DatadogがClaude Codeの生成物を仕様で検証するTemperを構築

Anthropicは、DatadogがClaude Codeを全社の開発へ広げ、最終的に仕様と決定論的な検証を中心にした「Temper」を構築した事例を公開しました。

要点

• Datadogでは全エンジニアがAIコーディングを使い、Claude Codeが利用の少なくとも3分の2を占めると説明されています。
• 長時間エージェントに任せられる範囲が広がるほど、課題はコード生成から「正しさをどう証明するか」へ移りました。
• Temperではエージェントが仕様を作り、決定論的なカーネルが4層で検証し、その仕様を実行にも使ってずれを防ぎます。
• 数日で動いた試作と、本番品質へ仕上げる作業は分けて評価する必要があります。

今回のブログ記事で語られていること

事例は、Claude Codeの用途が小さな修正から大規模なリファクタリング、既存コンポーネントの置き換え、システム全体の構築へ広がった流れを追っています。Datadogでは全エンジニアがAIコーディングを使い、そのうちClaude Codeが少なくとも3分の2を占めるとされています。長いセッションでエージェントが多くのコードを書けるようになると、人が一行ずつ確認する方法は追いつきません。そこで論点は「生成できるか」から「任せた変更が要求を満たすと、再現可能な方法で確認できるか」へ変わりました。

記事は段階的なプロジェクトを紹介します。Courierでは分散キューを約1年かけて本番へ持ち込み、BitsEvolveでは閉ループの進化的最適化を試し、HelixではKafkaと比較されるシステムの核を数日で作ったと説明しています。ただし、Helixも試作が短期間で動いたことと、障害対応、運用、互換性、負荷特性を本番水準へ固めることは別でした。この差が、エージェントへ自由に実装させたあと人が追認するだけでは不十分だという学びにつながっています。

その答えとして示されるTemperは、Anthropicが「universal machine tool」と表現する仕組みです。エージェントは実装だけでなく仕様を生成し、決定論的なカーネルが4つの層で仕様を検証してから配備します。さらに、検証に使った仕様そのものを実行へつなげることで、文書化された意図と実際の動作が後からずれる問題を避けます。重要なのはClaude Codeが単独で正しさを保証するという話ではなく、確率的な生成を、仕様、制約、テスト、実行基盤という決定論的な境界で囲む設計です。導入側は、自社で何を仕様化できるか、どの性質を機械検証できるか、どの判断を人が保持するかを先に決める必要があります。

今回のブログ記事が関係する人

AIコーディングを全社展開する開発責任者、プラットフォームエンジニア、分散システムの設計者、品質保証、セキュリティ、変更承認を担当するチームに関係します。

結局、今回のブログ記事をどう読むべきか

これは長時間エージェントの成功談だけではなく、生成量が増えた組織では検証基盤がボトルネックになるという事例です。コード行数ではなく、仕様化できた要求、決定論的に確認できる性質、本番化に残った人手を測る材料として読むと有用です。