DocsDigest
Back to listLanguage: JA
OpenAIExpoFeb 6, 2026, 4:30 PM

What our web team learned using Claude Code for a month

A condensed section focused on the key takeaways first.

Original Post
OpenAIClaude

Quick Digest

Summary

A condensed section focused on the key takeaways first.

openaienmodel: gpt-5-mini-2025-08-07

What our web team learned using Claude Code for a month

claude-codeai-codingagentic-codingcontext-managementtestinggit-worktrees

Key Points

  • Best for knowledge retrieval and well-specified tasks
  • Session/context management and skills are fragile
  • Use MCPs, tests, and git worktrees to scale safely

Summary

Our web team used Claude Code intensively for a month to understand where it helps and where it needs human support. We found clear wins in knowledge retrieval, executing well-specified tasks, and parallelizing routine work. Major limitations remain around session/context management, skills consistency, and the need for human engineering judgment. Below are practical takeaways and recommendations you can apply immediately.

Key Points

  • Strengths

    • Knowledge retrieval: effective for exploring unfamiliar parts of a codebase and unblocking tasks that require system context.
    • Well-specified tasks: produces best results when given clear requirements and acceptance criteria; use Plan mode for ambiguous features.
    • Strong repo patterns help: linting, type checks, tests, and MCPs (e.g., Linear, Sentry, Figma, Graphite) guide Claude toward reliable solutions.
    • Parallel development: use Git worktrees plus tools like Conductor or Claude Desktop to safely delegate and parallelize changes.

  • Limitations and gotchas

    • Session onboarding: Claude starts fresh each session—add a concise CLAUDE.md system prompt to reduce repeated instructions.
    • Skills are brittle: pre-built skills are useful but often need manual invocation to be consistently applied.
    • Context window decay: long sessions degrade output quality; use /clear or export progress to markdown, clear, then reload to reset context.
    • Always review: LLM output can be confidently wrong—maintain engineering standards, code review, and tests.

Recommendations (practical)

  • Keep system prompts short and focused; store onboarding in CLAUDE.md.
  • Use Plan mode to surface clarifying questions for complex features before coding.
  • Enable MCPs and continuous checks (lint/type/tests) so the agent can self-validate.
  • Parallelize work with Git worktrees and local branches to let AI work concurrently without blocking developers.
  • After finishing a discrete task, export state, /clear the session, and re-import to avoid context drift.
  • Invoke skills explicitly when you need a specific recipe applied, and always run tests and reviews before merging.

Bottom line

Claude Code is already improving developer workflows for routine, well-scoped tasks and knowledge discovery, but requires disciplined context management, concise onboarding, and human oversight to be production-safe.

Full Translation

Translations

A translation section that keeps the flow of the original article.

openaijamodel: gpt-5-mini-2025-08-07

ウェブチームがClaude Codeを1か月使って学んだこと

開発 • 2026年2月6日 • 読了目安: 5分

Juwan Wheatley

Expoのウェブチームは1か月間Claude Codeを集中的に使いました。ここでは、何がうまくいったか、何がうまくいかなかったか、そしてExpoがAIコーディングツールから実際にどのように価値を得ているかを共有します。

私たちのウェブサイトチームは過去1か月、Claude Codeに深く取り組むことを決めました。目的は、一つのツールに集中して投資し、それがプロセスとプロダクションにどう影響するかを観察することでした。昨日のall-handsで社内に学びを共有し、今日はその内容をみなさんに公開します。（この分野は非常に速く変化しているため、今日の知見がすぐに古くなる可能性があることは承知しています。とはいえ、今日の知見には意味があります。）

以下では、Claudeでうまくいっていること、うまくいっていないこと、そしてagentic codingからどのように価値を引き出しているかを説明します。

Claude Codeが得意なこと

  • 知らないコードの知識検索

    • 大量のコードをAIで生成する準備ができていない場合はここから始めてください。Claude Codeを、あまり詳しくないコードベースのナレッジベースとして使うと有用です。システムコンテキストが不足しているタスクのブロックを解除するのに特に価値があります。
    • とはいえ、同僚に相談することをためらわないでください。LLMが索引化していない、人間の頭の中にしかない置き換え不可能な知識は依然として存在します。

