株式会社ずんだもん技術室AI放送局

株式会社ずんだもん技術室AI放送局

By 株式会社ずんだもん技術室AI放送局Technology
Download on the App Store

株式会社ずんだもん技術室AI放送局 episodes

  • 株式会社ずんだもん技術室AI放送局 podcast 20260402
    youtube版(スライド付き)
    関連リンク
    • Holo3: Breaking the Computer Use Frontier

      • 本記事は、自律型エンタープライズの実現を目指すH社が発表した、コンピュータ操作（Computer Use）に特化した最新AIエージェント「Holo3」の紹介記事です。Holo3は、デスクトップPCの操作能力を測る主要ベンチマーク「OSWorld-Verified」において、78.85%という業界最高水準のスコアを達成し、既存の巨大なプロプライエタリ・モデルを凌駕する性能を示しました。

      【技術的な核心：Agentic Learning Flywheel】

      Holo3の強みは、モデルの「知覚」と「意思決定」を継続的に磨き上げる「Agentic Learning Flywheel（エージェント学習の弾み車）」という特殊なトレーニングパイプラインにあります。

      1. 合成ナビゲーションデータ：人間とAIの指示に基づき、多様な操作例を生成。
      2. ドメイン外拡張：未知のUIや予期せぬ挙動にも対応できるよう、プログラムを用いてシナリオを増幅。
      3. 厳選された強化学習（Curated RL）：高度なフィルタリングを経たデータを用いた強化学習により、タスク実行の精度を最大化しています。

        4. 【実用性を支える「合成環境工場」と評価指標】

        開発チームは、現実の企業システムを模した環境を自動生成する「Synthetic Environment Factory」を構築しました。コーディングエージェントがウェブサイトをゼロから構築し、そこで複雑なタスクをエージェントに実行させることで、実務に近い訓練を行っています。
        さらに、独自の評価指標「H Corporate Benchmarks」を導入。これは、PDFから備品の価格を取得し、予算と照らし合わせ、個別に対象者へメールを送るといった、複数のアプリケーションを跨ぐ高度な推論と持続的な作業が必要な486のタスクで構成されています。

        【効率的なモデル構成とオープン化】

        Holo3-122B-A10Bは、122B（1220億）の総パラメータを持ちつつ、実行時に動くのは10B（100億）という効率的なアーキテクチャを採用しています。これにより、GPT 5.4やOpus 4.6といった超巨大モデルに比べて遥かに低コストで運用可能です。また、より軽量な「Holo3-35B-A3B」はApache 2.0ライセンスでオープン公開されており、誰でも利用・開発が可能です。

        【新人エンジニアへのメッセージ】

        「AIがPCを操作する」技術は、単なる自動化から、未知のソフトウェアをリアルタイムで学習・操作する「Adaptive Agency（適応型エージェント）」の段階へ進化しようとしています。Holo3のように軽量で高性能なオープンモデルが登場したことで、特定の業務に特化したエージェントを自分たちで構築・改善できるエキサイティングな時代が到来しています。最先端のベンチマーク手法や、合成データを用いた学習サイクルを理解することは、これからのエンジニアにとって大きな武器になるはずです。

        引用元: https://huggingface.co/blog/Hcompany/holo3

        • Ubieにおける一年間のセキュリティ分析AIエージェントの運用

          • Ubie社が約1年間にわたり運用してきた、セキュリティ分析AIエージェント「Warren」の実践的な知見をまとめたドキュメントです。新人エンジニアの方にとっても、生成AIを実際の業務フローに組み込む際の「一歩進んだ活用術」として非常に参考になる内容です。

          ■ セキュリティ分析とAIエージェント「Warren」

          セキュリティ分析とは、EDRや脆弱性スキャナーなどのツールが検知した膨大な「アラート」を調査し、それが「本当に危険な攻撃（真の陽性）」か、あるいは「正当な業務による誤検知（偽陽性）」かを判断する業務です。従来は熟練のエンジニアが数十分かけてログを検索し、文脈を読み解く必要がありました。
          これに対し、Ubieが開発した「Warren」は、Claudeなどの高性能なLLMを搭載したAIエージェントです。単なる要約ツールではなく、自らツールを使いこなして調査を完結させる能力を持っています。

          ■ AIエージェント運用のメリット

          1. 圧倒的な情報収集スピード: AIはBigQueryへのクエリ実行、EDRのAPI連携、Slackの履歴検索、GitHub上のコード確認などを数分で並列実行します。人間が「どこに情報があったか」を思い出す手間をすべて代行し、認知負荷を大幅に下げてくれます。
          2. 人間を超える誤検知の判定: 社内環境やログの詳細を突き合わせることで、多くの誤検知を正確に排除できます。推論能力の向上により、現状では人間はAIの出した結論を確認するだけで済むレベルに達しています。

            3. ■ 実践で得られた「AIを使いこなすコツ」

            • 忖度させないプロンプト設定: AIはリスクを大げさに言ったり、ユーザーに合わせたりする傾向（忖度）があります。そのため、「真実を追求せよ」「複数の解釈を検討せよ」「反証を探せ」といった厳格な思考スタンスをシステムプロンプトで徹底させることが不可欠です。
            • 「データ」ではなく「コンテキスト」を教える: 単にログを見せるだけでなく、ネットワーク構成や社内ルールといった「背景情報（コンテキスト）」を与えることで、判断の質が劇的に向上します。
            • データの引き出し方をガイドする: AIが自発的に動けるよう、データベースのスキーマ解説や、クエリのサンプル（Runbook）を事前に学習・登録しておくことが重要です。

              • ■ 運用コストと今後の展望

              最新モデル（Claude Opusなど）を使用すると、分析1件につき数百円〜千円以上のコストがかかる場合もあります。しかし、「24時間いつでも呼べるTier 1アナリスト」を雇うコストと考えれば、非常にタイパが良い投資といえます。今後は、重大インシデントへの対応や、過去の分析結果を再利用する「記憶管理」の仕組み作りが次の挑戦となります。

              生成AIを「チャットツール」としてだけでなく、業務プロセスの中心を担う「自走するエージェント」としてどう育てるか。そのための具体的なヒントが詰まった知見です。

              引用元: https://zenn.dev/ubie_dev/articles/ai-sec-alert-ops

              • OpenClaw Arena UniClaw

                • 本ドキュメントは、AIモデルが「エージェント」として実際のタスクをどれだけ遂行できるかを評価するランキング「OpenClaw Arena」の最新結果をまとめたものです。従来のLLM（大規模言語モデル）の評価は、知識を問うベンチマークテストが主流でしたが、本アリーナでは「実際のタスク」「実際の環境」での実行結果を重視しており、実務におけるAIの有用性を測る指標として非常に注目されています。

                新人エンジニアの皆さんがこのランキングを読み解く上で、注目すべきポイントを3つに整理しました。

                1. 「Flash」や「Fast」モデルの躍進

                  ランキングのトップ層には「Step 3.5 Flash」や「Grok 4.1 Fast」がランクインしています。興味深いのは、OpenAIの「Gpt 5.4」やAnthropicの「Claude Opus 4.6」といった、推論能力が非常に高いとされるフラグシップモデルよりも、高速・軽量なモデルが上位に位置している点です。これは、AIエージェントとして複雑な手順を実行する場合、単体の賢さだけでなく、動作の軽快さや一貫した実行力が重要になることを示唆しています。

                2. 統計的な見方（Rank Spread）

                  表にある「Rank Spread」は、統計的な信頼区間をベースにした順位の変動幅を示しています。例えば「1–3」とある場合、現時点では1位だが、データの誤差を考慮すると3位までの可能性があるという意味です。対戦数（Battles）が多いほど、そのモデルの真の実力が確定していきます。

                3. 多様なモデルの登場

                  Google、OpenAI、Anthropicといった主要な開発企業だけでなく、Stepfun（Step 3.5 Flash）やMinimax（Minimax M2.7）、Deepseekといった新興勢力のモデルが非常に高いスコアを叩き出しています。エンジニアとして、特定の企業のモデルに固執せず、用途（特にエージェントとしての実働）に合わせて最適なモデルを選択する視点が、今後の開発ではますます重要になります。

                  この「OpenClaw Arena」のような実務重視の評価は、カタログスペックだけでは見えない「現場での使い勝手」を教えてくれます。AIエージェントを活用したシステム開発を検討する際、どのモデルが「実務に強いのか」を判断する非常に優れたガイドになるでしょう。

                  引用元: https://app.uniclaw.ai/arena?tab=costEffectiveness&via=hn

                  • 匿名掲示板シミュレーター AIが匿名掲示板風スレを生成

                    • AIを活用して、かつての2ちゃんねるのような匿名掲示板のレスポンスを擬似生成するツールです。タイトルと本文を入力すると、AIが住民の反応を忠実に再現したスレッドを構築します。タイトルは40文字、本文は1000文字まで入力可能で、住民の属性指定という実験的機能も備えています。掲示板特有の殺伐とした雰囲気やノリをAIで再現するという、技術の遊び心が詰まったエンタメ性の高い活用事例です。

                    引用元: https://fake2ch.com/

                    • お便り投稿フォーム

                      • （株式会社ずんだもんは架空の登場組織です）

                      0 min
                    • 株式会社ずんだどん技術室AI放送局 podcast 20260401
                      youtube版(スライド付き)
                      関連リンク
                      • Claude Codeの/loopで自律的にパフォーマンスチューニングのPDCAを回させる仕組みを作った【autoresearch】

                        • 本記事は、AIエージェントにプログラムの改善を自律的に繰り返させる「autoresearch」という手法を、サーバーサイド（Rails）のパフォーマンス改善に応用した実践記録です。開発者が寝ている間もAIが試行錯誤を繰り返し、レスポンスタイムを自動で短縮し続ける仕組みを構築しています。

                        1. 「autoresearch」の仕組みと3つの原則

                        元ネタは、AIに自身の訓練コードを修正・実行・評価させることで性能を向上させるプロジェクトです。これをサーバーサイド開発に転用するにあたり、以下の3つの原則を定義しています。

                        • 固定された評価基準: AIが改ざんできないベンチマークスクリプトと評価関数を用意し、公正に比較する。
                        • 固定された時間予算: 1サイクルの時間を一定（例：10分）に制限し、小さな改善を積み重ねる圧力をかける。
                        • 進化的選択圧: 改善すれば採用（Keep）、改悪なら破棄（Discard）。常に最良の状態から次の試行を開始する。
                          • 2. Claude Codeを活用した自律ループの実装

                          Claude Codeのスキル機能と/loopコマンドを組み合わせ、「コード分析 → 実装 → テスト実行 → ベンチマーク計測 → 判定・記録」というPDCAサイクルを自動化しています。これにより、エンジニアが介在することなく、数十回の実験を自律的に走らせることが可能になりました。

                          3. AIを暴走させない「ハーネスエンジニアリング」

                          AIに自律的な権限を与えるため、安全性を確保する「手綱（ハーネス）」の設計が重要視されています。

                          • テストデータの隔離: 「チューニング用AI」と「データ準備用AI」を分離。チューニング用AIにテストデータの中身を見せないことで、特定データに特化した不正な最適化（過学習）を防ぎます。
                          • フック機能によるツール制限: Claude Codeのツール実行（ファイルの読み取りやコマンド実行）を監視し、ホワイトリスト方式で許可された安全なコマンドのみを実行できるように制限しています。
                          • ブランチ保護: 作業用の特定ブランチ以外では動作しないよう制限し、メインのコードベースを守ります。
                            • まとめ：エンジニアの新たな役割

