ハンズオンラボ — CCA-F Claude Certified Architect — Foundations

概要

前提条件

ステップ

1. 1.Claude Code をインストールし、API に到達できることを確認する

   プロビジョニング対象:

   • Claude Code
   • Anthropic API

   Claude Code は、CCA-F 試験で最も直接的にテストされる CLI です。設定、hooks、slash commands、permission modes のすべてがここにあります。後のすべてのステップで claude を呼び出せるように、まずグローバルにインストールします。

   インストール後、簡単な claude --version でバイナリが PATH 上にあることを確認し、claude --print-system-prompt で API キーが有効であることを確認します（内部で軽量な呼び出しを行います）。

   コピー

   # Install Claude Code globally
   npm install -g @anthropic-ai/claude-code
   
   # Verify installation
   claude --version
   
   # Confirm API connectivity (prints the built-in system prompt)
   claude --print-system-prompt | head -20

2. 2.CLAUDE.md のプロジェクトレベルとユーザーレベルのファイルを設定する

   プロビジョニング対象:

   • CLAUDE.md
   • Project Config

   試験では、3層の CLAUDE.md 階層が重点的にテストされます。ユーザー (~/.claude/CLAUDE.md)、プロジェクト (リポジトリルート)、モジュール (サブディレクトリ) です。各レベルは上位から継承され、上書きすることができます。

   今回は、コーディング規約を設定するプロジェクトレベルのファイルと、個人的な好みを設定するユーザーレベルのファイルを作成します。Claude Code がプロジェクトを読み込む際、これら3つの層をすべてマージします。これは試験で問われる動作そのものです。

   コピー

   # Create project root CLAUDE.md
   cat > CLAUDE.md << 'EOF'
   # Project: CCA-F Lab
   
   ## Coding conventions
   - Use TypeScript for all new files
   - Prefer const over let
   - Use single quotes for strings
   - No semicolons (Prettier default)
   
   ## Testing
   - Run `npm test` before committing
   - All new functions must have at least one test
   EOF
   
   # Create user-level CLAUDE.md (applies to ALL your projects)
   mkdir -p ~/.claude
   cat > ~/.claude/CLAUDE.md << 'EOF'
   # User preferences
   - Be concise in responses
   - Prefer functional programming patterns
   - Always explain the "why" before showing code
   EOF
   
   # Verify Claude Code sees both files
   claude "What instructions do you see in CLAUDE.md?" --print

3. 3.新しいモジュールを足場化するカスタムスラッシュコマンドを構築する

   プロビジョニング対象:

   • Slash Commands
   • Claude Code

   カスタムスラッシュコマンドは、Markdown ファイルとして .claude/commands/ 内に存在します。ファイル名がコマンド名になります（例：scaffold.md → /scaffold）。ファイルの内容はプロンプトテンプレートであり、ユーザー入力用の $ARGUMENTS を含めることができます。

   これは試験で頻繁に出題されるトピックです。コマンドがどこに存在するか、引数がどのように渡されるか、そして hooks とどのように異なるか、などです。

   コピー

   # Create the commands directory
   mkdir -p .claude/commands
   
   # Create a scaffold command
   cat > .claude/commands/scaffold.md << 'EOF'
   Create a new TypeScript module named $ARGUMENTS with:
   1. A main source file at src/$ARGUMENTS/index.ts
   2. A test file at src/$ARGUMENTS/__tests__/index.test.ts
   3. Export the module from the project root index.ts
   
   Follow the coding conventions in CLAUDE.md.
   EOF
   
   # Test the command (Claude Code will execute it interactively)
   claude /scaffold calculator

4. 4.すべてのファイル書き込み前に自動リンティングを行う hooks を設定する

   プロビジョニング対象:

   • Hooks
   • Settings

   Hooks は、Claude Code イベントに応じてシェルコマンドを実行します。試験では、PreToolUse (ツール実行前)、PostToolUse (ツール実行後)、および Notification (ステータス変更時) の3種類の hook がテストされます。Hooks は .claude/settings.json で定義されます。