  • 明確に指定されたタスクの実行

    • Claude Codeは、あなたが既にやり方を知っているタスクで最も良い成果を出します。明確な要件と受け入れ基準を表現できる問題は、より良い出力をもたらします。言わば「入力した分だけ出力がある」という哲学です。
    • より曖昧または複雑な機能については、Plan mode を使ってください。Plan modeは明確化質問を行い、反復間でコンテキストを保持し、実装に直接飛び込むよりも一貫して高品質な結果を出します。

  • 強いパターンがあるコードベース

    • 慣例、包括的なlint、型チェック、フォーマットルール、統合テストが確立されたプロジェクトは、Claudeを動作し、あなたの基準を満たすソリューションへと導きやすくなります。重要なのは、エージェントが自身のフィードバックループを閉じられるツールを与えることです。
    • これには、システムやワークフローに関するコンテキストを提供するMCPsを有効にすることが含まれます。Linear、Sentry、Figma、GraphiteのMCPsは、Claudeの理解を補強するうえで特に有用だと感じました。

  • 開発作業の並列化

    • AIにタスクを確実に委任する直感が育ったら、Git worktreesを使って作業の並列化を検討してください。これによりローカルマシンで複数のブランチを同時にチェックアウトできます。
    • ConductorやClaude Desktopのようなツールは、このワークフローを簡素化します。

Claude Codeがまだ助けを必要とする点

  • system promptsでAIエンジニアをトレーニングすること

    • Claudeはセッションごとに初期状態から始まります。毎回オンボーディングが必要な新しいメンバーのように考えてください。CLAUDE.mdにコードベースとの協働方法を記載していないと、同じ指示を何度も繰り返すことになります。
    • ただし、system promptは簡潔に保ってください。冗長な指示はコンテキストウィンドウの容量を消費し、実際の作業に必要なスペースを奪います。

  • スキルの限界

    • Skills（事前パッケージ化されたレシピやコンテキストバンドル）は便利なショートカットを提供しますが、Claudeは明示的なリマインダーがないとしばしばそれを適用し忘れます。
    • 私たちは、特定のレシピを適用したいときにスキルのスラッシュコマンドを手動で呼び出すことでこの問題を回避しています。

  • コンテキスト管理の課題

    • 長時間実行されるセッションはLLMのコンテキスト制限を露呈します。Claudeはセッション履歴を圧縮・要約して幻覚を減らそうとしますが、それでも問題は完全には解決しません。
    • コンテキストが蓄積すると出力の品質が目に見えて低下することを観察しました。私たちの回避策は、各離散的なタスクを完了した後に/clearを使う、または現在の進捗をMarkdownファイルにエクスポートしてセッションをクリアし、そのファイルを読ませて続行する、というものです。これにより重要な情報を保持しつつコンテキストをリセットできます。

  • エンジニアリング基準の維持

    • Claudeの出力を評価する際にエンジニアリング判断を放棄してはいけません。LLMは依然として設計が不十分なソリューションを高い確信度で提示することがあり（私たちはこれに馴染みがあります）、そのためモデルをユーザーに出荷できると自信を持てるソリューションへと能動的に導く必要があります。

まとめ（The bottom line）

LLMが得意なことと不得意なことを見極める直感を育てるには時間がかかります。使えば使うほど、AIを強力に活用する術が上達します。私たちも試行錯誤を続けていますが、AIコーディングツールは単にオーバーヘッドを増やすだけでなく、実際にワークフローを改善している段階に達しています。

社内全体（営業／マーケティングも含む）が、程度の差はあれClaude Codeを使うようになりました。私たちは日々AIの使い方に対して積極的かつ意図的に取り組んでいます。興奮と慎重さを併せ持ち、テスト、観察、社内での経験共有を綿密に行っています。

これはExpoでの働き方の大きな一部であり、あなたがExpoと仕事をする際のやり方にも影響します。今後数か月でさらに多くを共有していく予定です。もしAIとExpoでの構築方法について具体的な質問があれば、お気軽にお知らせください。

楽しいagentic codingを！