                            これからのエンジニアは、自らコードを書くだけでなく、「AIが安全かつ自律的に動くための行動原理と環境」を設計することが重要なスキルになります。本記事の実践は、AIエージェントと共に開発を進める次世代のソフトウェアエンジニアリングの姿を示しています。新人エンジニアにとっても、AIを単なる「チャット相手」ではなく「自律的なチームメンバー」として使いこなすための非常に示唆に富む内容です。

                            引用元: https://zenn.dev/dely_jp/articles/3117e590465e38

                            • Announcing the LangChain + MongoDB Partnership: The AI Agent Stack That Runs On The Database You Already Trust

                              • AIアプリケーション開発で広く使われる「LangChain」と、クラウドデータベースの「MongoDB」が戦略的パートナーシップを発表しました。この提携は、AIエージェントをプロトタイプ（試作）からプロダクション（本番運用）へとスムーズに移行させるための「AIエージェント・スタック」を提供することを目的としています。

                              背景：本番環境におけるエージェント開発の課題

                              AIエージェントを実際のビジネス現場で動かすには、単にモデルに指示を出すだけでは不十分です。

                              • クラッシュしても続きから再開できる「永続的なメモリ（記憶）」
                              • 企業の膨大なデータから必要な情報を探す「検索機能（RAG）」
                              • データベース内の構造化データへのアクセス
                              • 何が起きたかを分析できる「デバッグや監視の仕組み」
                                • これらを実現するために、従来は複数の異なるシステムを組み合わせて同期させる必要があり、インフラが非常に複雑になるという課題がありました。
                                今回の統合が提供する主な機能

                                今回の提携により、MongoDB AtlasをAIエージェントの包括的なバックエンドとして利用できるようになります。

                                1. Atlas Vector Searchの統合:
                                  2. ベクトル検索がLangChainにネイティブ対応しました。運用データと同じ場所でベクトル検索ができるため、データの同期の手間が省け、セキュリティ管理も一本化できます。
                                2. MongoDB Checkpointerによる状態管理:
                                  3. LangGraphやLangSmithを用いた開発において、エージェントの「状態」をMongoDBに直接保存できるようになります。これにより、途中で止まった会話の再開や、過去の状態に遡る「タイムトラベル・デバッグ」が可能になり、信頼性が大幅に向上します。
                                3. Text-to-MQL（自然言語からクエリ生成）:
                                  4. エージェントが自然言語の指示をMongoDBのクエリ（MQL）に変換し、データベース内の情報を直接検索・集計できる仕組みが提供されます。
                                4. LangSmithによる可観測性（オブザーバビリティ）:
                                  5. エージェントがどのように考え、どのデータを検索し、どのような状態遷移を行ったかを、LangSmithを通じてエンドツーエンドで追跡・評価できます。
                                  まとめ

                                  新人エンジニアの方にとっても、このニュースは重要です。なぜなら、「複数のデータベースを使い分ける」という複雑なアーキテクチャの構築に時間を割く代わりに、「使い慣れたMongoDBという一つの基盤」で、強力なAIエージェントを構築できる道が開かれたからです。特定のAIベンダーに縛られず（Zero Lock-in）、マルチクラウドで動作するこのスタックは、今後エージェント開発の標準的な選択肢の一つになるでしょう。

                                  引用元: https://blog.langchain.com/announcing-the-langchain-mongodb-partnership-the-ai-agent-stack-that-runs-on-the-database-you-already-trust/

                                  • Prompt→Context→Harness、全部やった。要件だけ渡す、変わっても壊れない。整合性駆動開発CoDD爆誕

                                    • 本書は、AIを活用したソフトウェア開発手法の急速な変遷を振り返りつつ、最新のパラダイムとして提唱される「整合性駆動開発（CoDD: Coherence-Driven Development）」について解説した論考です。

                                    1. AI開発手法の進化の歴史

                                    AI開発はこの数年で3つの段階を経て進化してきました。

                                    • プロンプトエンジニアリング（2023〜2024）: 1回の入力（プロンプト）を最適化する手法。
                                    • コンテキストエンジニアリング（2024〜2025）: 背景知識（コンテキスト）をファイルとして持たせ、AIに継続的な文脈を与える手法。
                                    • ハーネスエンジニアリング（2025〜2026）: AIの動きにルールや制約（ガードレール）を設け、プロセスを標準化する手法。
                                      • 2. 直面している課題：プロジェクトの肥大化と変更

                                      これまでの手法は「AIをどう動かすか」に焦点を当ててきましたが、プロジェクトが大規模になると、一つのコンテキストファイル（CLAUDE.md等）に情報を詰め込むのは限界に達します。また、開発途中で要件や設計が変更された際、「どこまで影響が及び、どこが壊れるか」を人間が把握することが困難になるという、レイヤー3の「未踏領域」が残されていました。

                                      3. CoDD（整合性駆動開発）の概要と特徴

                                      CoDDは、「設計の整合性を保つことで開発を駆動する」という新しい方法論です。開発者が要件や制約を渡すだけで、AIが設計書・コード・テストを生成し、その後の変更にも自動で追従することを目指します。

                                      主な仕組みと制約:

                                      • 依存グラフの構築: 各設計書（Markdown形式）のフロントマター（メタデータ）に依存関係を記述し、プロジェクト全体の繋がりを可視化します。
                                      • 変更影響分析（Impact Analysis）: 要件が数行変わった際、依存グラフを辿って「影響を受ける設計書やコード」を即座に特定します。
                                      • Wave（ウェーブ）による順序制御: 依存関係の上流（要件定義）から下流（実装・テスト）へと、波が伝わるように順番に更新処理を行います。
                                      • 導出原則: 「上流の設計が決まれば下流の実装方針は自明である」という考えに基づき、設定ファイルを最小化します。
                                        • 4. エンジニアにとってのメリット

                                        新人エンジニアにとって特に魅力的なのは、「変更を恐れなくて済む」点です。手作業で膨大な設計書の整合性をチェックする代わりに、ツール（codd-dev）が影響範囲を「Green（自動更新可）」「Amber（要件確認が必要）」といった信頼度付きで提示してくれます。

                                        これにより、プロトタイプを素早く作る「バイブコーディング」の速さと、大規模開発に耐えうる「設計の堅牢性」を両立させることが可能になります。TDD（テスト駆動）やDDD（ドメイン駆動）に並ぶ、AI時代の新しいスタンダードな開発手法として期待されています。

                                        引用元: https://zenn.dev/shio_shoppaize/articles/shogun-codd-coherence

                                        • キュアアンサー、ポチタ、MEMちょ色んなキャラクターに出会える「AnimeJapan 2026」が最高！実際に出会えたキャラクターをフォトレポートでお届け【フリーダム山中の練り歩き日誌 vol.4】 1枚目の写真・画像 超！アニメディア

                                          • 2026年3月に開催された「AnimeJapan 2026」の様子を伝えるフォトレポートです。会場にはプリキュアやポチタ、『【推しの子】』のMEMちょなど、人気キャラクターが多数集結しました。特にエンジニアにも馴染み深い「ずんだもん」や、猫とバナナが融合した「ばなにゃ」といった愛らしいキャラクターたちも登場し、作品の垣根を超えた共演が楽しめます。最新のアニメ文化に触れられる、心温まるイベント記事です。

                                          引用元: https://cho-animedia.jp/article/img/2026/03/30/58172/1179799.html

                                          • お便り投稿フォーム

                                            • VOICEVOX:ちび式じい

                                            0 min
                                          • 株式会社ずんだもん技術室AI放送局 podcast 20260331
                                            youtube版(スライド付き)
                                            関連リンク
                                            • 定常業務を自動操縦にする — Claude Code スケジューラーの育て方

                                              • 本記事は、AIエンジニアリングツール「Claude Code」の新機能であるスケジューラーを活用し、日々のルーチンワークを自動化して「タスクを覚えておくストレス」を解消する運用ノウハウを解説したものです。特に、細かな事務作業に追われがちなエンジニアやマネージャーにとって、業務効率を劇的に改善するヒントが詰まっています。

                                              スケジューラーの3つの実行環境

                                              Claude Codeには、用途に応じた3つのスケジューラーが用意されています。

                                              1. /loop: セッション内の一時的な自動化。デプロイ監視などに適しています。
                                              2. Desktop: 自分のPC上で実行。実行中にプロンプトの微調整ができるため、開発中のタスクに最適です。
                                              3. Cloud: Anthropicのクラウド上で実行。PCを閉じていても定時に実行されるため、安定したタスクの完全自動化に向いています。
                                                4. なぜ強力なのか：MCPとの連携

                                                最大の特徴は、MCP（Model Context Protocol）を通じて、Slack、Notion、GitHub、Google Calendarなどの外部ツールとノンコーディングで連携できる点です。従来のツールでは個別のAPI連携コードを書く必要がありましたが、Claude Codeなら「カレンダーから予定を取り、GitHubの活動をまとめてSlackに送る」といった横断的な処理を、自然言語のプロンプトだけで定義できます。

                                                具体的な自動化の例

                                                記事では、以下のような実用的なワークフローが紹介されています。

                                                • 1on1準備: メンバーのGitHubやSlackの活動を自動収集し、面談用サマリーを作成。
                                                • 議事録生成: MTG後に内容を整形してNotionへ保存し、Slackへ要約を投稿。
                                                • 日次レポート: 前日のTODOと当日の予定を突き合わせ、報告書を自動作成。
                                                • 自動化提案: 自分の活動記録をAIが分析し、次に自動化すべき作業を提案。
                                                  • 成功の秘訣：「Desktopで育ててCloudに昇格」

                                                  いきなり完全自動化（Cloud）を目指すと、予期せぬエラーや低品質な出力が発生しやすくなります。まずはDesktopスケジューラーで実際に動く様子を確認しながらプロンプトを微調整し、3回以上連続で期待通りの結果が出せるようになってからCloudへ移行するという、段階的な「育成」アプローチが推奨されています。

                                                  まとめ

                                                  自動化の目的は、単なる時短ではなく「本来集中すべき重要な仕事にリソースを割くこと」にあります。まずは1つの定常作業をAIに任せることから始め、徐々に「自分専用の自動操縦システム」を構築していくことで、エンジニアとしての生産性を一段上のステージへ引き上げることができます。

                                                  引用元: https://zenn.dev/dely_jp/articles/cf19634b63015b

                                                  • OpenClaw × OllamaをMacBook 16GBで動かす - ローカルLLM入門

                                                    • 本記事は、MacBook（メモリ16GB）という一般的な開発環境で、ローカルLLMランタイム「Ollama」とAIエージェントフレームワーク「OpenClaw」を組み合わせ、自分専用のローカルAIアシスタントを構築する手法を解説したものです。

