agent操作ミス防止: AI Agentの操作ミスによってローカル環境を破壊するのを防ぐことができます。※★★★★★重要、ただし、ローカル環境の破壊を防止できたとしても、AIの操作ミスによるAWS環境の破壊などは防げないため、AI Agentを使用する際に自動承認（YOLOモード）を使用せず、手動での承認や一部ツールのみ自動承認するなどの対応が必要です。デメリット: リソース消費: Dockerコンテナを動作させるため、環境のオーバーヘッドが発生する。ローカルPCのリソース状況に要注意学習コスト: DockerやDev Containerの基本的な仕組みを理解する必要があります。 3.1.2 今回含まれるツール .devcontainer/Dockerfile に以下ツールを予めインストールしております。 Gemini CLI: GeminiをCLIから利用するためのツール。 npm: Gemini CLIインストール用 uv: Pythonパッケージ管理 zsh: 強力な自動補完、カラー表示機能を持つシェル .devcontainer/devcontainer.jsonでdevcontainerのfeature設定によって、以下機能がインストールされます。 docker-outside-of-docker: ホスト側のdockerをそのままdevcontainerから利用するツール git: バージョン管理用 aws cli: AWSリソース管理用 terraform: IaC用 github-cli: github操作用 VSCode拡張機能: Python, Terraform, Dockerなどの推奨拡張機能が自動インストールされます。（Google Antigraviyはインストールスクリプト.devcontainer/install-extensions.shを手動実行することでインストール）また、本gitリポジトリに予め以下のAI開発用コマンド、スキル、MCPサーバーなどを導入しております。 .gemini/commands: Gemini用コマンド（Kiroのコマンド、カスタムコマンドなど）。 .gemini/skills: Claude公式のpptx作成とスキル作成スキルなど。 .gemini/settings.json: このワークスペースのためのgemini cli設定、Model Context Protocolサーバー設定など（AWS公式MCPサーバー）。 3.1.3 devcontainerの起動方法 3.1.3.1 dockerのインストール以下いずれの方法でdockerをインストール Windows/Mac: Docker Desktop をインストールします。 ※WindowsユーザーはWSL2バックエンドの使用を推奨します。ただし、企業利用は有料になるので、契約していない場合方法2をお勧めします。 Linux/WSL: ディストリビューションのパッケージマネージャーまたは公式手順でDocker Engineをインストールします。Ubuntuの場合、こちらの便利スクリプトの利用をお勧めします。 3.1.3.2 Dev Container拡張機能のインストール（VSCodeのみ） VSCodeを開きます。拡張機能マーケットプレイスで「Dev Containers」 (ms-vscode-remote.remote-containers) を検索し、インストールします。 ※ Google AntigraviyはビルドインのDev Containersを提供していますが、WSLから使用できないので注意すること。 3.1.3.3 プロキシ設定（企業ネットワーク制限など）プロキシが必要な場合、ホスト側で以下環境変数を設定すると、 devcontainer起動時に自動的にコンテナ側も設定されます。 linux環境の例： export HTTP_PROXY="http://xxx.xxx.xxx.xxx:xxxxx" export HTTPS_PROXY="http://xxx.xxx.xxx.xxx:xxxxx" export NO_PROXY="127.0.0.1,localhost,192.168.2.0/24" export http_proxy="http://xxx.xxx.xxx.xxx:xxxxx" export https_proxy="http://xxx.xxx.xxx.xxx:xxxxx" export no_proxy="127.0.0.1,localhost,192.168.2.0/24" 3.1.3.4 Dev Containerで本プロジェクトを開く VSCodeで本プロジェクトのフォルダを開きます。画面左下の「><」アイコン、または通知に表示される「Reopen in Container」ボタンをクリックします。または、コマンドパレット (Ctrl+Shift+P / Cmd+Shift+P) から Dev Containers: Reopen in Container を実行します。初回はイメージのビルドが行われるため、数分かかります。完了すると、コンテナ内でVSCodeが起動します。次回の起動は.devcontainer/Dockerfileに変更がない限り数十秒で起動します。 