ID:83612さん

プロジェクト概要 500万ユーザー規模のコンテンツ配信システムにおいて、配信基盤の刷新プロジェクトに参画。要件定義から設計、実装、テストまで担当し、非機能要件を満たす大規模配信基盤の構築を実現しました。 役割・体制 自身のポジションと役割 * バックエンドエンジニアとして、PHP/Laravelを用いた配信基盤の設計・実装・テストを担当。 * CloudWatchのログおよびメトリクス分析を通じて性能課題の特定を実施。 * 非機能要件達成に向け、マルチプロセス化および並行リクエスト処理の設計・実装を担当。 * 大量データ処理時のメモリ使用量削減を目的とした中間コミット設計・実装を担当。 チーム規模と構成 * プロジェクトリーダー1名、エンジニア7名の計8名体制。 * ウォーターフォール開発にて、要件定義、設計、実装、テストまで一貫して参画。 背景・課題 * ユーザー数の増加およびビジネス施策の変化により、既存配信システムでは効率的なコンテンツ配信が困難となっていた。 * バッチ処理で抽出した配信対象ユーザーおよびコンテンツを外部配信システムへAPI連携する処理がボトルネックとなっていた。 * 非機能要件として、500万ユーザー規模のデータを2時間30分以内に外部システムへ連携する必要があったが、当初の実装では約10時間を要していた。 開発環境 * 言語：PHP * フレームワーク：Laravel * インフラ：AWS * コンテナ：Docker、AWS Fargate * データベース：Oracle * ストレージ：Amazon S3 * IaC：AWS CloudFormation * 監視：Amazon CloudWatch 実際の取り組み 性能分析 * CloudWatchのログおよびメトリクスを分析し、データ抽出処理ではなく外部API登録処理がボトルネックであることを特定。 * 非機能要件である「500万ユーザーを2時間30分以内に処理」を達成するために必要なスループットを算出し、性能改善方針を策定。 設計・改善内容 * Laravelバッチから外部APIを逐次実行していた処理を見直し、大量データを分割して処理するマルチプロセス構成を設計。 * 必要スループットを満たすため、並行リクエスト処理を導入し、API登録処理を多重化。 * Laravel/PHPの同期処理を前提とした構成を考慮しながら、既存技術スタックを維持したまま処理性能を向上。 * 外部APIへの過負荷を防ぐため、リクエスト制御を実装し、安定した連携処理を実現。 * 長時間バッチ処理によるメモリ消費増加への対策として、中間コミットを導入。一定件数ごとに処理単位を区切ることで、メモリ使用量を抑制。 成果・価値 * API連携処理時間を約10時間から2時間30分以内へ短縮し、非機能要件を達成。 * 500万ユーザー規模のデータを安定して処理できる配信基盤を実現。 * 中間コミットの導入により、メモリ使用量を約3分の1まで削減。 * ボトルネック分析から性能改善施策の立案・実装・検証まで一貫して担当し、大規模データ処理基盤の性能向上に貢献。

プロジェクト概要 生成AI活用施策の一環として、既存のWebメンテナンス機能をAIエージェント経由で利用可能にするシステム開発プロジェクトに参画。AIエージェントからのリクエストを受け付ける中継APIおよびWrapper APIの新規開発を担当しました。 また、本案件はAIコーディングエージェント（OpenAI Codex）の活用を前提とした開発方針で進行しており、設計・実装・テスト・ドキュメント作成までAIを活用した開発体制の構築および実践を行いました。 役割・体制 自身のポジションと役割 * バックエンドエンジニアとして要件定義、設計、実装、テストを担当。 * AIエージェント連携用の中継APIおよびWrapper API（計8本）の設計・開発を担当。 * 顧客との要件整理およびアーキテクチャ検討を主導。 * AIエージェント利用時のセキュリティ要件および責務分離設計を担当。 * OpenAI Codexを活用し、仕様調査、設計検討、ドキュメント作成、実装、テストを推進。 