                                                    1. 概要と構成要素
                                                    • OpenClaw: TypeScript製のマルチチャネルAIエージェントフレームワークです。SlackやDiscordなど20以上のプラットフォームに対応し、Ollamaをネイティブサポートしています。単なるチャットではなく、自律的にツールを使いこなす「エージェント」としての動作に特化しています。
                                                    • Ollama: llama.cppをベースとしたGo製のローカルLLMランタイムです。モデルの管理（Pull/Run）が容易で、Apple Siliconの統合メモリを効率的に活用できます。
                                                    • 推奨モデル: 日本語対応が良好で、エージェント動作に必須なツール呼び出し機能（Tool Calling）を備えた「Qwen3:8b」などが挙げられています。
                                                      • 2. ローカルLLM導入のメリットと課題
                                                      • メリット: クラウドLLMと異なり従量課金が発生せず、実質ゼロコストで利用できます。また、データが外部サーバーに送信されないため、機密情報を扱う際のプライバシーとセキュリティが完全に確保されます。
                                                      • 課題（制約）: パフォーマンスはハードウェアに強く依存します。16GBメモリのMacBook（CPU推論）では、8B程度のモデルでも1応答に約1分かかる場合があり、クラウドAPIと比較すると大幅なレイテンシが発生します。
                                                        • 3. ハイブリッド戦略の提案

                                                        実用性を高める手法として「ハイブリッド設定」が推奨されています。

                                                        • ローカル優先: 日常的なタスクや機密情報の処理にはローカルLLMを使用。
                                                        • クラウドフォールバック: 複雑な推論が必要な場合やローカル側でエラー・遅延が生じた際、OpenAIやAnthropicのAPIへ自動で切り替える構成です。これにより、セキュリティと利便性を両立します。
                                                          • 4. 新人エンジニアが意識すべき技術的ポイント
                                                          • コンテキストウィンドウとメモリの相関: OpenClawはシステムプロンプト等で内部的に約12,000トークンを消費します。そのため、モデルのコンテキスト設定が小さいと、実際の会話は数往復で限界に達します。
                                                          • KVキャッシュの消費: コンテキストを大きく設定するほど、モデル本体の重みとは別にメモリ（KVキャッシュ）を消費するため、物理メモリ16GBの環境では「速度と記憶容量」のトレードオフを意識したチューニングが必要です。
                                                            • 5. 結論

                                                            16GBのMacBookでの運用は速度面で限界はあるものの、AIエージェントの内部構造（プロンプト消費やツール実行の仕組み）を学ぶには最適な環境です。プライバシー要件が厳しいプロジェクトや、エージェントを自律的に動かし続けるユースケースにおいて、ローカルLLMは強力な選択肢となります。

                                                            引用元: https://zenn.dev/komlock_lab/articles/openclaw-local-llm

                                                            • Helping disaster response teams turn AI into action across Asia

                                                              • OpenAIは、ビル&メリンダ・ゲイツ財団、アジア防災センター（ADPC）、およびDataKindと提携し、アジア地域の災害対応をAIで強化するためのワークショップ「AI Jam」をタイのバンコクで開催しました。このイベントには、バングラデシュ、インド、インドネシア、タイなど、南・東南アジア13カ国の政府機関や非営利団体のリーダー50名が参加しました。

                                                              背景として、アジアは世界で最も災害が発生しやすい地域であり、世界の被災者の約75%を占めています。災害現場ではリソースが限られ、データの断片化や手動プロセスが迅速な意思決定の妨げとなっていました。しかし、近年のデータでは、スリランカでのサイクロン発生時にChatGPTの利用が通常の17倍、タイでは3.2倍に急増しており、危機時におけるAIへの需要がすでに高まっていることが示されています。

                                                              今回の取り組みの主なポイントは以下の通りです。

                                                              1. 実践的なAIソリューションの構築：

                                                                参加者はOpenAIのメンターと共に、特定の状況に応じた「カスタムGPT」や再利用可能なワークフローの作成に取り組みました。これらは状況報告、ニーズ評価、公的コミュニケーションなど、災害時の初動対応を効率化するために設計されています。

                                                              2. 実運用への移行：

                                                                単なるAIへの興味に留まらず、実際の運用プロセスにAIを組み込むことに焦点を当てています。これには、情報の集約、意思決定の支援、緊急時のコミュニケーションの自動化が含まれます。

                                                              3. 責任あるAIの活用と信頼：

                                                                技術的な実装だけでなく、責任ある利用方法や、組織内でのAI導入に対する信頼構築についても重点的に議論されました。

                                                                今後は、数ヶ月以内に参加組織とのパイロット運用や、より深い技術協力を伴う第2フェーズへの移行が予定されています。

                                                                新人エンジニアの皆さんにとって注目すべき点は、LLM（大規模言語モデル）が単なるチャットボットとしてではなく、APIやカスタムツールを通じて「社会インフラの課題を解決する実用的なコンポーネント」として世界規模で実装され始めているという点です。最先端の技術が、どのようにアクセシビリティを高め、人命救助というクリティカルな現場に届けられるかを知る好例と言えるでしょう。

                                                                引用元: https://openai.com/index/helping-disaster-response-teams-asia

                                                                • お便り投稿フォーム

                                                                  • （株式会社ずんだもんは架空の登場組織です）

                                                                  0 min
                                                                • マジカルラブリー☆つむぎのピュアピュアA.I.放送局 podcast 20260330
                                                                  関連リンク
                                                                  • A Small Figma Update and a Big Signal for SaaS

                                                                    • デザインツールの最大手であるFigmaが、AIエージェント（Claude CodeやCodexなど）に対して、Figmaキャンバス上への直接的な「書き込み」権限を開放しました。これは一見小さな機能追加に見えますが、今後のソフトウェア開発とSaaS（Software as a Service）の在り方を根本から変える大きな転換点となります。

                                                                    新人エンジニアの皆さんに知っておいてほしい背景として、これまでの開発プロセスでは「Figmaでデザインを作り、それをエンジニアに渡して実装する」という明確なステップがありました。しかし、今回のアップデートとMCP（Model Context Protocol）の普及により、以下のようなパラダイムシフトが起きています。

                                                                    1. 開発の起点が「AIエージェント」へ移行

                                                                      現在はFigmaでワイヤーフレームを描くよりも、AIエージェント（Claude Code等）に指示を出して10パターンのプロトタイプを爆速で作る方が早くなっています。開発のスタート地点が「デザインツール」から「AIとの対話」へと移り変わっているのです。

                                                                    2. 「文脈（コンテキスト）」の集約

                                                                      単一のツール（Figmaだけ、Slackだけ）が持つデータよりも、組織全体の状況（Jiraのチケット、Slackの会話、Figmaのデザイン案）を統合して理解できるAIエージェントの方が、より価値の高いアウトプットを出せるようになります。AIが情報の「集約者」となり、各SaaSはAIにデータを提供する「サプライヤー」という立ち位置に変化しつつあります。

                                                                    3. プロセスの流動化と「受け渡し」の消失

                                                                      AIの進化により、設計・デザイン・実装という各ステップの境界が消え、一つの流動的なプロセスへと統合されようとしています。これにより、従来の「デザインの納品」といった工程そのものが不要になる可能性があります。

                                                                      結論として：

                                                                      これからのエンジニアリングでは、特定のツールを使いこなす技術以上に、「AIエージェントを司令塔として、いかに複数のツールや文脈を統合して製品を形にするか」という視点が重要になります。Figmaのような巨大なツールですら、AIエージェントという新しいインターフェースの一部になろうとしているこの変化は、エンジニアの働き方にとって非常にエキサイティングな進化と言えるでしょう。

                                                                      引用元: https://metedata.substack.com/p/a-small-figma-update-and-a-big-signal

                                                                      • AIエージェント導入で「セキュリティどうするの？」と聞かれたときの技術的な答え方

                                                                        • エンジニアリングの現場において、Claude CodeやCursorといった「AIエージェント」の活用は生産性を劇的に向上させる可能性を秘めています。しかし、組織への導入を検討する際、情シスやセキュリティ担当者から「AIが何をしているか見えない」「危険な操作を勝手にされないか」といった懸念を突きつけられ、導入が足踏みしてしまうケースが少なくありません。本記事は、そうした課題に対してOSS（オープンソースソフトウェア）である「AI Guardian」を活用した、技術的な裏付けのある解決策を提示しています。

                                                                        AIエージェントの安全な導入を実現するために、以下の3つのアプローチが重要となります。

                                                                        第一に「操作の可視化」です。AIエージェントが行うすべてのツール呼び出し（ファイルの読み書きやコマンド実行など）を自動でログに記録します。誰が、いつ、どのようなリスクのある操作を行ったかをスコアと共に可視化できるため、ブラックボックス化を防ぎ、事後の監査を容易にします。

                                                                        第二に「ポリシーによる自動制御」です。YAML形式のルール設定により、AIによる破壊的な操作を未然に防ぎます。例えば、「rm -rfなどの削除コマンドをブロックする」「.envなどの機密ファイルを保護する」「git pushの前に必ず人間のレビューを挟む」といったガードレールを設けることで、AIの暴走リスクを技術的に抑え込むことが可能です。

                                                                        第三に「法規制への準拠と個人情報保護」です。日本の「AI事業者ガイドライン」や各種法令（個人情報保護法など）の技術要件への対応状況を自動レポート化する機能や、プロンプトに含まれるマイナンバーや電話番号を自動検知して墨消し（マスク）する機能を備えています。

                                                                        新人エンジニアにとって、最新ツールの利便性だけでなく、こうした「ガバナンス（統制）」の仕組みを理解しておくことは非常に重要です。単に「便利だから」と主張するのではなく、組織が求める「安全」と「説明責任」を技術で担保する姿勢を示すことが、スムーズなツール導入とプロとしての信頼獲得に繋がります。この記事の内容は、AIと共に働く次世代のエンジニアにとって、組織を説得するための強力な武器になるはずです。

                                                                        引用元: https://zenn.dev/sharu389no/articles/e07c926d87ac57

                                                                        • ハーネスエンジニアリング ― AIエージェントが自律的に動ける開発環境の設計

                                                                          • AIがコードの90%以上を書く時代が到来し、エンジニアの役割は「自らコードを書くこと」から「AIが正しく動ける環境（ハーネス）を設計すること」へとシフトしています。本記事では、OpenAIやStripeなどの先進企業が実践する「ハーネスエンジニアリング」の本質について解説します。

                                                                          1. ハーネスエンジニアリングの定義

                                                                            「ハーネス」とは馬具を意味し、AIの強力な出力を正しい方向に導く仕組みを指します。具体的には、エージェントのミスを検知・修正する「フィードバックループ」や、AIが最初から失敗しにくい「環境全体の設計」をエンジニアが構築することを意味します。

                                                                          2. 先進企業の実践とエンジニアの役割

                                                                            ・OpenAIやStripeでは、エンジニアが手動でコードを書くことは激減しています。
                                                                            ・人間の仕事は「How（どう書くか）」ではなく、「Why/What（なぜ・何を作るか）」の言語化と、成果物の検証に集中しています。
                                                                            ・ドキュメント（AGENTS.md等）を構造化し、AIが「目次から詳細へと段階的に知識を得られる」ように整えることが、オンボーディングの鍵となります。

                                                                          3. 制御と自動化の重要性

                                                                            AIに「お願い」するのではなく、リンターやCIなどの「強制力のあるゲート」で制御するのがベストプラクティスです。
                                                                            ・決定論的ステップ（スキップできない自動チェック）を組み込む。
                                                                            ・エラーメッセージに修復手順を埋め込み、AIが自力で修正できる「セルフヒーリング」の流れを作る。
                                                                            ・レビュー負荷を減らすため、AIによる自己レビューを経てから人間に渡すフローを構築する。