3.1.4 初期設定 3.1.4.1 Gemini にログインコンテナ起動後、ターミナルで以下のコマンドを実行してGemini CLIの認証を行います。 gemini login 指示に従ってブラウザで認証を完了させてください。 3.1.4.2 IDEの拡張機能をインストール（Google Antigraviyのみ）ターミナルで以下コマンドを実行し、拡張機能をインストール .devcontainer/install-extensions.sh 3.2 Gemini CLIの使い方 3.2.1 なぜCLIなのか、IDEだとだめ？理由: IDEに依存しない: VSCodeでも、Antigravityでも、Cursorでも使える。さらに、パイプラインなどCLI環境でも使用できる。 3.2.2 Gemini CLIの基本操作起動: gemini Gemini CLIの操作方法は、CLI画面に入ってから/helpを入力することで表示されます。詳細は省略します。 3.2.3 Command、Skill、MCPについて Command: 定型的なタスクを実行するためのプロンプトテンプレート（例: 翻訳、コードレビュー）。.gemini/commands/ 内の*.tomlファイルで定義。 Skill: 特定の専門知識や手順を持ったエージェント機能（例: ドキュメント作成、図の生成）。.gemini/skills/ 内の*.mdファイルで定義。 MCP Server: 外部ツール（データベース、API、ブラウザなど）とAIを接続するための標準プロトコル（Model Context Protocol）。.gemini/settings.json/ 内で定義。 3.2.4 Commandについて 3.2.4.1 Commandのインストール .gemini/commands ディレクトリにTOMLファイルを配置するだけで利用可能になります。例：特定のディレクトリ配下のマークダウンドキュメント(.md)を探し、その内容を日本語に翻訳して上書き更新する自作Command。 description = "指定したディレクトリ配下のマークダウンドキュメント(.md)を探し、その内容を日本語に翻訳して上書き更新します。" prompt = """ --- description: Translate markdown documents in a specified directory to Japanese. --- ## 言語要件 **出力およびドキュメントの翻訳結果はすべて日本語である必要があります。** ## ユーザー入力 \```text $ARGUMENTS \``` ## ゴール指定されたディレクトリ配下にあるすべてのマークダウンドキュメント（.mdファイル）を再帰的に探し出し、その内容を日本語に翻訳して元のファイルに上書き保存します。 ## 実行ステップ 1. **ディレクトリの特定**: - ユーザー入力から対象となるディレクトリを特定します。 - 入力が空の場合は、現在のディレクトリを対象とします。 2. **ファイルのリストアップ**: - 指定されたディレクトリ配下（サブディレクトリを含む）の `.md` ファイルをすべてリストアップします。 3. **翻訳と更新**: - 各ファイルに対して以下の処理を行います。 - ファイルの内容を読み込みます。 - 内容を日本語に翻訳します。その際、マークダウンの構造（見出し、リスト、コードブロック、リンクなど）を完全に維持してください。 - 翻訳された内容でファイルを上書き保存します。 - すでに日本語で書かれている部分は、より自然な日本語になるよう調整してください。 4. **完了報告**: - 翻訳したファイルの一覧と、処理の結果（成功/失敗）をサマリーとして報告してください。 ## 出力フォーマット \```markdown # 翻訳完了レポート指定されたディレクトリ: [対象ディレクトリ] ## 処理結果一覧 - [ファイルパス]: 翻訳完了 - [ファイルパス]: 翻訳完了（スキップ/エラー等の場合もその理由を記載） ## 概要合計 [N] 個のファイルを翻訳・更新しました。 \``` """ 3.2.4.2 Commandの呼び出しチャット画面で / を入力すると、利用可能なコマンドのリストが表示されます。例: /translate.japanese <ディレクトリパス／ファイルパス> 3.2.5 Skillについて 3.2.5.1 Skillのインストール .gemini/skills ディレクトリにスキル定義フォルダにSKILL.mdとほかの依存スクリプトなどを配置するだけで利用可能になります。 Anthropics社をはじめ、OpenAI、Microsoftなど沢山の有名会社が公式で提供するスキルもあれば、各開発者が自分で公開し、検証されていないスキルもあります。 ★★★★★重要：skillsはコードと同じ扱い 3.2.5.2 Skillの呼び出しタイミング **AIが必要と判断した時に自動的に呼び出されます（Tool use）。**実行タイミング 3.2.5.3 Skillの自作 (Hello Worldガイド) 最小限のスキル「挨拶Skill」を作成してみましょう。ディレクトリ作成: .gemini/skills/greeting/ ディレクトリを作成します。定義ファイル作成: .gemini/skills/greeting/SKILL.md を作成し、以下を記述します。 # Greeting Skill ## Description ユーザーに挨拶をするスキルです。ユーザーが「挨拶して」や「こんにちは」と言った時に使用します。 ## Instructions ユーザーに対して、元気よく「こんにちは！Geminiです！」と返答してください。【オプション】スキル特有のリソースを追加スキルに依存のスクリプトやほかのリソースがある場合、スキルディレクトリ(ここの例では.gemini/skills/greeting/になる)配下に一緒に配置して、.gemini/skills/greeting/SKILL.mdに使い方を書くと、AIが必要のタイミングでそのリソースを利用します。確認: Gemini CLIを再起動し、「挨拶して」と話しかけると、このスキルが使用されます。 3.2.6 MCPサーバについて .gemini/settings.json に設定を記述することで、外部のMCPサーバーを利用できます。例: ファイルシステムへのアクセス、Web検索、データベース操作など。ここはAWS構築するため、AWS公式ドキュメントを参照できるAWS MCPサーバーなど、役に立ちそうはMCPサーバーを設定します。 3.3. cc-sddの使い方 3.3.1 そもそもなぜ仕様駆動開発（SDD）なのか AI駆動開発の中では、明確な設計なしにプロンプトの試行錯誤でコードを生成する手法は、以下のような問題が発生しがちです。認識ズレによる手戻り発生 AIは与えられた曖昧な指示に対して「もっともらしい」が誤った、あるいはプロジェクトの意図に沿わない実装を生成することがあるナレッジ管理、一貫性の欠如時間の経過とともに開発の経緯や「なぜその設計にしたのか」という意思決定の根拠が失われていく。大規模開発での品質維持の困難さ仕様が不明確だと、高品質なテストも書けず、結果として品質担保が難しい。また、仕様変更時の影響範囲特定も困難になる。さらに、AIが生成したコードの品質評価も難しくなる。また、上記問題は、人間による作業でも発生しますので、仕様書をちゃんと定めるのは、AI駆動開発をより効率的、高品質にするための対策でありながら、作成した仕様書は人間も読めますので、人間とAIの共通言語として活用できます。仕様駆動開発（Specification-Driven Development: SDD）は、これらの課題に対する回答として提示されています。SDDは、コードを主役とするのではなく、まず「仕様（Specification）」を最重要な成果物として定義します。仕様には、要件、動機、受け入れ基準、アーキテクチャ上の制約が含まれ、AIはこれらを「アンカー（錨）」として利用することで、迷走することなく正確な実装を生成することが可能となります。単純なバイブコーディングと仕様駆動開発の比較する表を示します。項目バイブコーディング仕様駆動開発 (SDD) 主たる資産一時的なチャットプロンプトバージョン管理された永続的な仕様書ワークフロー試行錯誤による発見的開発要件→設計→タスク→実装の構造化プロセスコンテキスト維持セッションごとに断片化「プロジェクトメモリ」による継続的学習変更の波及ファイルを跨ぐ修正で不整合が発生しやすい仕様を更新し、全出力に波及させる品質管理ブラックボックスな出力の目視確認明確な受け入れ基準（Acceptance Criteria）に基づく検証 3.3.2 cc-sddとは cc-sdd（Claude Code Spec-Driven Development）は、上述した仕様駆動開発の思想を現実の開発ワークフローに落とし込むために設計されたKiroスタイル（実際もkiroの名前がコマンド名やディレクトリ名に使用されています）ツールセットで、日本のエンジニアである Gota さんによって開発されたものになります。AI主導の開発ライフサイクルを構造化し、Claude Code、GitHub Copilot、Cursor IDE、Gemini CLI、Windsurfといった主要なAIコーディングアシスタント上で、統一された「Kiroスタイル」のコマンド体系を提供しています。 cc-sddの核心は、場当たり的なプロンプトエンジニアリングを、一般のエンジニアの皆さんに慣れている要件定義、設計、タスク計画、実装の開発フローと変換することにあります。世の中にはGitHub Spec KitやAWS Kiroといった著名な仕様駆動開発ツールが存在するが、AWS Kiroは有料のため今回見送りしますが、本編ではcc-sddを選択して実装しました。（別でGitHub Spec Kitでも試してみましたが、cc-sddはデフォルトでより詳しい仕様書を作成できる印象でした） SDDライブラリ名ライセンス/コスト特徴ターゲットエージェント cc-sdd 無料 (オープンソース) 詳細な日本語テンプレート、軽量、マルチエージェント対応 Claude Code、 Cursor、GitHub Copilot、Gemini CLI 等" GitHub Spec Kit 無料 (オープンソース) 汎用的、GitHubエコシステムとの親和性、7フェーズの広範なワークフロー Claude Code、 Cursor、GitHub Copilot、Gemini CLI 等 AWS Kiro 有償 (AWS利用料) エンタープライズ向け、長時間セッション、自動テスト生成(EARS準拠) Kiro IDE (VS Code Fork) 3.3.3 cc-sddのインストール npxコマンド1行でcc-sddを簡単にインストールできます。