powered by TechFeed
表示モード
主要ニュース

AIコーディングエージェント「Devin」がクラウド上のMacでiOSアプリを自律ビルド — 物理Macの制約をスナップショットとアクセシビリティツリーで突破した設計

11月20日、AWSが「AI coding agents on Amazon EC2 Mac: How Cognition scales Devin for macOS」と題した記事を公開した。AIコーディングエージェント「Devin」をAmazon EC2 Macインスタンス上でスケールさせるために、Cognitionが構築したアーキテクチャについて詳しく紹介されている。

11月20日、AWSが「AI coding agents on Amazon EC2 Mac: How Cognition scales Devin for macOS」と題した記事を公開した。AIコーディングエージェント「Devin」をAmazon EC2 Macインスタンス上でスケールさせるために、Cognitionが構築したアーキテクチャについて詳しく紹介されている。


iOSアプリをビルド・テストするAIに「Macが必要」という壁

AIコーディングエージェントDevinを開発するCognitionが直面した問題はシンプルだ。iPhoneやiPad向けアプリのビルド・テスト・署名にはAppleハードウェアとmacOSが必須であり、コードを書くのがAIであっても例外ではない。

Devin CloudはもともとLinuxおよびWindowsのVM上で動作していた。Swiftのコードは書けるが、macOSとXcodeがなければ実行も検証もできず、ビルドとテストはユーザー企業のCIシステムや物理Macに依存していた。しかしそれでは、たとえば「ゲームをポーズして閉じて再起動したときにセーブ状態が復元されるか」といった挙動テストをエージェント自身が行うことはできない。

この課題を解決するため、CognitionはAmazon EC2 Macインスタンス上にmacOS仮想環境を構築し、DevinがクラウドのMac上でiOSアプリを自律的にビルド・実行・検証できる環境を整えた。


アーキテクチャの核心:1ホストに2 VM、スナップショットで効率化

EC2 Macインスタンスはベアメタル構成で、AWS Nitro Systemに接続された物理Mac mini/Mac Studioとして動作する。Cognitionはこの上でApple Virtualization frameworkを使いmacOSゲストVMを起動している。

ここで重要な制約がある。macOSのソフトウェアライセンス契約(SLA)により、1台の物理Mac上で同時に起動できる追加macOS VMは最大2つに限られる(元記事はこれをライセンス上の制約として明示している)。Cognitionはこの制限の中で、1ホストあたり2つの独立したDevinワークスペースを同時実行する設計を採用した。

さらに効率を上げているのがスナップショット方式だ。ユーザーとDevinのやり取りは非同期なことが多く、アイドル中のセッションはVMを占有する必要がない。そこでCognitionはLinux VMと同じスナップショットシステムをmacOSにも適用した。Linux版はvhost-userでVMとストレージプロセスを接続していたが、Apple Virtualization frameworkはvhost-userを未サポートのため、NBD(Network Block Device)フロントエンドを追加することで同じストレージ設計を流用している。

Cognitionによれば、約90%のセッションがアイドル時にMac VMを解放し、スナップショットから数秒で再開している。平均的なセッションはVMを複数回解放・再取得するため、Macのキャパシティはアイドルではなくアクティブな作業に集中して使われる。


ネットワーク制御:pf競合を避けるためユーザースペースEthernetゲートウェイを自作

Virtualization frameworkのネットワーク接続には3つの方式がある。NATは設定が最も簡単だが、AppleのNAT実装がpf(macOSパケットフィルター)のルールを管理するため、Cognition自身のネットワーク制御にも使っているpfと競合が発生した。

そこでCognitionはファイルハンドルアタッチメント方式を選び、ユーザースペースで動作する独自のEthernetゲートウェイを実装した。各MacVMに専用ゲートウェイとセッション単位のポリシー適用の仕組みを持たせ、ARPリクエストへの応答、送信元IPアドレスの検証、ホスト側のトンネルインターフェース経由でのpfルールとプロキシへのルーティングを行う。


Devinがネイティブアプリを「理解」する仕組み:アクセシビリティツリー

スクリーンショットを撮って画像からコントロールを探してクリックするという単純なコンピューターユースのループは、ウェブアプリに比べてiOSアプリでは遅くコストもかかる。ブラウザはDOM(Document Object Model)を通じてページ構造を直接公開するが、iOSシミュレーター上のネイティブアプリはそのような構造を外部に直接公開しない。そのためスクリーンショットベースの操作ではUI要素の特定精度が低く、ピクセル単位の推測に頼らざるを得ない。

Cognitionがこの問題に対して採用したのがアクセシビリティツリーの活用だ。macOSおよびiOSシミュレーターのネイティブアプリは、支援技術向けにUIの構造(各コントロールのロール・名前・値・状態)をAccessibility API経由で公開している。Devinはこのツリーを使ってコントロールを参照・操作する。

{ "action": "query", "target": "ios", "role": "button", "name": "Resume" }
@i17 button "Resume" {press}
{ "action": "act", "target": "ios", "reference": "@i17", "operation": "press" }

ピクセルからボタンを推測するのではなく、「Resumeボタンであること」を確認してから操作できる。この機能はDioxusのオープンソースプロジェクトaccessibility-cliをベースに構築されており、現在はCognitionの一部となっている。


ゲストイメージの事前準備とライブビュー

macOSの新規インストール直後は、アクセシビリティや画面録画などの権限をダイアログで求めてくる。これをDevinが処理することはできないため、Cognitionはホスト上でゲストイメージのディスクをマウントし、ユーザーアカウント作成・権限設定・macOS内部設定DBの更新を初回ブート前に済ませる。その後、Xcodeのインストール・iOSシミュレーターのウォームアップ・Spotlightインデックス作成を実行したイメージを用意する。これにより新規セッションはVM起動直後からビルド・テストを開始できる。

ライブビューについては、ScreenCaptureKitでmacOSデスクトップをキャプチャし、エンコードしてブラウザに配信する。フレームが滞留して古い状態を表示し続けることを防ぐため、ステージ間のフレーム待機数に上限を設けている。またiOSシミュレーターのストリームが遅延した場合は、直近のキーフレームから再開するか新しいキーフレームを要求してスキップする。


結果

Cognitionは2026年9月15日にDevinのmacOSサポートを公開し、6週間以内に約1,000の組織がmacOS上でDevinを利用するに至った。Devinは現在、iPhoneアプリのビルド・実行・テストに加え、AppleのベータテストサービスであるTestFlightへのビルドアップロードも自律的に行える。

6つのAWSリージョンにまたがるEC2 Mac mac-m4pro.metalおよびmac-m4.metalのフリートを運用し、新規macOS VMを1分以内に起動できる。Cognitionの試算では、ユーザーが自分でMacホストをセットアップする場合と比べて15〜20倍速く開発環境が立ち上がるという。

iOSアプリ開発という、ハードウェア依存・GUI操作・ライセンス制約が重なる領域でAIエージェントを実用化できた意義は大きい。スナップショットによるキャパシティ効率化とアクセシビリティツリーによるUI理解の組み合わせは、macOS以外のGUIネイティブ環境にも応用可能な設計パターンとして注目に値する。

詳細はAI coding agents on Amazon EC2 Mac: How Cognition scales Devin for macOSを参照していただきたい。