                                                                          4. 新人エンジニアへのメッセージ

                                                                            AIは能力を増幅させる装置ですが、その基礎となるのはエンジニア自身の「設計思想」や「課題解決能力」です。AIが失敗した際、その場限りの修正で済ませるのではなく、「なぜ失敗したのか」を分析して環境（ハーネス）を改善し続けるマインドセットが、これからのエンジニアには求められます。

                                                                            まとめ：

                                                                            コードを書く速度はAIで十分確保できます。これからの競争力は、そのコードをいかに安全かつ高速に、自律的なサイクルでリリースまで届けられるかという「環境設計の質」にかかっています。まずは身近なリンターやドキュメントを「AIにとって使いやすい形」に整えることから始めてみましょう。

                                                                            引用元: https://ai.acsim.app/articles/harness-engineering-2026

                                                                            • お便り投稿フォーム

                                                                              • VOICEVOX:春日部つむぎ

                                                                              9 min
                                                                            • 私立ずんだもん女学園放送部 podcast 20260327
                                                                              youtube版(スライド付き)
                                                                              関連リンク
                                                                              • OpenClaw-RLで学ぶAgentic RLの報酬設計

                                                                                • 本記事は、AIエージェントが自ら学習し進化する「Self-Evolving Agent」を実現するための手法、Agentic RL（エージェント型強化学習）と、その具体的な報酬設計について解説しています。LayerXのエンジニアブログによるもので、特に「対話するだけでモデルが賢くなる」仕組みを目指すプロジェクト「OpenClaw-RL」に焦点を当てています。

                                                                                背景：なぜAgentic RLが注目されているのか

                                                                                AIエージェントの性能向上には、プロンプトに指示を追加する「コンテキストの活用」が一般的ですが、これには「コンテキストの肥大化」という課題があります。一方、モデル自体を更新する「Fine Tuning」はコストが高いのが実情です。Agentic RLは、強化学習の枠組みを用いて、エージェントが環境との試行錯誤を通じてモデルパラメータを継続的に最適化するアプローチとして期待されています。

                                                                                OpenClaw-RLが解決する課題

                                                                                通常の強化学習では、数学やコーディングのように「正解が明確なタスク」が扱われやすいですが、ユーザーとの対話ログには明確な正解ルールがありません。OpenClaw-RLでは、実際の対話ログからどのように学習信号（報酬）を取り出すか、以下の2つの手法を提案しています。

                                                                                1. Binary報酬（二値評価）
                                                                                  2. エージェントの行動に対するユーザーの反応やエラー情報を、評価用LLMに渡してスコアリングさせます。1回の評価では不安定なため、多数決（アンサンブル）をとることで報酬の信頼性を高めています。
                                                                                2. 蒸留報酬（コンテキスト蒸留）
                                                                                  3. 「観測情報をコンテキストに含めた教師モデル」と「含めていない生徒モデル」を比較し、生徒の出力を教師に近づける手法です。これにより、外部からのフィードバックをモデルの内部知識として効率よく取り込むことができます。
                                                                                  エンジニアとしての注目ポイント

                                                                                  強化学習で主流の「GRPO」アルゴリズムは、1つのプロンプトに対して複数の試行（rollout）を必要としますが、実際の対話では1つの行動に1つの反応しか得られないため、そのまま適用できないという技術的課題があります。OpenClaw-RLではこれを相対評価値として扱う工夫をしていますが、まだ改善の余地がある興味深い領域です。

                                                                                  新人エンジニアの方にとっても、「使えば使うほどAIがパーソナライズされ賢くなる」という未来を支える、非常にエキサイティングな技術トピックと言えます。

                                                                                  引用元: https://tech.layerx.co.jp/entry/openclawrl-agenticrl

                                                                                  • How Middleware Lets You Customize Your Agent Harness

                                                                                    • AIエージェント開発における新しい設計パターンである「エージェント・ミドルウェア」について解説された記事です。LangChainなどのフレームワークを使ってエージェントを構築する際、エンジニアが直面する「細かな制御の難しさ」を解決するための強力な手法が紹介されています。

                                                                                    1. エージェント・ハーネスとミドルウェア

                                                                                    まず「エージェント・ハーネス（Agent Harness）」とは、LLMを外部環境やツール、メモリと接続し、ループ実行させるためのシステム基盤を指します。通常、このループの内部ロジックをカスタマイズするのは困難ですが、Web開発でおなじみの「ミドルウェア」の考え方を導入することで、ループの各ステップに独自の処理を差し込むことが可能になります。

                                                                                    2. 6つの主要なフック（介入ポイント）

                                                                                    ミドルウェアを利用すると、以下のタイミングでカスタムロジックを実行できます。

                                                                                    • before_agent / after_agent: エージェントの開始時と終了時に実行。リソースの初期化や結果の保存に最適です。
                                                                                    • before_model / after_model: モデル呼び出しの前後で実行。個人情報（PII）の削除や、人間による確認（Human-in-the-loop）を挟むのに適しています。
                                                                                    • wrap_model_call / wrap_tool_call: モデルやツールの実行自体を包み込みます。リトライ処理やキャッシュ、動的なツールの切り替えなどに利用されます。
                                                                                      • 3. 具体的な活用シーン

                                                                                      新人エンジニアにとってもイメージしやすい、実戦的な例がいくつか挙げられています。

                                                                                      • コンプライアンスとセキュリティ: プロンプトだけで個人情報の流出を防ぐのは不確実です。ミドルウェアで機械的に検知・マスクすることで、確実なガードレールを構築できます。
                                                                                      • コンテキスト管理: トークン上限が近づいた際に自動で履歴を要約（Summarization）し、モデルの精度低下を防ぎます。
                                                                                      • 本番環境への対応: APIエラー時のリトライ処理や、特定の条件でのモデルのフォールバックなど、デモレベルを超えた「信頼性の高いシステム」を作るために不可欠な要素です。
                                                                                        • 4. なぜミドルウェアが重要なのか

                                                                                        モデル自体が進化しても、「ビジネス固有のルール」や「決定論的なポリシー（必ず実行すべき処理）」をモデルに完全に任せることはできません。ミドルウェアを活用することで、ビジネスロジックをエージェントのコアコードから切り離し、再利用性が高くメンテナンスしやすいコードを書くことができます。

                                                                                        これからエージェント開発に挑戦するエンジニアにとって、プロンプトエンジニアリングだけでなく、このような「ソフトウェア工学的なアプローチ」を学ぶことは、より堅牢なAIアプリケーションを作るための大きな武器になるでしょう。

                                                                                        引用元: https://blog.langchain.com/how-middleware-lets-you-customize-your-agent-harness/

                                                                                        • 【緊急】月間9500万DLのLiteLLMが乗っ取られた。インストールしただけでSSH鍵・AWS認証・仮想通貨が全部盗まれる

                                                                                          • 2026年3月24日、多くのAIエージェント開発に利用されているPythonライブラリ「LiteLLM」が、サプライチェーン攻撃により完全に掌握されました。影響範囲は極めて広く、対象バージョンをインストールしただけで、システム内の重要情報が窃取される恐れがあります。

                                                                                          1. 事件の概要と原因

                                                                                          攻撃グループ「TeamPCP」による連鎖的なサプライチェーン攻撃が原因です。まず、脆弱性スキャナー「Trivy」やGitHub Actionsが侵害され、そこから流出した認証情報を用いてLiteLLMのメンテナーアカウントが乗っ取られました。

                                                                                          汚染されたバージョン：v1.82.7 および v1.82.8
                                                                                          これらはPyPI（Pythonのパッケージ管理システム）に直接アップロードされており、正規のソースコード管理をバイパスして配信されました。

                                                                                          2. 技術的特徴：.pthファイルによる自動実行

                                                                                          今回の攻撃の巧妙な点は、Pythonの仕様である「.pthファイル」を悪用したことです。

                                                                                          通常、ライブラリはimportしない限りコードは実行されませんが、site-packagesディレクトリに配置された.pthファイル内にimportから始まる記述があると、Pythonインタプリタが起動するたびにそのコードが自動実行されます。 つまり、pip installしただけで、ライブラリを呼び出す前からマルウェアが動き出す仕組みです。

                                                                                          3. 被害の内容

                                                                                          マルウェアは3段階のBase64難読化を経て、以下の情報を攻撃者のサーバーへ送信します。

                                                                                          • 認証情報: SSH鍵、AWS/GCP/Azureの認証トークン、Git/Docker/NPMの認証情報
                                                                                          • 機密ファイル: 仮想通貨ウォレット、シェル履歴（パスワード等を含む）、DBパスワード
                                                                                          • クラウド・K8s環境: AWSのSecrets Manager等の全シークレット、Kubernetesクラスタ内の全ノードへのバックドア設置
                                                                                            • 特にKubernetes環境では、特権Podを全ノードに展開し、ホストOSを完全に掌握する動きが確認されています。
                                                                                            4. 影響範囲の広さ

                                                                                            LiteLLMは直接利用していなくても、OpenHandsやDSPy、Langfuseといった著名なAIフレームワークが依存（Dependents）しているため、それらを通じて間接的にインストールされている可能性が非常に高いです。

                                                                                            5. エンジニアが取るべき対策

                                                                                            新人エンジニアの方は、まず自分の環境（ローカル、仮想環境、Docker等）で以下の確認と対応を最優先で行ってください。

                                                                                            1. バージョン確認: pip show litellmでバージョンを確認し、該当する場合は即座にアンインストール。
                                                                                            2. 不審なファイルの削除: litellm_init.pthや~/.config/sysmon/などの痕跡を削除。
                                                                                            3. 認証情報のローテーション: SSH鍵の再作成、クラウド（AWS等）のアクセスキー、APIキー、パスワード類をすべて変更してください。「たぶん大丈夫」は通用しない深刻な事態です。
                                                                                              4. 教訓

                                                                                              「有名なライブラリだから」「最新版だから」安全であるという前提は捨て、ゼロトラストの精神で依存関係のハッシュ検証や最小権限の原則を徹底することが、現代のエンジニアには求められています。

                                                                                              引用元: https://qiita.com/emi_ndk/items/2332ff5c93e63ab736ad

                                                                                              • 「ずんだもん」のイベント「ずんだもん POP UP SHOP mini in あみあみ」の開催が決定！

                                                                                                • AI音声合成などでエンジニアにも馴染み深い「ずんだもん」のポップアップショップが、2026年4月24日から池袋にて開催されます。大川ぶくぶ氏が描く「スクール」をテーマにした新規イラストのグッズが先行販売されるほか、購入特典も用意されています。技術界隈でも愛されるキャラクターの最新イベントは、業務の合間のリフレッシュやチーム内の交流を深める話題として、新人エンジニアの方にもおすすめです。

                                                                                                引用元: https://prtimes.jp/main/html/rd/p/000008770.000016064.html

                                                                                                • お便り投稿フォーム

                                                                                                  • VOICEVOX:ずんだもん

                                                                                                  7 min
                                                                                                • 株式会社ずんだもん技術室AI放送局 podcast 20260326
                                                                                                  youtube版(スライド付き)
                                                                                                  関連リンク
                                                                                                  • AGENTS.md完全入門 ── 60,000リポジトリが採用した事実上の共通フォーマット

                                                                                                    • AIコーディングエージェント（GitHub Copilot, Cursor, Claude Code等）の普及に伴い、ツールごとに独自の指示ファイルを用意する手間や、指示の不整合が課題となっていました。本記事は、それらを解決する共通規格「AGENTS.md」について、新人エンジニアにも分かりやすく解説したガイドです。