詳細な手順はGithubのREADMEを参照例： npx cc-sdd@latest --gemini --lang ja cc-sddの実態は、AI Agentのコマンド（実際はメタデータ付きのプロンプトファイル、Gemini CLIの場合、.gemini/commands/配下に配置）といくつかの参照テンプレート、ルールが記載されたファイル（.kiroディレクトリ配下に配置）などです。 Gemini CLIを例にすると以下の構成になります： .gemini/ ├── commands/ │ └── kiro/ │ ├── spec-design.md │ ├── spec-xxxx.md │ └── ... .kiro/ └── settings/ ├── rules/ │ └── ... └── templates/ └── ... 3.3.4 cc-sddの基本的なコマンド cc-sddのコマンドの使い方は公式ドキュメントを参照してください。コマンドの大体の使い順番は以下となります。コマンド必須スコープ説明成果物 /kiro:steering 必須プロジェクト全体プロジェクト全体のルールやガイドライン作成 .kiro/steering/配下のproduct.md、structure.md、tech.md /kiro:steering-custom オプションプロジェクト全体標準構成以外のプロジェクト全体のルールやガイドライン作成 .kiro/steering/配下のカスタム.mdファイル //kiro:spec-init 必須機能ごと機能の仕様書を初期化 .kiro/specs/<機能名>/配下のspec.json、requirements.mdの雛形 /kiro:spec-requirements 必須機能ごと機能の要件定義 .kiro/specs/<機能名>/配下のrequirements.md /kiro:spec-design 必須機能ごと機能の設計 .kiro/specs/<機能名>/配下のdesign.md、research.md /kiro:spec-tasks 必須機能ごと機能の実装タスクを洗い出し .kiro/specs/<機能名>/配下のtasks.md //kiro:spec-impl 必須機能ごと機能の実装コードベース //kiro:validate-gap オプション機能ごと仕様書と実装のギャップを検証 .kiro/specs/<機能名>/配下のgap-analysis.md /kiro:validate-design オプション機能ごと設計の検証 .kiro/specs/<機能名>/配下のdesign-review.md /kiro:validate-impl オプション機能ごと実装の検証プロンプト出力 /kiro:spec-status オプション機能ごと進捗と承認状況を一覧で表示プロンプト出力 3.3.5 本プロジェクトの仕様書 cc-sdd仕様書機能 .kiro/specs/app-image-analyzer 画像分析ロジックの実装(Lambdaで動くPythonプログラム) .kiro/specs/cmn-env tfstate管理用のS3バケット作成 .kiro/specs/terraform-env AWS環境実際にkiroコマンドを使って作った仕様書です。仕様書中身を見てどんな内容が作成されるが大体イメージ付くと思いますが、実際に手を動かして体験してみましょう。ちなみに、/kiro:spec-requirementsや/kiro:spec-designコマンドを繰り返して追加指示を与えて仕様書を何回も修正したり、手動で仕様書を修正したりすることは全然可能ですので、最初から完璧な仕様書を作成する必要はありません。プロジェクト進むとともにどんどん育っていくのもよいかなと思いました。 4. 纏め本デモを通じて、AIツールを活用した最新の開発フローを体験できました。 Gemini CLI によるAI支援開発 cc-sdd による仕様駆動開発 Dev Container による開発環境の統一とAI Agent利用時のリスク低減これらを組み合わせることで、開発者は「何を作るか」に集中し、「どう作るか」の多くをAIに任せることが可能になります。ぜひご自身のプロジェクトでも活用してみてください。 LI YUN JUN台湾人クラウドエンジニアバッジを贈って著者を応援しようバッジを受け取った著者にはZennから現金やAmazonギフトカードが還元されます。バッジを贈るDiscussionLI YUN JUN台湾人クラウドエンジニアバッジを贈るバッジを贈るとは目次1. 全体概要1.1 背景、目的、技術スタック、ゴール1.2 何が学べるか2. サンプルコード説明2.1 システム構成2.2 ディレクトリ構成3. 本編3.1 AI開発環境の用意（なぜdevcontainerなのか）3.2 Gemini CLIの使い方3.3. cc-sddの使い方4. 纏め

没有找到文章

📬 获取AI新闻

按类别浏览

热门话题

📬 获取AI新闻

按类别浏览

热门话题