GitHub Copilotの新しい課金方式との付き合い方 - 推論効率を高めるための実践

GitHub Copilotの新しい課金方式との付き合い方 推論効率を高めるための実践 1

自己紹介 山田顕人（Kento.Yamada） @ymd65536 By the wayの人、404ニキなど呼び方はさまざま 仕事：DevSecOps、クラウドインテグレーション コミュニティ運営：.NETラボ、AI運用、AI駆動開発 受賞歴（９つ、継続中の称号を掲載） ● 初代PagerDutyアンバサダー 2

余談：公式の会社プロフィールがあり。きれいな山田 https://www.iret.co.jp/topengineer/member/yamada/?award=google-cloud-partner-top-engineer 3

• https://www.iret.co.jp/topengineer/member/yamada/?award=google-cloud-partner-top-engineer

By the way: やっちまった。クレジット利用率120% 4

今日話すこと 今日は俺みたいになるな！しくじり先生っぽく大事なことを伝えていきます！ ● 課金方式の変化を受けて使い方を見直す ● GitHub Copilotを使うときの6つのコツ ● じつはこんな資料もある。トークノミクスの話 ● 目指すのは節約ではなく推論効率 5

課金方式の変化を受けて使い方を見直す（見直した） これまで リクエスト回数を意識する これから モデル・入力・出力・ツール呼び出しを意識する 6

GitHub Copilotを使うときの6つのコツ ● MCPを乱発しない。使うときとそうでない時を決める ● 高い推論力でゴリ押ししない。用途ごとにモデルを選択 ● AGENTS.mdやSKILL.mdを作成 ● 正規表現やsed/awkなどコマンドを使ってテキストを圧縮 ● Codebase semantic indexやプロンプトキャッシュを使う ● MAI-Code-1-FlashやBYOKのモデルを活用 ポイント 目指すのはトークン削減ではなく、推論結果への最短到達 7

MCPを乱発しない。使うときとそうでない時を決める MCPを使う ● 外部サービスの最新情報が必要 ● API経由で操作したい ● 専用ツールの方が確実 MCPを使わない ● リポジトリ内の検索 ● ファイルの読み取り ● 単純な整形や抽出 ツールを呼ぶこと自体にも時間とコンテキストが必要 8

高い推論力でゴリ押ししない。用途ごとにモデルを選択 タスク モデルの考え方 検索、整形、単純修正 高速モデル コード生成、テスト作成 標準モデル 設計、難しいデバッグ 高推論モデル 最も強いモデルではなく、必要十分なモデルを選ぶ 9

補足：GitHub公式が公開しているAI モデルの比較 引用：https://docs.github.com/en/copilot/reference/ai-models/model-comparison 例：Claude Opus 4.7の場合は 「Anthropic の最も強力なモデルです。」という説明がされている。 10

• https://docs.github.com/en/copilot/reference/ai-models/model-comparison

AGENTS.mdやSKILL.mdを作成 以下の要素を毎回プロンプトへ書くのをやめる。 ● 使用技術 ● 禁止事項 ● テスト方法 ● 作業手順 ↓ AGENTS.md / SKILL.mdへ集約 指示を短くするのではなく、判断の揺れを減らす 11

正規表現やsed/awkなどコマンドを使ってテキストを圧縮 例：10万行のログから関係する100行を抽出、Copilotへ渡す。 絞りすぎて前後関係を消すと逆効果、最初は集計結果を渡し、必要な箇所だけ追加 ripgrepでフィルターする。awkで複雑な条件による抽出、sedで置換 point: アプリケーションのログであれば、ログ設計を見直す必要もある。 12

補足：ログの検索にクエリエンジンが使える場合 アプリケーションのログを検索基盤やデータレイクへ保存している場合 ● Kusto Query Language（KQL）やPresto SQLを使用 直近のエラーやデバッグログを格納できる仕組みを作っておき、Copilotから検 索できるようにしておくことが大事 他、jsonであれば、jqを使った取り出しも視野に入れることができる。 13

Codebase Semantic Indexやプロンプトキャッシュを使う Semantic Index 必要なコードを探して渡す Prompt Cache 同じコンテキストを再利用する Visual Studio Codeで利用可能、インデックスを作るとセマンティック検索が可能 （プロンプトキャッシュは次のスライド） すべてを毎回ゼロから読み直させない 14

プロンプトキャッシュが効いてる！ 15

MAI-Code-1-FlashやBYOKのモデルを活用 用途が合えばMAIを積極的に使っていくのが良い。 Copilot標準のモデルだけでなく、BYOKを使って既存のモデル基盤を活用する選択肢もある 16

MAI-Code-1-Flashの特徴 引用：https://docs.github.com/en/copilot/reference/ai-models/model-comparison#task-fast-help-with-simple-or-repetitive-tasks ● 速度と応答性を重視して最適化 ● 手軽な編集、ユーティリティ機能の利用、構文に関するサポート ● 軽量なプロトタイピングなどに最適 17

• https://docs.github.com/en/copilot/reference/ai-models/model-comparison#task-fast-help-with-simple-or-repetitive-tasks

AI トークノミクス ガイド 参考 ：https://cloud.google.com/blog/ja/topics/developers-practitioners/guide-to-ai-tokenomics-eleven-principles-for-token-efficient-software-engineeri ng 今日の内容も含め、推論効率を上げるためのTipsが書いてあります。 トークンを最適化するには、AI の注意を適切な方向に向けることが重要 18

• https://cloud.google.com/blog/ja/topics/developers-practitioners/guide-to-ai-tokenomics-eleven-principles-for-token-efficient-software-engineering

優先順位を付けて予算（推論予算）を賢く使う 引用： https://cloud.google.com/blog/ja/topics/developers-practitioners/guide-to-ai-tokenomics-eleven-principles-for-token-efficient-software-engineering 19

• https://cloud.google.com/blog/ja/topics/developers-practitioners/guide-to-ai-tokenomics-eleven-principles-for-token-efficient-software-engineering

まとめ ● コンテキストを整える ● ツールとモデルを使い分ける ● AIが迷わない仕事の渡し方をする 目指すのはAIクレジットの節約ではなく、推論結果への最短到達 限られた計算資源を効率よく使うための推論設計が重要になる。 20

次回予告 ● .NETラボ 勉強会 2026年8月 ○ https://dotnetlab.connpass.com/event/396232/ 21

• https://dotnetlab.connpass.com/event/396232/

おわり 22