高知大学学生坂下康信在日本LINE雅虎实习中搭建AI事件驱动自主调查的护栏系统

生成AI让写代码的速度大幅提升，但日本LINE雅虎LINE礼物SRE团队发现新的瓶颈转移到了代码生成之外的环节：告警的初步调查、分支管理、代码规范修正。高知大学人文社会科学部四年级学生坂下康信在2026年8月至9月于该团队实习时，试图解决的核心问题是：怎样让AI不再等人给提示，而是由事件自动触发调查，同时确保它不会造成破坏。

坂下将这个问题拆成三层。第一层是纯机械的自动化：把main分支的变更自动传播到各运行中的分支，用GitHub Actions每天早晨自动创建并合并Pull Request。第二层是AI辅助的开发环境改善：引入变异测试量化E2E测试的检出能力，用Lefthook在提交前拦截AI生成的非预期输出，并将原有shell脚本工具迁移到Go和Python以提高可维护性。第三层才是他真正想构建的东西——让AI在没有人逐步指示的情况下自主完成初步调查。

第三层的关键概念是护栏。坂下在文中写道：构建AI活用基础设施，不是简单地引入高性能模型；重要的是准备一个即使AI失败也能限制损害的环境，以及能发现失败的反馈机制，让AI在人意图的范围内发挥能力。具体而言，他的护栏包含三类约束：执行步数和超时的硬性上限，防止无限循环浪费API调用；权限分离，允许读取日志和指标但阻止破坏性写入；容器隔离，即使执行环境被破坏，影响也被限制在容器内部。

技术选型上，坂下比较了三条路径。直接运行Claude Code或Codex CLI等现有工具最省事，但当前AI开发工具的标准变化极快，强绑定某一款工具意味着将来换栈困难。用LangGraph等重框架或LLM官方SDK直接调用，前者学习成本和系统开销大，后者容易让会话历史和状态管理的自研代码膨胀。他最终选择了flue框架，理由是它允许将agent逻辑像函数一样声明式地定义，同时不绑定特定模型或工具，抽象度适中。

最终构建的系统是事件驱动的：内部监控发出告警或E2E测试失败时，AI自动开始调查，对照相关代码、日志和指标，将原因推测、确认要点和建议的下一步操作回复到Slack线程。人需要做的是确认调查结果并决定实际应对措施。

坂下的导师津田在文末确认了这一进展：六周内从back-merge自动化到AI自主调查基础设施的搭建，技术选型过程体现了对开发工具趋势的持续跟踪。坂下本人也承认，back-merge自动化的终极理想其实是迁移到不需要back-merge的分支策略，只是那需要更根本的运营改造。护栏系统目前覆盖告警调查和测试失败分析，尚未扩展到更广泛的开发流程。flue框架本身作为一个较新的开源项目，其长期维护状况和社区规模在文中未做评估。