Cloudflare、AI エージェントで Astro の GitHub イシューを 85%削減
本文の状態
日本語全文を表示中
詳細モードで約6分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
InfoQ AI/ML
Cloudflare は GitHub Actions で孤立した AI エージェントを駆使し、Astro のオープンソースプロジェクトの issue トリアージを自動化して未解決件数を約 85% 削減する成果を出した。
AI深層分析を開く2026年8月21日 23:36
AI深層分析
キーポイント
AI エージェントによる完全自動化ワークフロー
Cloudflare は Astro の issue 対応プロセスを模倣し、再現、診断、検証、修正の各工程を個別のサブエージェントが実行する状態機械型ワークフローを導入した。
85% の未解決件数削減という実証結果
同社によると、この自動化により Astro のオープンな issue 数が 200 を超える状態から約 30 に減少し、最終目標であるゼロへの道筋を示した。
サンドボックス環境での安全な検証
各エージェントは単一の実行コンテキストを共有せず、report.md ファイルを通じて情報を交換しながら独立して動作するため、人間がレビューする前に結果が自動プロセスで通過する。
報告者による検証とプルリクエストの自動生成
エージェントが修正案を見つけた際、プレリリースを生成して報告者に検証させ、承認されれば自動的にプルリクエストが開かれる仕組みが構築されている。
サンドボックスでの実行と結果の提示
AI は単に issue を検証するだけでなく、サンドボックス内でエージェント作業を実行し、人間がレビューするのは自動化プロセスを通過した結果のみを対象とする。
重要な引用
Cloudflare reports that Astro's open issue count fell from more than 200 to about 30, an approximately 85% reduction based on those figures
Thrives wrote in a LinkedIn comment that the significance is not simply having AI verify an issue, but running agent work in a sandbox so human reviewers primarily see results that have passed through the automated process
Thrives wrote in a LinkedIn comment that the significance is not simply having AI verify an issue, but running agent work in a sandbox so human reviewers primarily see results that have passed through the automated process.
Shubhanshu Singh described the workflow as an example of explicit agent system design.
編集コメントを表示
編集コメント
この事例は、AI エージェントが単なるチャットボットを超えて、実際の開発ワークフローを自律的に完結させる段階に入ったことを示唆している。特に「サンドボックス内での実行」という設計思想は、誤作動やハルシネーションによるリスクを低減する上で重要な指針となるだろう。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
Cloudflare は、GitHub Actions で孤立して動作する AI エージェントを活用し、オープンソースフレームワークの Astro に対して自動的なイシュー分類を実現しました。このワークフローでは、報告されたバグを再現し、根本原因を特定し、挙動を検証した上で修正案を提示します。その後、レポート担当者が検証できるようプレビューリリースが生成されます。Cloudflare の発表によると、Astro のオープンなイシュー数は 200 を超えていたものが約 30 に減少しました。これは約 85% の削減に相当し、チームは最終的にゼロを目指す方針です。
このワークフローは、Astro メンテナーが手動でイシューを解決する際に踏んでいた手順を模倣しています。各工程は独立したサブエージェントとして実行されます。再現用エージェントは報告された挙動を検証し、診断用エージェントはコードに計測機能を追加して原因を特定します。検証用エージェントはテスト、ドキュメント、コメントを確認し、修正用エージェントは再現手順をテストに変換した上で実装を行います。各エージェント間は、単一の実行コンテキストを共有するのではなく、report.md ファイルを通じて情報を伝達します。
Cloudflare は、GitHub のイシュー管理を AI エージェントによって自動化し、処理件数を 85% 削減することに成功しました。このワークフローは、GitHub イシューのラベルをトリガーとした状態機械として実装されています。
新規に投稿されたイシューには「triage needed（対応要）」というラベルが自動的に付与され、提案された修正が確認されると「fix verified（修正検証済み）」へとステータスが遷移します。エージェントが潜在的な修正を見つけた際、プレビューリリースの作成と、その発見内容、ログ、インストール手順をイシューに投稿する処理が行われます。
報告者がパッチを検証すると、自動化システムが自動的にプルリクエストを起票します。例えば 2026 年 7 月の Astro の Container API に関するイシューでは、報告者がボットによる修正を確認したことで「triage: fix verified」というラベルが付与されました。
Thrives は LinkedIn のコメントで、AI が単に issue を検証するだけでなく、サンドボックス内でエージェントが作業を行い、人間がレビューするのは自動化プロセスを通過した結果のみである点に意義があると指摘しました。CloudBees のシニアプロダクトマネージャーである Jordan Matthiesen も同様に、診断前の再現と、報告者が修正を容易にテストできる仕組みの重要性を強調しています。また Shubhanshu Singh は、このワークフローを明示的なエージェントシステム設計の事例として説明しています。
CloudBees のシニアプロダクトマネージャーである Jordan Matthiesen 氏は、問題の診断を試みる前にその再現性を確認することの重要性を強調しました。また、報告者が修正内容を容易にテストできるようにする工夫や、AI エージェントが困難に直面した際にコード、テスト、ドキュメントを改善していく必要性についても言及しています。
同様に Shubhanshu 氏も、Astro のワークフローは、エージェントループの抽象化に依存するのではなく、明示的なシステム設計を通じてエージェント型システムを構築する事例として紹介しました。
「Astro の AI による課題（Issue）選別ワークフロー」（出典：Cloudflare ブログ記事）
Cloudflare は、エージェントの失敗した実行もコードベースの保守性に関するシグナルとして扱っています。ある Hot Module Replacement の事例では、エージェントが条件分岐を繰り返し修正し、テスト不足のために回帰現象を引き起こしていました。しかし、記述的なコードコメントを追加することでエージェントの動作が変わり、繰り返される修正を防ぐことができました。
Astro のワークフローは後に triagebot-action という独立した GitHub Action となり、そのオーケストレーションモデルは Flue というオープンソースフレームワークへと進化しました。Flue は、開発者がオーケストレーションループを記述するのではなく、エージェントのコンテキスト（使用するモデル、スキル、サンドボックス、指示など）を宣言的に定義することで、堅牢なエージェントワークフローを構築するためのものです。実行履歴は追加型のイベントログを通じて永続化されるため、中断されたワークフローも以前の状態から再開できます。
Flue は GitHub、Slack、Linear、Discord とエージェントを連携させられ、Node.js、GitHub Actions、Cloudflare 上で動作します。Cloudflare 上では、エージェントは Durable Objects として実行され、永続的な実行と隔離されたストレージを利用可能です。Astro のトライアージワークフローは、この広範な Flue モデルの一例であり、制限されたエージェントタスク、永続状態、外部イベント、人間の承認ポイントが組み合わさることで、堅牢なソフトウェアワークフローを形成しています。
著者について
リーラ・クムリ
リーラはスターバックスのリードソフトウェアエンジニアとして、スケーラブルでクラウドネイティブなシステムや分散プラットフォームの構築において深い専門知識を有しています。彼女はリワードプラットフォーム全体にわたってアーキテクチャ設計、納品、運用の卓越性を牽引し、システムの近代化、スケーラビリティの向上、信頼性の強化に向けた取り組みを主導しています。
技術的なリーダーシップに加え、リーラは組織内の AI チャンピオンとしても活躍しており、LLM ベースのツールを活用して開発者の生産性やワークフローを改善する機会を発見し、AI 導入におけるベストプラクティスの確立に取り組んでいます。彼女は本番環境で使えるシステムの構築、開発者体験の向上、そしてエンジニアが技術面と戦略面の両面で成長できるよう指導することに情熱を注いでいます。関心領域はプラットフォームエンジニアリング、分散システム、開発者の生産性、そして技術ソリューションとビジネス・プロダクト目標をつなぐことにあります。
原文を表示
