Claude Code GitHub ActionsでAIレビューを試してみた話

なぜAIレビューを導入したのか

最近、チームのコードレビューがちょっと大変になってきました😅

うちのチームは 2 approve体制（2人の承認が必要）なんですが、こんな課題が：

• レビュワーの減少（人員の変動）
• 一人当たりのレビュー時間が増加、機能開発に割く時間が減少
• 細かいところを見落としがち

「AIにお手伝いしてもらえないかな？」ということで、AIレビューの導入を検討してみました。

どのツールを選んだか

主要なAIレビューツールを調査しました：

• Coderabbit: AIコードレビューツールの先駆け。PR自動レビュー、複数言語対応
• GitHub Copilot: GitHub公式のAI機能。コード生成は強力だが、レビュー機能は限定的
• Claude Code GitHub Actions: Anthropic社のClaude APIを活用したGitHub Actions統合

最終的にClaude Code GitHub Actionsを選択した理由：

• 既存の活用実績 - クライアント側の開発で既にClaude Code (MAX)を利用中
• API統合の柔軟性 - GitHub Actionsでカスタマイズ可能
• 言語理解力 - 日本語でのレビューコメントの品質
• 統一された開発体験 - 開発とレビューで同じAIモデルを利用

実際に導入してみた

まずは基本設定から

.github/workflows/claude.yml を作って、とりあえず動くようにしました：
（Claude公式のサンプルを参考にしました）

name: Claude PR Review
on:
  pull_request:
    types: [opened, synchronize]
  issue_comment:
    types: [created]

jobs:
  claude-code-action:
    runs-on: ubuntu-latest
    permissions:
      contents: read
      pull-requests: write  # PRへのコメント投稿に必要
      issues: read
      id-token: write
    
    steps:
      - name: Run Claude PR Action
        uses: anthropics/claude-code-action@beta
        with:
          github_token: ${{ secrets.GITHUB_TOKEN }}
          anthropic_api_key: ${{ secrets.ANTHROPIC_API_KEY }}

APIキーについて

実はClaude.aiのMAXプランでも利用できるらしいんですが、うちのチームでは以下の理由でAPI キーを使うことにしました：

• チーム全体での利用を想定 - 個人アカウントに依存しない
• 使用量の管理がしやすい - APIダッシュボードで詳細な利用状況を確認できる
• 費用の透明性 - プロジェクトごとのコストが明確

ANTHROPIC_API_KEY は Anthropic Console から取得して、GitHubリポジトリの Settings → Secrets and variables → Actions に登録します。

案の定、最初はうまくいかなかった

🐛 トークン設定し忘れ

ワークフローは動くけどコメントが投稿されない...
→ github_token: ${{ secrets.GITHUB_TOKEN }} を追加し忘れてました

🐛 権限が足りない（403エラー）

今度は403エラーが出る...
→ permissions で pull-requests: write にする必要がありました（最初 read にしてた）

問題解決後、ついに動いた！

上記の権限問題を解決した後、再度レビューを依頼してみたら...

ついにClaudeからのレビューコメントが投稿されました！🎉

正直、初めてAIからのレビューコメントがPRに表示されたときは、ちょっと感動しました。

1週間使ってみた結果

数字で見る実績

• 導入期間: 1週間
• レビュー件数: 83件
• API使用料: $25.63
• Token使用量: 31,369,289 tokens
• 平均コスト: PR当たり $0.31
• 平均Token: PR当たり 378,064 tokens

AIレビューの質はどうだった？

正直、思っていたより良かったです！こんな指摘をしてくれました：

実際に役立った指摘

💡 より良いコードの書き方を提案

「こう書いた方が効率的ですよ」って具体的に教えてくれる

🔍 見落としがちな条件分岐をキャッチ

「この場合はどうなります？」的な鋭い指摘

😅 コメントとコードが合ってない問題を発見

人間だと意外と見落としがちなやつ

でも気になる点もいくつか...

• たまに英語でコメントしてくる（下記のプロンプトで改善）
• 優先度がよくわからない（「直したほうがいいかも」レベルなのか「絶対直して」なのか）
• 1行の修正でもトークンをがっつり使う（コスト的にちょっと心配）

プロンプトをちょっと改良

最初の運用時、みなさん各自@claudeの後、プロンプトを追加して、レビューしてもらいました。
1週間使ってみて、大体下記のようにプロンプトは固めたので、claude.ymlに下記の感じでプロンプトを改善しました：

    direct_prompt: |
        - 指摘事項を、nits、should、imo、mustの粒度で分類して指摘する
        - 日本語でコメントする
        - 対応が必要な項目はチェックボックスで記載
        - 問題なければLGTMを記載

コストはどのくらい？

お金の話

• 月間予想: 約$102.52（4週間換算）
• 年間予想: 約$1,332.76

エンジニアの時間コストを考えれば全然アリな金額です 💰

これからやりたいこと

• トークン使用量を減らす工夫（小さいPRは簡易モードとか）
• Android プロジェクトにも横展開
• チーム全体でのレビュー基準統一

まとめ：AIレビュー、けっこういいじゃん

1週間使ってみた感想：

✅ レビュワーが2人必須から1人に - AIがもう1人分の役割を担ってくれる
✅ 細かいところを見つけてくれる - 人間が疲れてるときに見落とすやつ
✅ コスパがいい - エンジニアの時間の方が高い
✅ 勉強になる - 「こういう書き方もあるのか」的な発見がある

もちろん人間のレビューは必要ですが、AIがサポートしてくれると開発がスムーズになりました。

次はAndroidプロジェクトにも導入予定です！同じような課題で困ってる人がいたら、試してみる価値はあると思います 🚀