   私たちは、ファイル編集後にリンターを実行する PostToolUse hook を追加します。これは、試験で頻繁に問われる一般的な本番環境のパターンです。

   コピー

   # Initialize a package.json so we have a lint script
   npm init -y
   npm install --save-dev typescript @typescript-eslint/parser
   
   # Create project-level settings with a post-tool hook
   mkdir -p .claude
   cat > .claude/settings.json << 'EOF'
   {
     "hooks": {
       "PostToolUse": [
         {
           "matcher": "Write|Edit",
           "command": "npx tsc --noEmit 2>&1 | head -5"
         }
       ]
     },
     "permissions": {
       "allow": [
         "Read",
         "Write",
         "Edit"
       ]
     }
   }
   EOF
   
   # Verify settings are recognized
   cat .claude/settings.json

5. 5.ローカルの MCP サーバーを起動し、Claude Code を接続する

   プロビジョニング対象:

   • MCP
   • stdio Transport

   Model Context Protocol (MCP) は、試験の主要ドメインです。MCP サーバーは、標準化された JSON-RPC プロトコルを介して LLM クライアントに tools、resources、prompts を公開します。stdio トランスポートは最もシンプルで、サーバーは stdin から読み込み、stdout に書き込みます。

   私たちは、get_weather ツールを公開する最小限の MCP サーバーを構築し、Claude Code をそれに接続するように設定します。これにより、試験でテストされる MCP の完全なライフサイクル（tool の定義、transport の接続、tool の呼び出し、結果の処理）を実践します。

   コピー

   # Install the MCP SDK
   npm install @modelcontextprotocol/sdk
   
   # Create the MCP server
   cat > mcp-weather.mjs << 'EOF'
   import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
   import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
   
   const server = new McpServer({ name: "weather", version: "1.0.0" });
   
   server.tool("get_weather", { city: { type: "string" } }, async ({ city }) => ({
     content: [{ type: "text", text: `Weather in ${city}: 72°F, sunny` }],
   }));
   
   const transport = new StdioServerTransport();
   await server.connect(transport);
   EOF
   
   # Register the MCP server in Claude Code settings
   cat > .claude/settings.json << 'EOF'
   {
     "mcpServers": {
       "weather": {
         "command": "node",
         "args": ["mcp-weather.mjs"]
       }
     }
   }
   EOF
   
   # Ask Claude Code to use the MCP tool
   claude "What is the weather in Tokyo? Use the get_weather tool."

6. 6.ツール定義と構造化された出力を使用して Anthropic API を呼び出す

   プロビジョニング対象:

   • Tool Use API
   • Structured Output

   試験では、Messages API の tool-use フローが詳細にテストされます。リクエストで tools を送信し、モデルは tool_use コンテンツブロックで応答し、それを実行して tool_result を返し、その後モデルが最終的な回答を生成します。

   このステップでは、curl を使用して API を直接呼び出します。これは、試験が SDK ラッパーではなく、生のリクエスト/レスポンス形式をテストするため、試験に最も合致したアプローチです。

   コピー

   # Call the Messages API with a tool definition
   curl -s https://api.anthropic.com/v1/messages \
     -H "x-api-key: $ANTHROPIC_API_KEY" \
     -H "anthropic-version: 2023-06-01" \
     -H "content-type: application/json" \
     -d '{
       "model": "claude-sonnet-4-6",
       "max_tokens": 1024,
       "tools": [{
         "name": "calculate",
         "description": "Evaluate a math expression",
         "input_schema": {
           "type": "object",
           "properties": {
             "expression": { "type": "string", "description": "Math expression to evaluate" }
           },
           "required": ["expression"]
         }
       }],
       "messages": [{
         "role": "user",
         "content": "What is 15% tip on a $85.50 dinner bill?"
       }]
     }' | python3 -m json.tool

7. 7.複雑な多段階推論のために extended thinking を有効にする

   プロビジョニング対象:

   • Extended Thinking
   • Anthropic API

   Extended thinking は、モデルが thinking ブロックを使用して、応答する前に段階的に推論することを可能にします。試験では、いつそれを使用すべきか（複雑な推論、数学、コード生成）、および budget_tokens をどのように設定するかをテストします。

   私たちは意図的に複雑な論理パズルを送信し、extended thinking を使用した場合と使用しない場合の応答を比較して、品質の違いを直接確認します。

   コピー

   # Request WITH extended thinking
   curl -s https://api.anthropic.com/v1/messages \
     -H "x-api-key: $ANTHROPIC_API_KEY" \
     -H "anthropic-version: 2023-06-01" \
     -H "content-type: application/json" \
     -d '{
       "model": "claude-sonnet-4-6",
       "max_tokens": 16000,
       "thinking": {
         "type": "enabled",
         "budget_tokens": 10000
       },
       "messages": [{
         "role": "user",
         "content": "A farmer has 17 sheep. All but 9 run away. How many does he have left? Explain your reasoning step by step."
       }]
     }' | python3 -m json.tool
   
   # The response includes a "thinking" block showing the model's
   # internal reasoning before the final answer.

8. 8.プロンプトキャッシングを使用して、繰り返されるシステムプロンプトのコストを削減する

   プロビジョニング対象:

   • Prompt Caching
   • Anthropic API

   プロンプトキャッシングにより、リクエストの一部をキャッシュ可能としてマークできます。キャッシュされたプレフィックスは、後続の呼び出しで90%安くなり、追加のレイテンシーはゼロです。試験では、cache_control ブロックの配置と、キャッシュヒットヘッダーがテストされます。

   私たちは同じ大きなシステムプロンプトを2回送信し、応答ヘッダーをチェックして、2回目の呼び出しでキャッシュがヒットしたことを確認します。

   コピー

   # First call — creates the cache entry
   curl -s -D /dev/stderr https://api.anthropic.com/v1/messages \
     -H "x-api-key: $ANTHROPIC_API_KEY" \
     -H "anthropic-version: 2023-06-01" \
     -H "content-type: application/json" \
     -d '{
       "model": "claude-sonnet-4-6",
       "max_tokens": 256,
       "system": [{
         "type": "text",
         "text": "You are a helpful assistant specialized in cloud architecture. You follow AWS Well-Architected Framework principles. You always recommend infrastructure as code. You prefer Terraform over CloudFormation. You prioritize security and cost optimization.",
         "cache_control": { "type": "ephemeral" }
       }],
       "messages": [{ "role": "user", "content": "How should I set up VPC peering?" }]
     }' > /dev/null 2>&1
   
   # Second call — should hit the cache (check usage.cache_read_input_tokens)
   curl -s https://api.anthropic.com/v1/messages \
     -H "x-api-key: $ANTHROPIC_API_KEY" \
     -H "anthropic-version: 2023-06-01" \
     -H "content-type: application/json" \
     -d '{
       "model": "claude-sonnet-4-6",
       "max_tokens": 256,
       "system": [{
         "type": "text",
         "text": "You are a helpful assistant specialized in cloud architecture. You follow AWS Well-Architected Framework principles. You always recommend infrastructure as code. You prefer Terraform over CloudFormation. You prioritize security and cost optimization.",
         "cache_control": { "type": "ephemeral" }
       }],
       "messages": [{ "role": "user", "content": "What about NAT gateway sizing?" }]
     }' | python3 -c "import sys,json; d=json.load(sys.stdin); print(f\"Cache read tokens: {d['usage'].get('cache_read_input_tokens', 0)}\")"

9. 9.CI/CD パイプライン向けに Claude Code をヘッドレスモードで実行する

   プロビジョニング対象:

   • Headless Mode
   • CI/CD

   試験では、Claude Code を非対話的に実行する方法がテストされます。--print フラグは対話セッションなしで結果を stdout に出力し、--output-format json はスクリプト処理用の構造化された出力を提供します。

