Claude Code GitHub Actions を活用した自己学習する問い合わせ対応 Bot の紹介

ウォンテッドリーでバックエンドエンジニアをしている冨永(@kou_tominaga)です。本記事では、Wantedly Visit における技術的な問い合わせ対応の一次調査を AI に委譲する仕組みを構築した事例を紹介します。GitHub Issue と Claude Code GitHub Actions を組み合わせることで、問い合わせの一次調査を自動化し、さらに運用するほど精度が向上する自己改善の仕組みまで実現しました。

背景

Wantedly Visit では、技術的な問い合わせ対応をエンジニアが担当しています。この対応には、「差し込みによる通常業務の圧迫」と「キャッチアップコストの高さ」という2つの課題がありました。

問い合わせは予測できないタイミングで発生します。集中して開発に取り組んでいる最中に調査依頼が入るとコンテキストスイッチが発生し、開発の進行に影響が生じます。また、Visit は大規模なプロダクトであり、普段利用しない機能やリポジトリの調査が必要になることも少なくありません。コードベースの理解、関連データの確認、ログの調査など、一次調査だけでも多くの時間を要します。この状態に大きな課題を感じていました。

私は個人的に、問い合わせ対応時に AI を活用して効率化していました。必要なコンテキストを AI に渡し、関連するコードの特定やログの解釈を補助させており、ほとんどの場合は調査結果をレビューするのみで完了していました。この体験から、「個人の作業を仕組み化すれば、チーム全体の負荷を下げられるのではないか」と考え、問い合わせの一次調査を AI に自動で委譲するシステムの構築に着手しました。

問い合わせIssue起票時のワークフロー

構築したワークフローの全体像は以下の通りです。

問い合わせ内容を記載したIssueを起票

専用リポジトリで Issue テンプレートから調査依頼を起票します。このテンプレートに付与されているラベル起因で Claude Code GitHub Actions が起動し、Issue の内容を読み取ったうえで、リポジトリのコードなどを調査し、原因の特定や解決策の提案を Issue コメントとして投稿します。

AIの追加質問

AI の調査結果に対して追加の質問がある場合は、Issue コメントでメンションすることで、AI が過去の調査経緯を踏まえた追加調査を行い回答します。これにより、対話的に調査を深掘りできます。

調査結果の評価

アサインされたエンジニアは、AI の調査結果コメントに 👍 または 👎 でリアクションを付けます。この評価が、後述する自己改善の仕組みのインプットになります。

自己改善のワークフロー

この仕組みの最大の特徴は、運用するほど AI の調査精度が向上する自己改善ループを組み込んでいる点です。毎週月曜日に、以下の自動分析フローが実行されます。

問題の振り返り

クローズされており、AIの調査結果コメントに👎が付いていて、かつ分析済みラベルが付与されていないIssueを取得します。CloseされたIssueには問い合わせ対応の解決内容が記載されています。AIは解決内容と自身が投稿した調査結果をもとに、以下の観点で改善点を特定します。

共通する失敗パターン: 同じ種類の間違いが繰り返されていないか
情報不足: プロンプトに追加すべきコンテキストや手順はないか
調査範囲の問題: 見るべきリポジトリやファイルが漏れていないか
出力形式の問題: 回答が分かりにくい、情報が整理されていないか
誤った推論: 事実と異なる結論を出している傾向はないか

改善の実施

特定した改善点をもとに、自身に渡すプロンプトの修正やコンテキストの追加を行うPull Requestを作成します。エンジニアのレビューを経てマージされることで、対象Issueに分析済みラベルが付与されます。

この改善により、一度調査に失敗した内容でも、次回以降はAIが独力で対応できるようになります。

導入にあたっての合意形成

技術的な実装に加えて、関係者との合意形成も重要なプロセスでした。

サポートチームには、AIはあくまで一次調査を担うものであり、最終的な回答はエンジニアが確認すること、またIssueテンプレートに沿って情報を記入すれば従来の運用フローと大きな変更がないことを説明しました。その結果、サポートチームからも本対応の合意を得ることができました。

エンジニアチームには、一次調査の負荷が軽減されることでAIの調査結果の確認と判断に集中できる点に加え、👍 / 👎 のリアクションを付けてもらうことで改善サイクルを回せることを説明しました。

まとめ

本記事では、問い合わせ調査をAIに委譲する仕組みについて紹介しました。GitHub IssueとClaude Code GitHub Actionsを組み合わせることで、一次調査の自動化と、運用を通じて精度が向上する自己改善ループの両立を実現しています。

この仕組みにより、エンジニアに対する問い合わせ対応によるコンテキストスイッチの減少や調査負荷の軽減を実現しました。また、提示された調査結果をもとに妥当性の確認や対応方針の検討に集中できるようになりました。さらに、フィードバックを継続的に取り込むことで、AIの調査品質が段階的に向上する点も大きな特徴です。

問い合わせ対応の効率化にとどまらず、運用そのものがAIの改善につながる構造を構築できた点にも価値があります。同様の課題を抱えるチームにとって、実践的な選択肢の一つになれば幸いです。