11月19日、Google Cloud Blogが「Lessons from building Sashiko, an agentic code review system」と題した記事を公開した。Googleが構築したLinuxカーネル向けオープンソースのエージェント型コードレビューシステム「Sashiko」について、設計思想・実績・開発から得た知見が詳しく紹介されている。AIコードレビューの実用化において、現時点で最も具体的な数字と設計根拠が揃った事例の一つだ。
AIがコードを書くほど、レビューがボトルネックになる
大規模オープンソースプロジェクトの開発速度を制約しているのは、コード生成ではなくコードレビューだ。Linuxカーネルは3500万行超のコードを抱え、年間8万5000件以上の変更が加えられる。メンテナーたちは毎日数百件のパッチを手動で読み、メモリリーク・デッドロック・レースコンディション・セキュリティバグを探し続けている。
AIコーディングツールの普及でパッチ投稿数は増える一方、AIが生成した「それっぽいが誤ったパッチ」や重複だらけのAI生成セキュリティレポートも同時に増加している。メンテナーの負荷は増すばかりだ。
この課題に対処するため、Google AI & InfrastructureチームはGeminiを搭載したオープンソースのエージェント型コードレビューシステムSashiko(GitHub)を構築した。名称は日本語の「刺し子」(布を補強する刺繍技法)に由来し、プロジェクトはすでにLinux Foundationへ寄贈されている。
Sashikoがレビューを「難問」として扱う理由
LLMをコードレビューに使う際の典型的な失敗パターンは3つある。
- 手を抜く:トークン節約の訓練が影響し、十分な調査なしに問題を棄却したり、false positiveを出したりする
- バイアスがかかりやすい:1つの明らかな問題を見つけると、それ以外の種類のバグを見落とす。コミットメッセージのテキストがレビュー結果を意図せず歪めることもある
- 永続的な記憶がない:一見デメリットだが、コードレビューにおいてはメリットになる。同じパッチを何度でも「初見」として見直せるため、100個の微妙に異なるブランチに適用されたパッチを横断的にチェックできる
Sashikoの設計はこれらの失敗パターンを前提に組み立てられており、「LLMに素直にレビューさせる」のではなく、LLMの弱点を構造的に回避するパイプラインとなっている点が核心だ。
5ステップの並列エージェント設計
Sashikoの核心は「バグ候補の発見」と「バグの検証」を分離する設計にある。
コンテキスト収集と計画:変更された関数・構造体定義・直接の呼び出し元を取得し、サブシステムのドメインガイドを読み込む。プランナーがパッチの複雑さに応じてどの専門パスを実行するかを決定する
並列スペシャリストセッション:最大7つのスペシャリストが並列実行される。担当領域はそれぞれ「コミット意図」「実装の一致」「制御フロー」「リソース生存期間」「ロック」「セキュリティ」「ハードウェア」だ。1セッション当たり平均約100回のツール呼び出しを行い、「実バグ」と「調査して棄却した候補」の両リストを出力する
トリアージ:リードバリファイアーが2つのリストを審査する。ここで重視されるのが「根拠なき自己棄却」の検出だ――スペシャリストが実際のバグを見つけながら、未確認の呼び出し元やロックが解決すると仮定して棄却したケースを引き上げる
バグごとの深掘り検証:難しいケースを1つのプロンプトにまとめず、各ケースに専用の検証エージェントを割り当てて並列実行する。バグ主張も棄却も、全コールサイトにわたる具体的なコード証拠なしには受け入れない
レビューレポート生成:Linuxメーリングリストのスタイルに合わせた、人間のメンテナーが書くような文体でレポートを出力する
このレビューは開発者に無償で提供される。公開Linuxカーネルメーリングリストに送られたパッチを対象に、Googleがsashiko.devでサービスを運営している。すべてのプロンプト・ツール呼び出し・推論ステップ・棄却済みバグは公開されており、透明性の高い運用が信頼獲得につながっている。
数字が示す実績
7ヶ月間の本番データが出た。
| 指標 | 実績(2026年3月以降) |
|---|---|
