AIデバッグのP2地獄を脱出せよ：Codex等のエージェント運用で収束させる3つの鉄則

• AIデバッグでP2バグが消えないのは、小出しの発見、修正による副作用、そしてLLMの着眼点の揺らぎが原因である。
• AIは固定されたバグリストを消化するのではなく、毎回コードを再探索・再評価するため、単純な件数管理では収束しない。
• レビューと修正の分離、テストへの固定、終了条件の再定義により、AIの判断を再現可能な基準へと昇華させる必要がある。

深夜のデバッグ作業中、AIエージェントが提示する「修正案」を適用し、再レビューをかけた瞬間にまた別のP2（通常優先度）バグがリストアップされる。この光景に絶望した経験はないだろうか。まるでスパゲッティコードの海で溺れているかのようなこの感覚は、AIコーディングエージェントを実務に導入した多くのエンジニアが直面する「AIデバッグの収束不全」という壁である。我々エンジニアは、従来のデバッグプロセスにおいて「10件のバグを潰せば、次は7件、4件…」と線形的に問題が減少していくことを期待する。しかし、AIを用いたレビューでは、この期待が脆くも崩れ去る。

なぜP2がいつまでも消えないのか。その理由は、AIが人間とは全く異なるロジックでコードを探索しているからだ。第一に「小出しの発見」がある。AIは一度のレビューでコード内の全問題を網羅するわけではない。1回目のレビューで3件、2回目で別の3件といった具合に、最初から存在していた問題を小出しに提示する。第二に「修正による副作用」だ。Aを修正すればBが壊れ、Bを修正すればAが再発する。コードの依存関係が複雑な場合、AIの修正は往々にして新たなデバッグ対象を生み出す。そして第三、これが最も厄介なのだが「着眼点の揺らぎ」である。LLMは文脈や前提条件によって、同じコードに対する評価を平気で変える。ある時は「この入力は例外処理すべき」と言い、別の時は「呼び出し側で保証されているから問題なし」と判断する。この「AIの気まぐれ」こそが、デバッグを終わりのない迷宮へと変貌させる主犯格なのだ。

では、我々はこの「終わらないデバッグ」をただ眺めているしかないのか。否、シニアエンジニアとして断言するが、AIの判断を「再現可能な基準」へと強制的に変換するプロセスを構築すれば、この混沌は制御可能だ。まず取り組むべきは「レビューと修正の分離」である。問題を見つけるたびに修正を繰り返すのは、デッドロックを誘発する悪手だ。Phase 1でコードを一切変更せず、対象範囲全体を徹底的に探索させ、問題をすべて列挙させる。この際、プロンプトで「数件で止まらず、全体を網羅せよ」と明示することが重要だ。これにより、小出しの往復を劇的に減らすことができる。

次に、AIが指摘したP2を「テストコード」という物理的な証拠に固定する。AIが「ここが怪しい」と言ったなら、それを単なるコメントで終わらせず、実際に再現するテストケースを書かせるのだ。テストが通れば、それはもはやAIの気まぐれな指摘ではなく、再現可能なバグとして管理できる。これにより、AIの着眼点が次回変わったとしても、テストがその不具合を確実にキャッチしてくれる。最後に、終了条件の再定義だ。「P2が0件になること」をゴールにするのはやめよう。P0/P1の解消、重要なP2の検証済み、そしてテストによるカバレッジの確保。これらを終了条件とすべきだ。もし同じ指摘が繰り返されるなら、AIに「修正」ではなく「原因分析」を命じる。AIを単なるコード修正機として使うのではなく、アーキテクチャの不整合を指摘する「シニアなレビュアー」として使いこなす視点こそが、我々エンジニアに求められている。

AIデバッグの収束不全は、単なるツールの不備ではない。それは、我々が「コードの正しさ」をどのように定義し、管理してきたかというエンジニアリングの根幹を問うている。AIが生成するコードやレビューは、確率的な推論に基づいている。一方で、我々が求めるソフトウェアの品質は、決定論的な安定性である。この「確率」と「決定論」のギャップを埋めることこそが、これからのエンジニアの付加価値となる。AIにすべてを委ねて「P2が消えない」と嘆くのは、自分たちの設計思想がAIの揺らぎに負けていることを自白しているに等しい。

明日から、AIのレビュー結果を鵜呑みにするのをやめよう。AIが提示した指摘を、自分たちのテストスイートにどう組み込むか、どの指摘を「無視すべきノイズ」として切り捨てるか、その判断基準（ポリシー）をコードベースに刻み込むのだ。AIは強力なレバレッジだが、そのレバレッジを支える支点は、依然として我々エンジニアの知見と責任にある。AIが提示する「可能性」を、テストという「事実」で塗りつぶしていく作業。その泥臭いプロセスを厭わない者だけが、AIを真の生産性向上ツールとして使いこなせるのではないだろうか。あなたのプロジェクトにおける「P2の定義」は、AIに依存しているか、それとも自分たちのテストコードによって定義されているか。今一度、その境界線を問い直してほしい。