                                                                                                    1. AGENTS.mdとは何か

                                                                                                    一言で言えば「AIエージェント向けのREADME」です。これまでは、Cursorなら.cursorrules、Copilotなら.github/copilot-instructions.mdと、ツールごとに異なるファイルに同じ指示（使用技術や命名規則など）を書く必要がありました。AGENTS.mdはこれらを一本化し、1つのMarkdownファイルで複数のエージェントに共通の指示を伝えるためのオープンフォーマットです。現在はLinux Foundationの「Agentic AI Foundation」によって標準化が進められており、すでに6万件以上のリポジトリで採用されています。

                                                                                                    2. なぜ導入するのか（メリット）
                                                                                                    • 重複管理の解消: 1つのファイル（AGENTS.md）を更新するだけで、チーム内の異なるツール利用者に同じルールを適用できます。
                                                                                                    • 導入の容易さ: 標準的なMarkdown形式であり、特別な学習やツール導入は不要です。
                                                                                                    • 品質の安定: 「テストコードは必ず書く」「.envファイルは触らない」といった境界線を明示することで、AIの誤操作を防ぎ、PR（プルリクエスト）のレビュー修正数を減らせます。
                                                                                                      • 3. 効果的な構成要素

                                                                                                      AIに正しく動いてもらうために、以下のセクションを含めることが推奨されています。

                                                                                                      • Project Overview: 使用技術（React 18, Node.js等）を具体的に記載。
                                                                                                      • Commands: pnpm testなど、エージェントが実行すべき完全なコマンド。
                                                                                                      • Code Style: 命名規則など。文章より「良いコード例」を載せるのが効果的。
                                                                                                      • Boundaries（重要）: 「本番環境の設定は変えない」など、AIに「やってはいけないこと」を伝えます。
                                                                                                        • 4. 運用のポイント

                                                                                                        新人エンジニアが今日から実践できるポイントは以下の通りです。

                                                                                                        • 書きすぎない: 指示が多すぎるとAIが混乱します。まずは最重要ルールを5〜10個程度から始めましょう。
                                                                                                        • READMEと使い分ける: 人間が読むための説明はREADME.mdに、AIが作業するための技術的な指示はAGENTS.mdに書くのがベストです。
                                                                                                        • モノレポ対応: ルートディレクトリだけでなく、サブディレクトリにも配置可能です。AIは作業対象に最も近いファイルを優先して読み取ります。
                                                                                                          • 5. まとめ

                                                                                                          AGENTS.mdは、AIとの協調開発をスムーズにするための「共通言語」です。個人の開発効率を上げるだけでなく、チーム全体のコード品質を保つための強力な武器になります。まずは最小構成からリポジトリに配置し、AIエージェントの挙動がどう安定するかを体感してみてください。

                                                                                                          引用元: https://qiita.com/nogataka/items/ad15bfa383c98ae5cc36

                                                                                                          • Storybook MCP を試してみた

                                                                                                            • 「Storybook MCP」は、AIエージェントが開発プロジェクト内のStorybook（UIコンポーネントのカタログ）を直接参照し、デザインシステムに一貫したUIコードの生成や、インタラクションテストの実行を自律的に行えるようにする仕組みです。

                                                                                                            これまでAIにUIの実装を依頼すると、既存のコンポーネントを無視して独自のコードを生成してしまったり、Propsの仕様を誤認してエラーが発生したりといった課題がありました。Storybook MCPを活用することで、AIはコンポーネントのドキュメントを「読んで」理解し、正しいPropsの利用やテストまでを一人で完結できるようになります。

                                                                                                            主な機能とメリット:

                                                                                                            1. ドキュメントの自動参照: AIがコンポーネントの一覧や詳細な仕様（Props、バリアント、使用例）を取得します。これにより、AIが仕様を「捏造」するのを防ぎます。
                                                                                                            2. 自律的なテストと修正: 生成したUIに対してインタラクションテストを実行し、失敗した場合はAIが自らコードを修正して再テストを行います。カラーコントラストなどのアクセシビリティチェックも可能です。
                                                                                                            3. プレビュー連携: 生成されたストーリーをStorybook上で確認するためのプレビューURLを発行し、開発者が即座に動作を確認できる環境を提供します。

                                                                                                              4. 新人エンジニアが知っておくべきポイント:

                                                                                                              AIエージェントが生成するコードの品質は、人間が作成したStorybookの「ドキュメントの質」に大きく依存します。コンポーネントが「なぜ、どのように使われるべきか」を詳細に記述しておくことが、AIとのスムーズな協調開発に繋がります。

                                                                                                              制約事項:

                                                                                                              • 2026年3月25日現在、React向けのStorybookでのみ利用可能です。
                                                                                                              • 使用には @storybook/addon-mcp アドオンの導入と、MCP（Model Context Protocol）に対応したAIエージェント（Claude Codeなど）が必要です。

                                                                                                                • この仕組みを導入することで、人間がAIに細かい修正指示を出す手間が省け、より本質的な開発作業に集中できるようになります。

                                                                                                                引用元: https://azukiazusa.dev/blog/storybook-mcp

                                                                                                                • 【Claude Code】Kaggle上位勢が設定するClaude Codeのskillsとagentsをチェックする

                                                                                                                  • 本ドキュメントは、AIコーディング支援ツール「Claude Code」において、Kaggle（データ分析コンペ）の上位勢がどのようにカスタム設定を活用しているかを解説した記事です。特に、再利用可能な手順を定義する「skills」と、特定の役割に特化させた「カスタムエージェント」の具体的な構成例が紹介されています。新人エンジニアにとっても、AIを単なるチャットツールとしてではなく、構造化された「開発パートナー」として使いこなすための高度な設計思想を学べる内容となっています。

                                                                                                                  記事では、3人のエキスパートによる異なるアプローチが紹介されています。

                                                                                                                  1. 実験ワークフローの自動化（mstさん）

                                                                                                                    「実験する」という行為を6つのフェーズ（理解・計画・作成・実装・訓練・記録）に分け、それぞれをスキルとして定義しています。AIにタスクの理解から結果の記録までを一貫して任せる構成で、クラウド環境での学習や実験管理ツールとの統合まで考慮された、非常に強力な自動化パイプラインとなっています。

                                                                                                                  2. 「負け筋」を減らす堅実な運用（すぐーさん）

                                                                                                                    AIにありがちな「やらかし」を防ぐための構造を重視しています。AIが行う実験と人間が行う実験を命名規則で明確に分離し、AIがコンテキスト（文脈）を失わないようセッションごとの記録を必須化しています。また、AIに「安定案」と「挑戦案」の2つを提示させるなど、人間の意思決定をサポートする工夫が特徴です。

                                                                                                                  3. 実装前の設計フェーズの強制（ごうやさん）

                                                                                                                    AIが設計を疎かにして実装を急いでしまうのを防ぐため、設計ドキュメント（要件・アプローチ・タスクリスト）を揃えることをワークフローとして強制しています。また、コードレビューやエラー分析など、役割ごとにエージェントを細かく使い分けることで、出力の専門性と品質を高めています。

                                                                                                                    共通する重要なプラクティスと学び

                                                                                                                    これら三者に共通しているのは、「コード品質の自動担保」「文脈（コンテキスト）の維持」「実験記録の習慣化」を仕組みによって解決している点です。

                                                                                                                    新人エンジニアへのアドバイスとして、AIとの協働において大切なのは、設定ファイルを単にコピーすることではなく、その裏側にある「思考プロセス」を学ぶことだと述べられています。専門家がどのようなルールをAIに与え、どのような制約を課しているかを知ることは、そのままエンジニアとしての設計能力の向上に繋がります。まずは先人の哲学を参考にしながら、自分なりの「AIとの働き方」を構築していくことが推奨されています。

                                                                                                                    引用元: https://zenn.dev/nakakiiro/articles/kaggle_claude_code_boilerplate

                                                                                                                    • 実験用マウスのクローン作製を20年間繰り返したら58世代で限界だと判明、ルパン三世のマモーそのものの結果で感動

                                                                                                                      • 山梨大学の研究チームが20年間にわたりマウスのクローン作製を繰り返した結果、58世代目で限界に達することを突き止めました。クローンを重ねるほど有害な突然変異が蓄積し、維持が困難になる「劣化コピー」の実態が科学的に判明。この結果がアニメ『ルパン三世』の怪人マモーの設定と酷似しているとSNSで話題です。地道な検証がフィクションを裏付けた、科学のロマンと多様性の重要さを感じさせる興味深いニュースです。

                                                                                                                      引用元: https://togetter.com/li/2678511

                                                                                                                      • お便り投稿フォーム

                                                                                                                        • （株式会社ずんだもんは架空の登場組織です）

                                                                                                                        9 min
                                                                                                                      • 株式会社ずんだもん技術室AI放送局 podcast 20260325
                                                                                                                        youtube版(スライド付き)
                                                                                                                        関連リンク
                                                                                                                        • Devinで並列開発を実現した ～「魔法の杖」を使いこなすために必要だったこと～

                                                                                                                          • 食べログの開発現場において、AIエージェント「Devin」を導入し、3〜4件の案件を並列で進める体制を構築した実践記録です。当初は「タスクを渡せば勝手に完成する魔法の杖」を期待したものの、実際には意図しないコードの生成や手戻りが発生し、かえって工数が増える課題に直面しました。この状況を打破し、AIを強力なパートナーへと変えた「土台作り」の要点がまとめられています。

                                                                                                                          1. 並列開発の実態：待ち時間を最大活用する

                                                                                                                          ここでの並列開発とは、AIが自律的に全てを完遂するのではなく、Devinの作業待ち時間に人間が別の案件を確認・フィードバックするサイクルを指します。以前は1つのタスクに集中せざるを得ませんでしたが、AIを自走させることで生まれた「隙間時間」を他案件の進行に充てられるようになり、全体のスループットが劇的に向上しました。

                                                                                                                          2. 成功の鍵：Playbookによる制約と手順の明文化

                                                                                                                          AIを正しく動かすには、「何をすべきか」という手順（Procedure）だけでなく、「何をしてはいけないか」という禁止事項（Forbidden actions）の定義が不可欠です。「force-pushの禁止」や「N+1問題の回避」など、人間には暗黙の了解であってもAIには伝わらないルールをPlaybookに蓄積しました。不具合やレビュー指摘があるたびにPlaybookを更新し、AIの自律精度を高め続ける「改善サイクル」が並列開発の土台となります。

                                                                                                                          3. 役割分担：AIは「たたき台」、人間は「レビュー」

                                                                                                                          AI活用の肝は、役割分担の明確化にあります。設計資料やテストケースの「たたき台」作成をAIに任せることで、作業時間を80〜90%削減。人間は、浮いた時間を「要件との整合性」や「本番環境でのパフォーマンス」といった高度な判断を要するレビューに集中させます。設計段階で人間がしっかりレビューを行うことで、その後のAIによる実装精度も向上するという好循環が生まれています。

                                                                                                                          新人エンジニアへのメッセージ：

                                                                                                                          AIは魔法ではなく、共に成果を出す「パートナー」です。AIの出力を鵜呑みにするのではなく、自身の知識をもとに適切な制約（Playbook）を与え、質の高いレビューで品質を担保する。この「段取り」と「対話」のスキルこそが、AI時代のエンジニアに求められる強力な武器になります。