チーム規模と構成 * エンジニア2名体制。 * AIコーディングエージェント（OpenAI Codex）を積極活用する開発方針のもと開発を実施。 * 要件定義から検証環境リリースまで担当。 背景・課題 * 顧客は既存のWebメンテナンス機能をAIエージェント経由で利用できるようにしたいという要望を持っていた。 * AIエージェントからのリクエストを受け付ける中継APIおよびWrapper APIの開発が求められていた。 * 当初は中継API・Wrapper API計8本を2週間で検証環境へリリースする計画であった。 * AIエージェントはSaaS製品であり、顧客情報や車両を特定可能な情報をAIエージェント側へ渡さないことが必須要件であった。 * 既存のWebメンテナンス機能を調査した結果、画面側でバックエンドシステムからのレスポンス変換や業務ロジックを保持していることが判明した。 開発環境 * 言語：Python * フレームワーク：FastAPI * API：REST API * データベース：Amazon DynamoDB * アーキテクチャ：レイヤードアーキテクチャをベースに、責務分離とテスト容易性を重視した設計 * AI活用：OpenAI Codex * テスト：自動テスト 実際の取り組み 課題分析 既存システムの調査を実施した結果、AIエージェント側で会話状態やバックエンドレスポンスを保持し、リクエスト組み立てを行う構成には以下の課題があることを整理しました。 * AIエージェントへ顧客情報を渡す必要が発生する。 * AIエージェント側へ業務ロジックが流出し、既存システムとの密結合が発生する。 * バックエンドシステム変更時の影響範囲が拡大する。 * 会話状態管理が複雑化し、UX低下につながる可能性がある。 設計提案 上記課題を踏まえ、AIエージェント側ではなくAI連携基盤側でセッション管理を行うアーキテクチャを提案しました。 * AI連携基盤にセッションテーブルを新設。 * ユーザーとの対話履歴や選択内容、APIレスポンスをセッションとして管理。 * セッション情報を基にAI連携基盤側でバックエンド向けリクエストを組み立てる構成を設計。 * AIエージェントは会話インターフェースに責務を限定。 * 顧客情報をAIエージェントへ渡さない構成を実現。 さらに設計を再検討した結果、既存機能との責務分離や保守性を考慮し、すべての連携処理をWrapper APIとして提供する構成へ変更することを提案しました。提案内容が採用された結果、当初8本を想定していたAPIは13本へ増加し、スケジュールも約1か月延長のうえでアーキテクチャ見直しを含めた開発方針へ変更されました。 AI活用を前提とした開発体制構築 * OpenAI Codexを活用し、仕様調査、設計検討、ドキュメント作成、実装、テストを実施。 * AIが継続的に品質の高いコードを生成できるよう、責務分離とテスト容易性を重視したアーキテクチャを採用。 * テストの自動化を前提とした設計を行い、AI生成コードの品質担保を実現。 * ディレクトリ単位でAGENTS.mdを整備し、コンテキストや実装ルールを明文化することでAIエージェントの出力品質を向上。 * 少人数体制かつ短納期案件において、AI活用を前提とした開発プロセスを確立。 実装 * 中継APIおよびWrapper API計13本を実装。 * セッション管理を考慮したAPIインターフェース設計を実施。 * 結合テストおよび検証環境リリースを担当。 成果・価値 * AIエージェントへ顧客情報を保持させない構成を実現し、セキュリティ要件を満たした。 * AIエージェントと業務システム間の責務を整理し、密結合を回避するアーキテクチャを設計。 * 顧客への要件変更・設計変更提案が採用され、保守性および拡張性を向上。 * AI活用を前提とした開発プロセスを構築し、エンジニア2名体制での短納期開発を推進。 * 要件定義、アーキテクチャ設計、顧客折衝、AI活用開発を一貫して担当し、AIエージェント連携基盤の構築に貢献。