Claude Code と GitHub Actions 生成PRをCIでブロックする観点リスト（概念）

ソフトウェア開発の現場に、Anthropic が提供する CLI 型コーディングエージェント「Claude Code」が急速に浸透しています。ターミナルから直接リポジトリを編集し、テストを実行してプルリクエスト（PR）まで作成するそのスピードは圧倒的です。しかし、この「AI による高速なアウトプット」を手放しで受け入れると、CI（継続的インテグレーション）の実行コスト増大や、低品質なコードによるリポジトリの汚染という新たな課題に直面します。

本記事では、IT 実務担当者やテックリードに向けて、Claude Code が作成した PR を GitHub Actions で賢く制御し、不完全な生成物を CI 段階でブロックするための具体的な観点と実装ガイドを解説します。

Claude Code × GitHub Actions：AI 生成 PR 時代の CI/CD 戦略

Claude Code は、従来のリサーチ用チャット AI とは異なり、リポジトリの全容を把握した上で「コードの書き換え」と「コマンドの実行」を自律的に行います。特に claude submit コマンド（または PR 生成を伴う指示）によって作成されるプルリクエストは、人間が数時間かけて行う作業を数秒で完了させます。

ここで重要になるのが、「AI が書いたコードを、人間と同じ信頼レベルで CI に流してよいか？」という問いです。ハルシネーション（事実に基づかない生成）や、プロジェクト固有のコーディング規約への抵触、あるいは依存ライブラリの勝手な追加など、AI 特有の振る舞いを CI でフィルタリングする仕組みが不可欠となっています。

なぜ「AI 生成 PR」を特別に扱う必要があるのか

通常の開発フローでは、人間がコードを書き、セルフチェックを経て PR を出します。しかし、Claude Code のようなエージェントは、試行錯誤の過程で不完全な PR を乱発する可能性があります。これをすべて GitHub Actions の標準ジョブで受け止めてしまうと、以下のような弊害が生じます。

• CI コストの爆発：無駄なビルドジョブが走り、GitHub のコンピューティングコストが嵩む。
• 通知のノイズ：失敗した CI の通知が Slack 等に溢れ、開発者の集中を削ぐ。
• セキュリティリスク：AI が意図せず含めてしまった機密情報や、脆弱性のあるライブラリがメインブランチに混入するリスク。

これらを防ぐためには、Claude Code の出力を「未検証の提案」として扱い、特定の条件を満たすまで CI をブロックする、あるいは軽量なチェックのみを通すといった「階層的なガードレール」が必要です。

Claude Code の動作原理と PR 生成のメカニズム

Claude Code を実務で運用する際、まず理解すべきは CLAUDE.md の存在です。これは Claude Code に対する「現地ガイド」のような役割を果たします。

CLAUDE.md によるローカルガードレールの重要性

Claude Code は実行時にリポジトリ直下の CLAUDE.md を読み込み、そのプロジェクト特有のビルドコマンド、テスト実行方法、命名規則を学習します。例えば、以下のような指示を CLAUDE.md に含めることで、PR 作成時の品質をローカル段階で底上げできます。

CLAUDE.md の記述例:

– PR を作成する際は、必ずタイトルに [Claude] プレフィックスを付けること。

– 依存関係を変更した場合は、その理由を PR 説明欄に明記すること。

– npm test がパスしない状態で PR を作成してはならない。

しかし、ローカルでの制約だけでは不十分です。開発者のローカル環境で Claude Code が「テストは通った」と判断しても、GitHub Actions 上のクリーンな環境では落ちるケースがあるからです。そこで、GitHub Actions 側での「検閲」が必要になります。

【実践】GitHub Actions で AI 生成 PR をブロック・制御する 5 つの観点

具体的にどのように CI を制御すべきか。IT 実務担当者が設計すべき 5 つの観点を整理します。

観点 1：命名規則によるフィルタリング

Claude Code に CLAUDE.md を通じて「ブランチ名や PR タイトルに ai/ や claude- を含めること」を強制させます。GitHub Actions の workflow_run や pull_request イベントの if 条件でこれらを判定し、重いビルドジョブの実行をスキップさせます。