| レビュー完了数 | 241,000件(約1,200件/日) |
| 参加済みカーネルサブシステムリスト | 75以上 |
| Sashikoを引用したメインラインコミット | 2,000件以上 |
| 2026年のLinuxカーネルCVEでの引用 | 528件 |
| マージ後60日以内の修正率 | ベースライン3.4% → Linux 7.2で2.2%(35%減) |
※「Linux 7.2」というバージョン番号は元記事からの引用。現行のLinuxカーネルバージョン体系と照らして違和感を覚える読者もいるかもしれないが、元記事の記載に従って表記している。
特に統計として興味深いのがクリーンレビューの予測精度だ。21,500件の追跡コミットを分析したところ、Sashikoがクリーンと判定したパッチの60日以内修正率は0.9%(歴史的ベースラインの3分の1以下)。一方、Sashikoがクリティカルな警告を出したにもかかわらずマージされたパッチは7.6%が修正を要した――これはパッチサイズ補正後でも6.3倍のリスク差だ。
LWN.netはSashikoが「カーネル開発プロセスの重要な一部になった」と評し、Linux 7.2リリースサイクルではバグ報告者ランキングのトップになったと報じている(元記事より引用。リンク先:lwn.net/Articles/1100241/)。
Linus Torvalds自身もメーリングリストで次のように述べている。称賛の一方で、false positiveの存在にも言及しており、手放しの絶賛ではなく実態を踏まえた評価であることは読み取っておくべきだろう。
「Sashikoはかなり優秀だ。不要なフラグを立てて実際には問題がない場合でも、その質問には理由があることが多い。そして本当に素晴らしいレポートもある。深くて微妙な問題を、AIが100%正確に指摘している。AIはすべてスロップだと思っている人は、現状を直視していない。」
— Linus Torvalds(lore.kernel.org)
構築から得た3つの知見
1. ベンチマーク駆動開発が直感に勝る
開発初期に約1,000件の実際のLinuxカーネルバグ(人間のレビューをすり抜けてメインラインにマージされ、後に修正が必要になったもの)でベンチマークを構築し、すべての主要変更を評価した。最新のGemini 4 Carbonモデルを使用したSashikoは、このベンチマークで人間のレビュアーが見逃したバグの**75.8%**を検出している。
※「Gemini 4 Carbon」という製品名は元記事に記載されているものをそのまま引用している。執筆時点でのGoogle公式ラインナップとの対応関係については、Google DeepMindの公式サイトで最新情報を確認していただきたい。
2. コーディングエージェントは自分のコードのレビューが苦手
大規模コードベースでは、動く実装を作ることは全体の仕事の5〜10%に過ぎない。常に正しく動作し、周囲のコードと整合し、微妙なリグレッションを起こさない実装を作ることがはるかに難しい。エージェントも人間の開発者と同様に、外部レビューから恩恵を受ける。この知見は、AIが生成したコードをAI自身にレビューさせる構成の限界を示しており、ツールチェーン設計において見落とされがちな視点だ。
3. オープンソースとコミュニティの共同所有がトラストを構築する
完全オープンな設計により、異なるモデル(オープンソースやローカルモデル含む)の使用、プロンプトのカスタマイズ、Linux以外のプロジェクトへの適用が可能になった。その結果、著名なカーネル開発者を含む100人以上のコントリバイターが集まっている。推論過程をすべて公開する方針は、コミュニティからの信頼獲得において重要な役割を果たしたと記事は強調している。
SashikoのコアレビューエンジンはCやカーネル固有のルールに依存していないため、GCC・LLVM・Gitといった他のOSSプロジェクトへの応用も視野に入れられている。AIによるコードレビューが「補助ツール」から「開発プロセスの構成要素」へと変わりつつある現状を示す事例として、実装者・OSS関係者ともに参照価値が高い。
詳細はLessons from building Sashiko, an agentic code review systemを参照していただきたい。