                                                                                                                          引用元: https://tech-blog.tabelog.com/entry/devin-parallel-development

                                                                                                                          • Building NVIDIA Nemotron 3 Agents for Reasoning, Multimodal RAG, Voice, and Safety

                                                                                                                            • NVIDIAはGTC 2026にて、次世代の「エージェント型AI（Agentic AI）」を構築するための最新モデル群「NVIDIA Nemotron 3」シリーズを発表しました。これまでの「単に問いに答えるチャットAI」から、「複雑な計画を立て、自律的に行動するシステム」への転換を支える包括的なツールキットです。

                                                                                                                            本シリーズの核となるのは、複数の専門モデルが協調して動作するエコシステムです。

                                                                                                                            1. Nemotron 3 Super（高度な推論）

                                                                                                                              120BのハイブリッドMoE（Mixture-of-Experts）モデルで、推論時には12Bのパラメータのみを動かすため、非常に高いスループットを実現しています。100万トークンのコンテキストウィンドウに対応し、コーディングや数学、複雑な関数呼び出しといった「エージェントの思考」の役割を担います。

                                                                                                                            2. Nemotron 3 Content Safety（マルチモーダル安全ガードレール）

                                                                                                                              テキストと画像の両方を監視できる4Bの軽量モデルです。エージェントの入出力だけでなく、RAG（検索拡張生成）で取得した情報の有害性もリアルタイムで検閲します。多言語に対応し、プロダクション環境でも低レイテンシで動作します。

                                                                                                                            3. Nemotron 3 VoiceChat（リアルタイム音声対話）

                                                                                                                              音声認識・言語モデル・音声合成を個別に繋ぐ従来方式ではなく、音声から音声を直接生成するエンドツーエンドの12Bモデルです。300ms以下の低レイテンシを実現し、会話への割り込みも可能な自然な音声対話を可能にします。

                                                                                                                            4. マルチモーダルRAGと理解（Embed/Rerank VL & Nano Omni）

                                                                                                                              PDF内の図表やチャートを理解して検索できる「Llama Nemotron Embed/Rerank VL」や、ビデオ・音声・GUI画面を統合的に理解する「Nano Omni」により、視覚情報を含めた高度な情報検索が可能になります。

                                                                                                                            5. 評価と最適化ツール（NVIDIA NeMo）

                                                                                                                              • NeMo Evaluator: エージェントの性能を一貫した基準で評価・比較するためのツールです。
                                                                                                                              • NeMo Agent Toolkit: エージェントシステムのレイテンシのボトルネックやコストを可視化し、システム全体を最適化するためのオープンソースフレームワークです。

                                                                                                                                • これらのモデルはNVIDIAの寛容なライセンスで提供されており、特定の企業データに合わせたチューニングや、セキュリティ要件に応じたオンプレミス展開も可能です。新人エンジニアにとっても、各機能がモジュール化されているため、AIエージェントの設計思想を学ぶ上で非常に優れた指標となるスタックといえます。

                                                                                                                                引用元: https://developer.nvidia.com/blog/building-nvidia-nemotron-3-agents-for-reasoning-multimodal-rag-voice-and-safety/

                                                                                                                                • TurboQuant: Redefining AI efficiency with extreme compression

                                                                                                                                  • Google Researchを中心としたチームが発表した「TurboQuant」は、AIモデル（特に大規模言語モデル：LLM）の推論を劇的に効率化する新しい圧縮アルゴリズムです。LLMのデプロイメントにおいて大きな課題となっているメモリ消費と推論速度の問題を、数学的なアプローチで解決しています。

                                                                                                                                  解決したい課題：KVキャッシュの肥大化

                                                                                                                                  LLMが長いテキストを処理する際、過去の情報を保持するために「KV（Key-Value）キャッシュ」という仕組みを使います。しかし、このキャッシュは膨大なメモリを消費し、システムのボトルネックとなっていました。従来の「量子化（データを軽量化する技術）」では、圧縮の際に「調整用の定数」をデータごとに保存する必要があり、それが余分なメモリ消費（オーバーヘッド）を生むという弱点がありました。

                                                                                                                                  TurboQuantの2つの革新技術

                                                                                                                                  TurboQuantは、以下の2つの手法を組み合わせることで、精度を維持したまま「メモリ消費のムダ」を徹底的に排除します。

                                                                                                                                  1. PolarQuant（極座標量子化）:
                                                                                                                                    2. 通常、データは直交座標（XYZなど）で扱われますが、これを「角度」と「半径」で表す極座標に変換します。これによりデータの分布が予測しやすくなり、従来の量子化で必要だった「調整用の定数」をほぼゼロにできるため、オーバーヘッドのない極限の圧縮が可能になります。
                                                                                                                                  2. QJL（Quantized Johnson-Lindenstrauss）:
                                                                                                                                    3. わずか「1ビット」の情報を用いて、圧縮時に発生した微細な数学的誤差を修正する技術です。これにより、極限までデータを削っても、AIが重要度を判断する「アテンション・スコア」の精度が損なわれません。
                                                                                                                                    圧倒的な成果

                                                                                                                                    実験では、GemmaやMistralといった主要なオープンソースLLMを用い、以下の驚異的な結果を示しています。

                                                                                                                                    • メモリ削減: AIの精度を一切落とさずに、KVキャッシュのメモリサイズを6分の1以下（3ビット）にまで削減。
                                                                                                                                    • 高速化: H100 GPUにおいて、量子化を行わない場合と比較して最大8倍の高速化を実現。
                                                                                                                                    • 検索の効率化: 高次元のベクター検索においても、従来手法より高精度かつ高速に動作。
                                                                                                                                      • エンジニアへのメッセージ

                                                                                                                                      TurboQuantは単なる実装の工夫ではなく、理論的限界に近い効率を数学的に証明した頑健なアルゴリズムです。LLMの実行コストを下げつつ、より長い文脈を高速に扱えるようにする本技術は、今後のAIインフラを支える重要な基盤となるでしょう。大規模なAIアシスタントや高度な検索システムの構築に携わるエンジニアにとって、見逃せない進化と言えます。

                                                                                                                                      引用元: https://research.google/blog/turboquant-redefining-ai-efficiency-with-extreme-compression/

                                                                                                                                      • 機械音声の方が人間の声より聞きやすい？「聞く時の消費MPが少ない」というポストから、人間の声と合成音声の違いや聞きやすさの話題に

                                                                                                                                        • 機械音声（ずんだもん等）が人間の声より聞きやすいというSNSの話題が注目されています。人間の声は感情や癖、突発的な音の変化など情報量が多く、脳が処理する際に「消費MP（精神力）」を多く使いますが、合成音声は抑揚が安定しており「活字」のように楽に聴けるのが利点です。新人エンジニアにとっても、AI音声の受容性やUXにおける「脳への負荷」という視点は、今後の開発に役立つ興味深い知見と言えます。

                                                                                                                                        引用元: https://togetter.com/li/2678330

                                                                                                                                        • お便り投稿フォーム

                                                                                                                                          • （株式会社ずんだもんは架空の登場組織です）

                                                                                                                                          0 min
                                                                                                                                        • 株式会社ずんだもん技術室AI放送局 podcast 20260324
                                                                                                                                          youtube版(スライド付き)
                                                                                                                                          関連リンク
                                                                                                                                          • RAG パイプラインを捨てて claude -p に Grep させたら3時間で社内ナレッジ Bot が動いた

                                                                                                                                            • 本記事は、数百ファイル規模の社内ナレッジを検索・回答するSlackボットを、従来の「RAG（検索拡張生成）」という複雑な仕組みを使わずに、ClaudeのCLIツール（Claude Code）を活用して構築した実践レポートです。

                                                                                                                                            1. 従来のRAGが抱える「つらさ」

                                                                                                                                            通常、LLMに社内文書を読み込ませるには「RAG」という手法を用います。これには、文章を細かく切る（チャンク分割）、数値化する（Embedding）、専用のデータベース（ベクトルDB）に保存する、といった多くの工程が必要です。著者は1年間これらと格闘してきましたが、200ファイル程度の規模に対しては、これらの精度調整や運用コストが非常に高いという課題を感じていました。

                                                                                                                                            2. 新しいアプローチ：エージェンティックサーチ

                                                                                                                                            そこで著者が編み出したのが、LLM自体に「検索（Grep）」と「読み込み（Read）」のツールを持たせ、直接ファイルを探索させる手法です。

                                                                                                                                            • 仕組み: claude -p（Claude Codeの非対話モード）を使用し、LLMが自分で「どのファイルに答えがありそうか」を推論し、必要に応じて複数のファイルを行き来しながら回答を統合します。
                                                                                                                                            • メリット: データのベクトル化やDB管理が一切不要。ファイルをディレクトリに置くだけで準備が完了します。
                                                                                                                                            • 構築スピード: 最初のボットを約3時間、2つ目はわずか30分で追加できるほどの圧倒的な手軽さを実現しました。
                                                                                                                                              • 3. 実装のポイントとセキュリティ

                                                                                                                                              実装の核心は、Pythonの subprocess から claude コマンドを呼び出すだけというシンプルなものです。

                                                                                                                                              しかし、自由度が高い反面、初期段階では「サーバー内の機密ファイルを読み出される」といったプロンプトインジェクション（悪意ある指示）の脆弱性が露呈しました。これに対し、著者は以下の3層の防御策を講じています。

                                                                                                                                              1. 作業ディレクトリ（cwd）の制限: アクセスできる範囲を限定する。
                                                                                                                                              2. 入力フィルタ: /etc/passwd などの危険なパスが含まれる入力を遮断する。
                                                                                                                                              3. システムプロンプト: 「指定ディレクトリ以外は見ない」というルールを徹底させる。
                                                                                                                                                4. 4. 運用上のトレードオフ

                                                                                                                                                この手法は万能ではなく、明確な使い分けが必要です。

                                                                                                                                                • 向いているケース: 数百ファイル程度の規模、正確性が求められる用途、運用コストを抑えたい場合。
                                                                                                                                                • 課題: 回答に10〜45秒ほどかかる（ツール呼び出しの往復が発生するため）。また、数千〜数万のドキュメントを扱う大規模な環境では、従来型のRAGの方が高速でコスト効率も良くなります。
                                                                                                                                                  • 5. まとめ：エンジニアへの示唆

                                                                                                                                                  この仕組みを支えているのは、単なるLLMの賢さだけではなく、ツール実行・コンテキスト注入・セッション管理を一つのCLIで完結させた「Claude Code」という実行環境（ハーネス）の完成度です。

                                                                                                                                                  「小規模なナレッジであれば、複雑なパイプラインを組む必要はない」という事実は、リソースの限られた現場や新人エンジニアにとって、非常に実用的な知見と言えます。まずはこの「エージェンティックサーチ」から始め、規模に応じてRAGへ移行するという選択肢が、今後のLLM活用のスタンダードになるかもしれません。

                                                                                                                                                  引用元: https://zenn.dev/kok1eeeee/articles/knowledge-chatbot-agentic-search

                                                                                                                                                  • Creating with Sora safely

                                                                                                                                                    • OpenAIが発表した最新の動画生成モデル「Sora 2」および「Soraアプリ」における、安全性への取り組みについての要約です。技術の進歩に伴うリスクに対し、エンジニアリングと運用の両面から多層的な防御策が講じられています。新人エンジニアの方にとっても、AIの社会実装における「信頼性設計」の具体例として非常に参考になる内容です。