Cloudflare hasautomated issue triage for the Astro open source framework using isolated AI agents running in GitHub Actions. The workflow reproduces reported bugs, diagnoses root causes, verifies behavior, and proposes fixes before generating preview releases for reporters to validate. Cloudflare reports that Astro's open issue count fell from more than 200 to about 30, an approximately 85% reduction based on those figures, with the team targeting zero open issues.
The workflow mirrors the stepsAstro maintainers followed during manual issue resolution. Each stage runs as a separate subagent. A reproduction agent verifies the reported behavior, a diagnosis agent instruments the code to identify the cause, a verification agent examines tests, documentation, and comments, and a fix agent converts the reproduction into tests before implementing a solution. Agents pass information through a report.md file rather than sharing a single execution context.
Cloudflare implemented the workflow as a state machine driven by GitHub issue labels. New issues receive a triage needed label, while confirmation of a proposed fix moves an issue toward fix verified. When an agent identifies a potential fix, the workflow creates a preview release and posts findings, logs, and installation instructions to the issue. After the reporter validates the patch, the automation opens a pull request. A July 2026 Astro issue involving the Container API, for example, was marked triage: fix verified after the reporter confirmed the bot's fix.
Thrives wrote in aLinkedIn comment that the significance is not simply having AI verify an issue, but running agent work in a sandbox so human reviewers primarily see results that have passed through the automated process.Jordan Matthiesen, Senior Product Manager at CloudBees, similarlyhighlighted reproduction before diagnosis and making fixes easy for reporters to test, whileShubhanshu Singh described the workflow as an example of explicit agent system design.
Jordan Matthiesen, Senior Product Manager at CloudBees,highlighted the importance of reproducing an issue before attempting a diagnosis, making fixes easy for reporters to test, and improving code, tests, and documentation when agents encounter difficulties.Shubhanshu Singh similarlydescribed the Astro workflow as an example of structuring agentic systems through explicit system design rather than relying primarily on agent loop abstractions.
Cloudflare also treats failed agent runs as signals about codebase maintainability. In one Hot Module Replacement case, an agent repeatedly modified a conditional and introduced regressions because the behavior lacked sufficient tests. Adding a descriptive code comment changed the agent's behavior and prevented the repeated modification.
The Astro workflow later becametriagebot-action, a standalone GitHub Action, while its orchestration model evolved intoFlue, an open-source framework for building durable agent workflows. Flue uses a declarative model in which developers define an agent's context, including its model, skills, sandbox, and instructions, rather than writing an orchestration loop. Its execution history is persisted through an append-only event log, allowing an interrupted workflow to resume from its previous state.
Flue can integrate agents with GitHub, Slack, Linear, and Discord and can run on Node.js, GitHub Actions, or Cloudflare infrastructure. On Cloudflare, agents can run as Durable Objects with durable execution and isolated storage. The Astro triage workflow therefore provides one example of a broader Flue model in which bounded agent tasks, persistent state, external events, and human approval points form a durable software workflow.
About the Author
Leela Kumili
Leela is a Lead Software Engineer at Starbucks with deep expertise in building scalable, cloud-native systems and distributed platforms. She drives architecture, delivery, and operational excellence across the Rewards Platform, leading efforts to modernize systems, improve scalability, and enhance reliability.
In addition to her technical leadership, Leela serves as an AI Champion for the organization, identifying opportunities to improve developer productivity and workflows using LLM-based tools and establishing best practices for AI adoption. She is passionate about building production-ready systems, enhancing developer experience, and mentoring engineers to grow in both technical and strategic impact. Her interests include platform engineering, distributed systems, developer productivity, and bridging technical solutions with business and product goals.
Show moreShow less
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み