【要約】炎上プロジェクトを検知する AI アプリを作ってみた ── Databricks ハッカソン 2026 参戦記 [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
開発チームは、勤怠データの増加に伴う残業過多や、プロジェクト炎上の予兆を把握できない課題に直面した。具体的には以下の問題が存在する。
- ・残業時間の増加やプロジェクトの停滞を、マネージャーが早期に検知できない。
- ・社内規定（36協定等）と実際の勤怠実績を照らし合わせた分析に手間がかかる。
- ・分析結果を関係者に迅速に共有する仕組みが不足している。
// Approach
開発チームは、Databricksのエコシステムを活用し、役割の異なるエージェントを統合する構成を採用した。主な手法は以下の通りである。
- ・Supervisor Agentを導入し、質問の意図に応じて「Genie Space（データ検索）」と「Knowledge Assistant（規則参照）」へタスクを振り分ける。
- ・アラート生成では、Agent経由の不安定さを避けるため、SQLで直接データを取得し、LLM（Claude Sonnet 4）で提案文のみを生成する。
- ・Streamlitを用いて、チャット、ダッシュボード、アラートレポートの3機能を統合したUIを構築する。
// Result
開発チームは、Databricksの機能特性を理解し、実用的なAIエージェントの構成案を提示した。得られた知見は以下の通りである。
- ・データ検索と規則参照を分離することで、複雑な問いへの対応を試みた。
- ・アラート生成のプロセスを最適化し、出力の安定性とレスポンス速度を向上させた。
- ・Genieによるシミュレーション能力の限界や、UI上のコンテキスト共有の必要性を明確化した。
Senior Engineer Insight
> 実践的なマルチエージェント構成の試みとして評価できる。全ての処理をAgentに任せず、定型的なデータ取得にはSQLを直接利用した。この判断は、低レイテンシと高精度を求める現場において極めて合理的だ。一方で、エージェント間のコンテキスト共有が課題として残る。実運用では、ダッシュボードの状態をLLMに渡す仕組みが不可欠だ。