GitHubがCopilotをRustで再構築：AIエージェント移行の教訓

要約：GitHubはCopilotランタイムをRustで再構築した

GitHubは、GitHub Copilotを支えるエージェントランタイムをTypeScriptとNode.jsからRustへ移行したと報告しました。生成されたコードの多くはAIエージェントが作りましたが、設計、レビュー、テスト、回帰の修正は開発者が担当しました。作業は数か月にわたる128個のプルリクエストとして段階的に統合され、その間もCopilotの機能開発は続きました。重要なのは、すべてのJavaScriptをRustに変えることではありません。明確な境界、小さな変更、自動検証、そして人間の設計責任が大規模移行を支えるという点です。

ランタイムで変わったこと

このランタイムはCopilot CLI、Copilotアプリ、SDK、クラウドエージェント、コードレビューなどで使われます。以前はTypeScriptのCLIが別プロセスで動き、SDKはNode.jsとV8を起動してJSON-RPCで通信する必要がありました。そのため起動時間、メモリ、プロセス境界のコストが各統合に加わりました。新しい構成では端末UIとランタイムを分離し、製品はプロセス内またはプロセス外で実行できます。

Rustが選ばれた理由は、起動コスト、メモリ使用量、並行処理、埋め込みやすさ、そしてC#、TypeScript、Python、Go、Java、RustのSDKとの相互運用性です。GitHubの測定では、クライアントとセッションを作成し、一回の処理を完了して破棄する時間が、プロセス内で5.25秒から55.3ミリ秒になりました。スループットは毎秒7.55セッションから120セッションへ、10クライアントのメモリは1,383MBから126MBへ改善しました。これはGitHubのワークロードでの結果であり、すべての移行への保証ではありません。

AIエージェントが役立った理由

エージェントは反復的な変換や実装を進め、開発者は目的を示し、差分を読み、ビルドを実行し、失敗を調べ、設計を決めました。作業はセッションとサブエージェントに分割され、ビルド資源をゲートとして並列作業が検証能力を超えないようにしました。

この役割分担が重要です。エージェントはパターンを速く変換できますが、公開契約、危険な競合状態、顧客に重要な互換性を自動では判断できません。人間は不変条件、移行順序、インターフェース、完成度を管理します。RustとTypeScriptをつなぐ一時的な相互運用層も使われ、各部分をレビュー、リリース、ロールバックできました。

AI支援移行のチェックリスト

1. 境界を先に図にする。 UI、ランタイム、保存、ネットワーク、FFIを分けます。
2. 動作テストを書く。 型だけでなく外部から見える動作を守ります。
3. 小さく移行する。 各段階でビルドとロールバックを維持します。
4. エージェントの仕事を限定する。 一度に一つのモジュールやテスト群を扱います。
5. 検証をゲートにする。 コンパイル、テスト、差分、リソースを確認します。
6. 一時的な橋を追跡する。 所有者と削除条件を決めます。
7. 実際の負荷を測る。 起動、メモリ、遅延、スループット、障害を比較します。

開発、テスト、自動化のツールを探す場合はBTTCソフトウェアカタログも利用できます。ツールはレビューを置き換えませんが、フィードバックを速くできます。

よくある質問

RustのコードをすべてAIが書いたのですか？ GitHubによれば多くはエージェントが書きましたが、開発者が指揮、レビュー、テスト、修正を行いました。

なぜRustなのですか？ 低いオーバーヘッド、予測可能なメモリ、ネイティブな埋め込み、並行性、SDK間の相互運用性が目的でした。

すべてのTypeScriptを移行すべきですか？ いいえ。性能や埋め込みの利益が移行と保守の費用を上回る場合だけ検討します。

最も再利用できる教訓は何ですか？ 小さな変更、自動テスト、人間のレビュー、現実的なベンチマークを一つの管理された循環にすることです。

結論

Copilotランタイムの再構築は、AIエージェントが大規模移行を速めても、エンジニアリングの責任を消さないことを示します。契約を定義し、仕事を限定し、変更ごとに検証し、実際の負荷で測定する段階的な方法が最も再利用しやすい出発点です。

実務で確認すべき運用面

大規模な移行では、最初のコンパイル成功だけを成果にしてはいけません。パッケージのサイズ、起動時の設定、ログ、クラッシュレポート、監視、リリース手順まで確認する必要があります。言語を変えると、メモリの使い方が良くなっても、バインディングや配布の複雑さが増えることがあります。したがって、移行前に成功条件を数値で決め、移行中に同じベンチマークを繰り返すことが重要です。

レビューでは、生成されたコードが既存の契約を保っているかを確認します。名前が同じでも、エラーの種類、キャンセルの動作、タイムアウト、スレッドの安全性、ファイルの扱いが変われば利用者に影響します。テストが通った変更でも、実運用の負荷、異常系、古いクライアント、複数プラットフォームで確認する必要があります。AIエージェントには明確な入力、制限された権限、検証可能な出力を与えるべきです。

GitHubの進め方から得られるもう一つの教訓は、移行を一度の大きな切り替えにしないことです。暫定的な接続層を設け、機能を一つずつ切り替え、問題があれば小さな差分を戻します。チームは各層の担当者、削除予定、互換性の期限を記録します。この記録があれば、AIが生成した大量の変更も追跡できます。結果として、速度と安全性を両立しやすくなります。

実務で確認すべき運用面

大規模な移行では、最初のコンパイル成功だけを成果にしてはいけません。パッケージのサイズ、起動時の設定、ログ、クラッシュレポート、監視、リリース手順まで確認する必要があります。言語を変えると、メモリの使い方が良くなっても、バインディングや配布の複雑さが増えることがあります。したがって、移行前に成功条件を数値で決め、移行中に同じベンチマークを繰り返すことが重要です。

レビューでは、生成されたコードが既存の契約を保っているかを確認します。名前が同じでも、エラーの種類、キャンセルの動作、タイムアウト、スレッドの安全性、ファイルの扱いが変われば利用者に影響します。テストが通った変更でも、実運用の負荷、異常系、古いクライアント、複数プラットフォームで確認する必要があります。AIエージェントには明確な入力、制限された権限、検証可能な出力を与えるべきです。

GitHubの進め方から得られるもう一つの教訓は、移行を一度の大きな切り替えにしないことです。暫定的な接続層を設け、機能を一つずつ切り替え、問題があれば小さな差分を戻します。チームは各層の担当者、削除予定、互換性の期限を記録します。この記録があれば、AIが生成した大量の変更も追跡できます。結果として、速度と安全性を両立しやすくなります。

さらに確認したい移行の品質

移行の品質は、コンパイルできるかどうかだけでは決まりません。既存の利用者が期待するエラー、キャンセル、再試行、タイムアウト、ログ、設定ファイルの動作も比較する必要があります。ベンチマークは一度だけではなく、移行の各段階で同じ条件で実行します。小さな差分をレビューし、異常系をテストし、実際の環境に近い負荷を与えることで、見た目だけの成功を防げます。

エージェントを使うチームは、入力するコンテキストと変更できる範囲を明確にします。生成されたコードは人が読み、依存関係や安全性を確認します。各ブリッジ層には担当者と削除期限を設定し、古い経路を長期的に残さないようにします。このような記録と段階的なリリースがあれば、大量のAI生成変更でも原因を追跡でき、問題が起きたときに安全に戻せます。