                                                                                                                                                    主要な対策は以下の7つの柱で構成されています。

                                                                                                                                                    1. AI生成物の識別と来歴管理

                                                                                                                                                      すべての動画には業界標準の「C2PA」メタデータが埋め込まれ、目に見える形と見えない形の両方でAI生成物であることを示す信号が付与されます。また、Soraで生成されたものかを判定する高精度な逆画像・音声検索ツールも運用されます。

                                                                                                                                                    2. 実在人物の画像からの動画生成（Image-to-Video）

                                                                                                                                                      友人や家族の写真から動画を生成できますが、アップロードには本人の同意が必要です。特に子供や若年層の画像については、より厳格なモデレーションとガードレールが適用されます。

                                                                                                                                                    3. キャラクター機能による肖像権の保護

                                                                                                                                                      自分の外見や声を「キャラクター」として登録し、その使用権を自らコントロールできる仕組みです。公人の描写は原則ブロックされます。また、自分のキャラクターが他人に使われた場合でも、常に内容を確認・削除できる透明性が確保されています。

                                                                                                                                                    4. 青少年の保護（Teen Safeguards）

                                                                                                                                                      10代のユーザーに対しては、成人向けコンテンツのフィルタリング、スクロール時間の制限、DMの制限、ペアレンタルコントロールなどが適用され、安全に利用できる環境が整えられています。

                                                                                                                                                    5. 有害コンテンツの多層フィルタリング

                                                                                                                                                      プロンプト（入力）と生成動画（出力）の両方を、複数のフレームと音声にわたってチェックします。性的、テロ、自傷行為などの有害な生成を未然に防ぐほか、自動スキャンと人間によるレビューを組み合わせて継続的に学習・改善されています。

                                                                                                                                                    6. 音声の安全性確保

                                                                                                                                                      生成された音声の文字起こしをスキャンしてポリシー違反をチェックします。また、実在するアーティストの模倣や既存の著作物を模倣する音楽の生成をブロックし、著作権保護にも配慮しています。

                                                                                                                                                    7. ユーザーのコントロールと通報機能

                                                                                                                                                      動画をフィードに公開するかはユーザーが選択でき、いつでも削除可能です。悪用に対する通報機能やアカウントブロック機能も完備されており、ポリシー違反に対して明確な対処が行われます。

                                                                                                                                                      これらの取り組みは、高い表現力を持つAIをいかにして責任を持って世に送り出すかという、現代のAI開発における重要な指針を示しています。

                                                                                                                                                      引用元: https://openai.com/index/creating-with-sora-safely

                                                                                                                                                      • Announcing TypeScript 6.0

                                                                                                                                                        • TypeScript 6.0がリリースされました。本バージョンは、JavaScriptベースのコードベースで構築される最後のリリースであり、次世代の「TypeScript 7.0」への橋渡しとなる非常に重要なマイルストーンです。

                                                                                                                                                        1. TypeScript 7.0（ネイティブ移植版）への準備

                                                                                                                                                        現在、TypeScriptチームはコンパイラと言語サービスをGo言語で書き直すプロジェクトを進めています。ネイティブコードの速度とマルチスレッドを活用することで、7.0以降は劇的な高速化が実現する予定です。6.0は、この7.0の動作（並列処理による非決定的な型IDのソート順など）をシミュレートする --stableTypeOrdering フラグを導入しており、次世代へのスムーズな移行をサポートします。

                                                                                                                                                        2. 開発体験の向上と新機能

                                                                                                                                                        • 型推論の強化: thisを使用しない関数において、プロパティの順序に関わらず型推論がより正確に行われるようになりました。
                                                                                                                                                        • 最新ES仕様への対応: ES2025（RegExp.escapeなど）や、待望の新しい日時APIである Temporal、Mapの新しいメソッド（getOrInsert）の型がサポートされました。
                                                                                                                                                        • サブパスインポートの改善: Node.jsの仕様に合わせ、#/ で始まるサブパスインポートが可能になりました。
                                                                                                                                                        • DOM型の簡略化: dom.iterable などが標準の dom ライブラリに統合され、設定がシンプルになりました。

                                                                                                                                                          • 3. 新人エンジニアが特に注意すべきデフォルト値の変更

                                                                                                                                                          モダンな開発環境に合わせ、tsconfig.json のデフォルト挙動が厳格かつ効率的に変更されています。

                                                                                                                                                          • strict: true がデフォルト: 新規プロジェクトでは最初から厳格な型チェックが有効になります。
                                                                                                                                                          • types: [] がデフォルト: 以前は @types 以下の全パッケージを自動で読み込んでいましたが、ビルドパフォーマンス向上のため、今後は types: ["node"] などのように必要なものだけを明示的に指定することが推奨されます。
                                                                                                                                                          • rootDir の変更: 明示しない場合、tsconfig.json があるディレクトリがルートと見なされます。

                                                                                                                                                            • 4. 非推奨・廃止された機能

                                                                                                                                                            target: es5 や baseUrl、outFile、そして古いモジュール形式（AMD/UMD/SystemJS）が非推奨または廃止されました。これらはTypeScript 7.0では完全に削除されるため、モダンな設定への移行が必須となります。

                                                                                                                                                            今回のアップデートは、将来の圧倒的なパフォーマンス向上のための基盤作りです。新人エンジニアの方は、既存の設定に頼らず、最新のベストプラクティス（strictモードの活用や明示的な型定義）を意識することで、より堅牢で高速な開発環境を構築できるでしょう。

                                                                                                                                                            引用元: https://devblogs.microsoft.com/typescript/announcing-typescript-6-0/

                                                                                                                                                            • お便り投稿フォーム

                                                                                                                                                              • （株式会社ずんだもんは架空の登場組織です）

                                                                                                                                                              7 min
                                                                                                                                                            • マジカルラブリー☆つむぎのピュアピュアA.I.放送局 podcast 20260323
                                                                                                                                                              関連リンク
                                                                                                                                                              • The open source AI coding agent

                                                                                                                                                                • 「OpenCode」は、開発者のコーディング作業をAIの力で劇的に効率化するために開発された、オープンソースのAIコーディングエージェントです。新人エンジニアの方にとっても、日々の開発における強力な「相棒」となる可能性を秘めたツールであり、開発環境の選択肢を広げる重要なプロダクトです。

                                                                                                                                                                ■OpenCodeの概要

                                                                                                                                                                特定のIDEやエディタに依存せず、ターミナル、デスクトップアプリ、そして各種IDE拡張機能として動作する柔軟なAIエージェントです。最大の特徴は、オープンソースでありながら商用ツールに劣らない多機能さと、膨大な開発コミュニティによる圧倒的な信頼性を兼ね備えている点にあります。GitHubでは既に12万件以上のスターを獲得し、800人以上のコントリビューターによって支えられており、月間500万人の開発者が利用する巨大なエコシステムを形成しています。

                                                                                                                                                                ■主な特徴と制約事項

                                                                                                                                                                1. 柔軟なモデル選択と連携: Claude、GPT-4、Geminiといった最先端のLLMに加え、ローカル環境で動作するモデルなど、75以上のプロバイダーに対応しています。特筆すべきは、既存のChatGPT PlusやGitHub Copilotのアカウントを使ってログインし、そのままAIモデルを活用できる点です。
                                                                                                                                                                2. LSP（Language Server Protocol）の自動連携: AIがコードを正しく理解するために必要なLSPを自動でロードします。これにより、プログラミング言語ごとの文法に基づいた、より正確で高度なコード補完や提案が可能になります。
                                                                                                                                                                3. プライバシー重視の設計: セキュリティを重視する企業や、機密性の高いプロジェクトでも安心して利用できるよう、ユーザーのコードやコンテキストデータを外部サーバーに保存しない設計になっています。
                                                                                                                                                                4. 効率的な開発サポート: セッションの共有リンク機能により、AIとのやり取りをチームメンバーに即座に共有してデバッグの参考にできます。また、同一プロジェクト内で複数のエージェントを並列稼働させるマルチセッションにも対応しており、複雑なタスクも効率よくこなせます。

                                                                                                                                                                  5. ■最適化された体験「Zen」

                                                                                                                                                                  モデルごとの性能のばらつきを解消するため、コーディングに特化して検証・ベンチマークされたモデル群「Zen」を提供しています。これにより、ユーザーはモデル選定に迷うことなく、常に安定した高品質なAIアシスタンスを受けることができます。

                                                                                                                                                                  新人エンジニアにとって、特定のベンダーに縛られず、最新のAI技術をプライバシーを守りながら自分の好みの開発環境に取り入れられる本ツールは、現代的なエンジニアリングを学ぶ上で非常に魅力的な選択肢となるでしょう。

                                                                                                                                                                  引用元: https://opencode.ai/

                                                                                                                                                                  • 方眼紙Excel→Markdown変換、結局LLMしか勝たん話【全手法比較】

                                                                                                                                                                    • 日本の業務現場で長年使われている「方眼紙Excel（セルを正方形にし、結合を多用してレイアウトした書類）」を、モダンなドキュメント形式であるMarkdownへ変換する手法について、従来ツールから最新のLLMまでを徹底比較した解説記事です。

                                                                                                                                                                    1. なぜ「方眼紙Excel」の変換は難しいのか

                                                                                                                                                                    新人エンジニアの方がまず直面するのは、Excelの見た目とデータの構造が一致していないという問題です。方眼紙Excelは「視覚的な美しさ」のために何十ものセルを結合しているため、プログラムで単純に読み取ると、同じデータが何度も繰り返されたり、逆にデータが欠落したりします。

                                                                                                                                                                    2. 従来ツール（openpyxl, pandas, docling等）の限界

                                                                                                                                                                    記事では、Pythonの定番ライブラリから最新のAI文書解析エンジンまでを検証していますが、それぞれに特有の課題があります。

                                                                                                                                                                    • openpyxl / pandas / markitdown: 「セル構造」をそのまま変換しようとします。その結果、Markdown上に膨大な空白セルや、結合セルの内容が繰り返される「50列繰り返し問題」が発生し、人間が読める状態ではなくなります。
                                                                                                                                                                    • docling (IBM製): 文書構造の解析に優れており、HTML形式で出力すればセル結合を正確に保持できます。しかし、Markdown形式ではやはり列の繰り返し問題が残り、完全な解決には至りません。
                                                                                                                                                                      • 3. LLMによる「意味構造」の再構成

                                                                                                                                                                      本記事の核心は、「構造を追うのではなく、意味を読み取るLLMこそが方眼紙Excelの天敵である」という点です。LLM（GPT-4oやClaude 4.6等）は、セルの配置から「ここはタイトル」「ここは材料表」といったドキュメントの論理的な意味を理解し、人間が手で書き直したような自然なMarkdownを生成します。

                                                                                                                                                                      4. 最新技術：GitHub Models API と Copilot SDK

                                                                                                                                                                      2026年現在の最新アプローチとして、以下の2つが紹介されています。

                                                                                                                                                                      • GitHub Models API: テキスト形式（タブ区切り）でLLMに渡すだけで、非常に高精度な変換が可能です。画像として渡す「ビジョンモード」よりも、セルの値を直接渡す「テキストモード」の方が精度・速度ともに優れているという実用的な知見が示されています。
                                                                                                                                                                      • GitHub Copilot SDK: 最新のClaude 4.6やGPT-5系を呼び出すことができ、特にClaude 4.6は数値の右寄せなどの細かい整形や処理速度において、非常に優れたパフォーマンスを発揮します。
                                                                                                                                                                        • 5. エンジニアとしての技術選定ガイド