   これは CI パイプラインで使用されるパターンです。プロンプトを与え、結果を取得し、それをプログラムで解析します。

   コピー

   # Headless mode: prompt in, text out
   claude --print "List 3 TypeScript best practices, one per line"
   
   # JSON output for programmatic use
   claude --print --output-format json "What is 2+2?"
   
   # Pipe a file for code review (CI pattern)
   echo 'const x: any = "hello";' > example.ts
   claude --print "Review this TypeScript file for type safety issues: $(cat example.ts)"

10. 10.専門サブエージェントにタスクを委任するマルチエージェントスーパーバイザーを構築する

    プロビジョニング対象:

    • Multi-Agent
    • Supervisor Pattern
    • Anthropic SDK

    ドメイン1（Agentic Architecture、27%）は、試験で最も高いウェイトを占めています。スーパーバイザーパターン（1つのオーケストレーターが、それぞれ独自のシステムプロンプトとツールセットを持つ専門サブエージェントにタスクをディスパッチする）は、最も頻繁にテストされるアーキテクチャです。

    私たちは、2つの専門エージェントを調整するスーパーバイザーを実装する自己完結型の Node.js スクリプトを構築します。1つはファイルを読み込み要約するリサーチャー、もう1つは出力を生成するライターです。スーパーバイザーはタスクを分解し、個別の API 呼び出しを介して各専門エージェントに委任し、結果を集約します。ターミナルから実行して、委任がリアルタイムでどのように行われるかを確認しましょう。

    コピー

    # Install the Anthropic SDK
    npm install @anthropic-ai/sdk
    
    # Create sample data for the agents to work with
    cat > sales-data.csv << 'EOF'
    month,revenue,units
    Jan,12500,150
    Feb,15200,180
    Mar,11800,140
    Apr,18900,220
    May,22100,260
    Jun,19500,230
    EOF
    
    # Create the multi-agent supervisor script
    cat > supervisor.mjs << 'SCRIPT'
    import Anthropic from "@anthropic-ai/sdk";
    import { readFileSync } from "fs";
    
    const client = new Anthropic();
    
    async function callAgent(role, systemPrompt, userMessage) {
      console.log(`\n--- ${role} agent ---`);
      const response = await client.messages.create({
        model: "claude-sonnet-4-6",
        max_tokens: 1024,
        system: systemPrompt,
        messages: [{ role: "user", content: userMessage }],
      });
      const text = response.content
        .filter((b) => b.type === "text")
        .map((b) => b.text)
        .join("\n");
      console.log(text);
      return text;
    }
    
    // --- Supervisor: decompose, delegate, aggregate ---
    const data = readFileSync("sales-data.csv", "utf-8");
    
    console.log("=== SUPERVISOR: Decomposing task ===");
    console.log("Task: Analyze sales data and write a brief executive summary.\n");
    console.log("Step 1: Delegate analysis to Researcher agent");
    console.log("Step 2: Delegate writing to Writer agent");
    console.log("Step 3: Combine results\n");
    
    // Sub-agent 1: Researcher — extracts insights
    const analysis = await callAgent(
      "Researcher",
      "You are a data analyst. Extract key trends, highs, lows, and growth rates. Be precise with numbers. Output bullet points only.",
      `Analyze this CSV data:\n\n${data}`
    );
    
    // Sub-agent 2: Writer — produces the summary from the analysis
    const summary = await callAgent(
      "Writer",
      "You are a business writer. Write a 3-sentence executive summary from the analysis provided. Use a professional tone. Include specific numbers.",
      `Write an executive summary based on these findings:\n\n${analysis}`
    );
    
    console.log("\n=== SUPERVISOR: Final aggregated output ===");
    console.log(summary);
    SCRIPT
    
    # Run the supervisor
    node supervisor.mjs

クリーンアップ

# Remove the lab directory
cd .. && rm -rf cca-f-lab

# Optionally remove the user-level CLAUDE.md we created
rm -f ~/.claude/CLAUDE.md

# Optionally uninstall Claude Code
npm uninstall -g @anthropic-ai/claude-code