観点 2：Draft PR での強制作成と CI スキップ

AI 生成の PR はデフォルトで Draft（下書き） 状態にすることを推奨します。GitHub Actions では if: github.event.pull_request.draft == false と設定することで、人間が「Ready for review」に変更するまで無駄な CI を走らせないように制御可能です。

観点 3：依存関係の変更検知と警告

最も危険なのは、AI が存在しないライブラリや脆弱なバージョンを package.json や requirements.txt に追加することです。GitHub Actions の dorny/paths-filter 等を活用し、依存関係ファイルが変更された場合のみ、追加のセキュリティスキャン（Snyk や GitHub Advanced Security）を強制実行し、失敗時はマージをブロックします。

観点 4：AI 生成コード専用の静的解析ジョブの分離

人間が書くコードよりも厳格なリンター（Linter）ルールを AI 生成 PR に適用します。例えば、Cognitive Complexity（認知複雑度）の閾値を低く設定し、AI が生成しがちな「動くが読みづらいスパゲッティコード」を CI で自動的に突き返します。

観点 5：人間による labeled トリガーでの CI 実行

「コスト最適化」を最優先する場合、AI 生成 PR が作成された直後は何もせず、人間が PR を目視確認して safe-to-test というラベルを付けた時のみ CI が走るように設計します。これにより、明らかに筋の悪い生成物に対して計算リソースを消費するのを防げます。

AI 生成ツール比較：Claude Code vs GitHub Copilot vs Cursor

リポジトリ管理と CI 連携の観点から、主要な AI コーディングツールの特性を比較しました。各ツールの特性を理解することで、どこでブロックすべきかの判断基準が明確になります。

※ 料金や最新の仕様については、必ず各サービスの公式ドキュメント（ Anthropic Claude, GitHub Copilot, Cursor ）をご確認ください。

AI 生成 PR を安全に捌くためのワークフロー実装手順

それでは、具体的に GitHub Actions を構成する手順を見ていきましょう。ここでは「Claude Code が作成した PR を検知し、ラベルが貼られるまでテストをスキップする」運用を想定します。

Step 1: Claude Code の PR 命名規則を固定する

リポジトリのルートに CLAUDE.md を作成し、以下の指示を書き込みます。

Claude Code Project Guidelines

Branch names: Always prefix with claude/

PR Titles: Always start with [Claude]

Step 2: GitHub Actions の if 条件でフィルタリングを実装

.github/workflows/ci.yml を編集し、ジョブの実行条件を制御します。以下の例では、claude/ ブランチからの PR かつ特定のラベルがない場合に、重いテストジョブをスキップします。

jobs:
test:
runs-on: ubuntu-latest
# Claude 生成 PR かつ 'confirmed' ラベルがない場合は実行しない
if: |
!(startsWith(github.head_ref, 'claude/')) ||
contains(github.event.pull_request.labels.*.name, 'confirmed')
steps:
- uses: actions/checkout@v4
- name: Run Tests
run: npm test

Step 3: 依存関係の変更を自動ラベル付け

AI が勝手にライブラリを追加していないかを監視するため、actions/labeler を活用して package.json の変更を検知し、dependencies ラベルを自動付与します。このラベルがついた PR は、人間が重点的にレビューする運用フローを構築します。

まとめ：AI と人間が共存するクリーンなリポジトリ維持

Claude Code は強力な武器ですが、それを制御する術を持たなければ、リポジトリはたちまち AI 製の「動くが不透明なコード」で埋め尽くされてしまいます。本記事で紹介したように、GitHub Actions を使って適切なタイミングで CI をブロックし、人間が介在する余地を設計することが、これからの IT 実務において極めて重要です。

運用のポイント再掲：

1. 識別：命名規則とラベルで AI 生成物を可視化する。
2. 抑制：Draft PR や特定ラベルによる CI 実行の条件分岐を組む。
3. 検証：依存関係の変更やコードの複雑度を厳格にチェックする。

AI による自動化は、単にコードを書く手間を減らすだけではありません。空いた時間を使って、より高度なアーキテクチャ設計や、ビジネスプロセスの最適化に注力するためのチャンスです。まずは CLAUDE.md の整備から始めて、AI コーディングエージェントを真のパートナーとして迎え入れる準備を整えましょう。