Should you read the code, is RAG dead, and did Skills kill MCP? – The GitHub Blog は、AI開発をめぐる強い言説を一つずつ分解した記事です。
AI生成コードは読むべきか、Skills は MCP を置き換えたのか、RAG は終わったのか。結論はいずれも単純な二択ではなく、実務上のリスクと役割分担で見直すべきだ、という整理になっています。
この話の面白さは、個別ツールの勝敗ではなく、AI開発の判断軸が変わりつつある点にあります。
少し前まで、生成AIの導入判断は「使うか、使わないか」に寄りがちでした。コード生成を使うのか。RAGを組むのか。MCPを採用するのか。新しい仕組みが出るたびに、既存の仕組みが終わったように語られます。
しかし実際の開発現場では、置き換えよりも組み合わせの設計が重要になります。AI生成コードはレビューを不要にするものではなく、レビューすべき場所を変えます。MCPはツールやデータへ接続する標準化された入口であり、Skillsはプロジェクトの文脈や作法を伝えるための知識パッケージです。RAGも、モデルの外にある情報へ到達するための基盤として残ります。
つまり、問うべきことは「どれが勝つか」ではありません。「この作業では、どの情報を、どの経路で、どの責任範囲までAIに渡すのか」です。
これは導入側にとって前向きな変化です。AI活用は、単一ツールの習熟から、開発プロセス全体の設計へ移っています。生成コードをどこまで読むかを決める。MCPで接続する対象を絞る。Skillsでチームの判断基準を明文化する。RAGで参照すべき知識を整える。これらはすべて、AIを現場の作業に近づけるための実装可能な論点です。
強い言説は注目を集めますが、実務で価値を生むのは、その言説を条件に分解する力です。AI開発で問われているのは、最新技術への反応速度だけではありません。リスクがどこにあり、文脈をどこで補い、人間がどこで責任を持つのかを設計できるかです。
その意味で、AIツールの成熟はエンジニアの役割を狭めるより、むしろ判断の対象を広げています。コードだけでなく、接続、文脈、検索、レビューまで含めて設計することが、これからのAI活用の実務になります。
関連記事
- New experts join Google’s AI & Economy team
- Partnering with Accenture on embedded evaluation
- Hex turns complex analysis into visual reports with GPT‑6 Astra
参考文献
コメント