                                                                                                                                                                        用途に応じて以下のツールを選ぶのが最短ルートです。

                                                                                                                                                                        • とにかく速く、簡易的に変換したい: pandas / markitdown
                                                                                                                                                                        • セル結合の構造を厳密に保ち、後でHTMLとして処理したい: docling
                                                                                                                                                                        • AIへの入力や人間が読むための、高品質なMarkdownが欲しい: LLM（GitHub Models API等）
                                                                                                                                                                          • 結論

                                                                                                                                                                          方眼紙Excelは「視覚レイアウト」で情報を表現するメディアであり、Markdownは「論理構造」で表現するメディアです。この根本的なモデルの溝を埋められるのは、現在のところLLM（大規模言語モデル）だけです。技術の力で、日本の現場に眠るレガシーなドキュメントをモダンに蘇らせましょう。

                                                                                                                                                                          引用元: https://zenn.dev/ougotti/articles/houganshi-excel-to-markdown

                                                                                                                                                                          • Omnilingual MT: Machine Translation for 1,600 Languages Research

                                                                                                                                                                            • Metaの研究チームが、1,600以上の言語に対応する画期的な機械翻訳システム「Omnilingual Machine Translation (OMT)」を発表しました。これまでの最高水準であったNLLB（No Language Left Behind）の200言語という壁を大きく塗り替え、現代のAI技術から取り残されていた多くの少数言語をカバーしています。

                                                                                                                                                                            新人エンジニアが注目すべき主なポイントは以下の3点です。

                                                                                                                                                                            1. 「生成の壁」の突破

                                                                                                                                                                              従来のLLMは、多くの言語を「理解」できても、マイナーな言語を正確に「出力（生成）」することが難しいという課題がありました。OMTは、手動で精査されたデータセット（MeDLEY）や、合成データ、Webからのマイニング技術を組み合わせた高度なデータ戦略により、このボトルネックを解消しました。

                                                                                                                                                                            2. 効率的な2つのアーキテクチャ

                                                                                                                                                                              OMTは、用途に合わせて2つのアプローチを提案しています。
                                                                                                                                                                              ・OMT-LLaMA: LLaMA3をベースにしたデコーダー専用モデル。推論時に情報を補う「検索拡張翻訳」を活用します。
                                                                                                                                                                              ・OMT-NLLB: エンコーダー・デコーダー構成。対照訳（ペアデータ）ではない単一言語データも学習に活用できる新しい手法を導入しています。

                                                                                                                                                                            3. 「モデルの大きさが全てではない」ことの証明

                                                                                                                                                                              特筆すべきは、10億（1B）から80億（8B）パラメータという比較的小規模なモデルでありながら、700億（70B）パラメータの巨大なLLMと同等以上の翻訳精度を達成した点です。これは、特定のタスク（翻訳）に特化させた最適化とデータ戦略がいかに強力であるかを示しています。

                                                                                                                                                                              さらに、本プロジェクトでは「BOUQuET」などの大規模な評価データセットや評価モデルも公開されており、言語の多様性を守るための基盤として機能しています。

                                                                                                                                                                              この研究は、LLMの汎用性を追うだけでなく、特定の領域で高いパフォーマンスを出すための「特化型モデル」の重要性を教えてくれます。低リソースな環境でも動作可能なこのシステムは、世界のあらゆる言語の壁を取り払う大きな一歩となるでしょう。

                                                                                                                                                                              引用元: https://ai.meta.com/research/publications/omnilingual-mt-machine-translation-for-1600-languages/

                                                                                                                                                                              • 1993年のアメリカ玩具CM動画が懐かしさを呼ぶ / X

                                                                                                                                                                                • 1993年の米国玩具のCMが話題です。真空成形で車を作ったり金属を溶かしたりと、現代の3Dプリンターに通じる本格的な「ものづくり」が紹介されています。現在の安全基準では販売困難ですが、当時の創意工夫を凝らした遊び心はエンジニアの知的好奇心を刺激します。車好きが集まるコミュニティでも和やかな話題として親しまれており、技術の原点や進化の過程を楽しめる、新人の方にもおすすめの心温まるエピソードです。

                                                                                                                                                                                引用元: https://x.com/i/trending/2035347814733996147

                                                                                                                                                                                • お便り投稿フォーム

                                                                                                                                                                                  • VOICEVOX:春日部つむぎ

                                                                                                                                                                                  9 min
                                                                                                                                                                                • 株式会社ずんだもん技術室AI放送局 podcast 20260319
                                                                                                                                                                                  youtube版(スライド付き)
                                                                                                                                                                                  関連リンク
                                                                                                                                                                                  • Introducing LangSmith Sandboxes: Secure Code Execution for Agents

                                                                                                                                                                                    • LangChain社は、AIエージェントが生成したコードを安全かつスケーラブルに実行するための環境「LangSmith Sandboxes」のプライベートプレビューを開始しました。

                                                                                                                                                                                    背景と課題

                                                                                                                                                                                    現在、CursorやClaude Codeのような「コードを書くだけでなく実行もできる」エージェントが注目されています。しかし、LLM（大規模言語モデル）が生成した信頼できないコードを開発環境や社内インフラ上で直接実行させることは、予期せぬ破壊的アクションやセキュリティリスクを伴います。これを防ぐために開発者が自前で隔離環境（コンテナ等）を構築・管理するのは、リソース制限やネットワーク制御などの面で非常に手間がかかる作業でした。

                                                                                                                                                                                    LangSmith Sandboxesとは

                                                                                                                                                                                    LangSmith Sandboxesは、LangSmith SDKからわずか一行のコードで起動できる、使い捨て可能な「隔離された実行環境」です。新人エンジニアの方でも、複雑なインフラ構築を意識せずに「安全な遊び場」をエージェントに提供できるようになります。

                                                                                                                                                                                    主な特徴
                                                                                                                                                                                    1. 高度なセキュリティ（MicroVM）: 単なるLinuxの名前空間による隔離ではなく、ハードウェア仮想化された「MicroVM」を採用しており、極めて高い独立性を確保しています。
                                                                                                                                                                                    2. 導入の容易さ: すでにLangSmithを利用している場合、PythonやJavaScriptのSDKを通じてすぐに利用可能です。
                                                                                                                                                                                    3. 柔軟なカスタマイズ: 独自のDockerイメージを持ち込める（BYOD）ため、特定のライブラリやツールが必要な業務にも対応できます。
                                                                                                                                                                                    4. ステートの維持と共有: 複数のエージェント間で同じサンドボックスを共有したり、スレッドをまたいでファイルやパッケージの状態を保持したりすることが可能です。
                                                                                                                                                                                    5. 認証プロキシ: 外部サービスへのアクセスには認証プロキシを経由するため、サンドボックス内に機密情報（APIキー等）を直接置く必要がなく、安全です。
                                                                                                                                                                                      6. 想定されるユースケース
                                                                                                                                                                                      • データ分析エージェント: データセットに対してPythonスクリプトを実行し、結果を可視化する。
                                                                                                                                                                                      • コーディングアシスタント: 出力したコードが正しく動作するか、応答前に自身で検証する。
                                                                                                                                                                                      • CI/CDエージェント: リポジトリをクローンし、依存関係をインストールしてテストを実行した上でプルリクエストを作成する。

                                                                                                                                                                                        • このプラットフォームの登場により、AIエージェントの利便性を損なうことなく、エンタープライズレベルの安全性を確保したアプリケーション開発が容易になります。エージェントが「考えて実行する」ための強力なインフラとして、今後の発展が期待されます。

                                                                                                                                                                                        引用元: https://blog.langchain.com/introducing-langsmith-sandboxes-secure-code-execution-for-agents/

                                                                                                                                                                                        • Introducing Forge

                                                                                                                                                                                          • Mistral AIが発表した「Forge」は、企業が持つ独自の知識（社内規定、コードベース、運用プロセスなど）を深く学習させた、自社専用の「フロンティア級AIモデル」を構築するためのシステムです。

                                                                                                                                                                                          従来のLLMの多くは公開データで学習されているため、特定の企業の内部事情や専門用語を完全には理解できません。Forgeはこのギャップを埋め、汎用的なAIを「自社の文脈を理解する高度な専門家」へと進化させます。

                                                                                                                                                                                          【主な特徴と技術的ポイント】

                                                                                                                                                                                          1. 組織知をモデルに内面化

                                                                                                                                                                                            事前学習（Pre-training）、事後学習（Post-training）、強化学習（RL）の各段階をサポートしています。これにより、モデルは単に情報を検索するだけでなく、その組織特有の推論パターンや制約を学習し、社内用語を用いた高度な思考が可能になります。

                                                                                                                                                                                          2. 信頼性の高い「AIエージェント」の実現

                                                                                                                                                                                            Forgeで構築されたカスタムモデルは、社内システムを操作するエージェントの「脳」として機能します。自社のポリシーや業務ロジックを理解しているため、ツールの選択精度が向上し、複雑なマルチステップのワークフローも正確に実行できるようになります。

                                                                                                                                                                                          3. エージェント・ファーストな設計

                                                                                                                                                                                            Forge自体がAIエージェントによる利用を想定して設計されています。例えば、自律型エージェントが自らモデルの微調整（ファインチューニング）を行ったり、ハイパーパラメータを最適化したり、合成データを生成して評価指標を改善したりすることが可能です。

                                                                                                                                                                                          4. 柔軟なアーキテクチャと制御

                                                                                                                                                                                            「Mixture-of-Experts (MoE)」アーキテクチャをサポートしており、高い性能を維持しながら計算コストやレイテンシを抑えた運用が可能です。また、モデルの所有権やデータのガバナンスを企業側で完全にコントロールできるため、セキュリティ要件の厳しい環境でも安心して導入できます。

                                                                                                                                                                                            【新人エンジニアへのメッセージ】

                                                                                                                                                                                            これからのAI活用は、既存のチャットツールを使う段階から、自社のエンジニアリング資産やナレッジをモデルに組み込み「自社専用の強力な武器」を作る段階へと進みます。Forgeは、RAG（検索拡張生成）の先にある「モデルそのものを自社の色に染める」アプローチを簡略化するものであり、エンジニアにとってAIをインフラとして使いこなすための強力なツールとなるでしょう。

                                                                                                                                                                                            引用元: https://mistral.ai/news/forge

                                                                                                                                                                                            • Coding Agent時代のドキュメントについて考えていること

                                                                                                                                                                                              • AIがコードを書く「Coding Agent（コーディングエージェント）」が普及する現代において、エンジニアが作成するドキュメントの在り方を問い直す考察です。新人エンジニアの方にとっても、効率的な開発スタイルを学ぶ上で非常に示唆に富む内容となっています。

                                                                                                                                                                                              1. ドキュメントの課題：なぜドキュメントは「腐る」のか

                                                                                                                                                                                              ドキュメントは本来、プロジェクトの「正しさの根拠（Single Source of Truth）」であるべきですが、コードと異なり、内容が古いまま放置される「腐敗」が起きやすい性質があります。コードにはコンパイラやテストによる自動的なフィードバックがありますが、自然言語で書かれたドキュメントにはそれがありません。AIエージェントはドキュメントを「正しい文脈」として読み取るため、古いドキュメントはAIに誤った行動をさせ、静かに開発効率を低下させます。

                                                                                                                                                                                              2. Agent時代に書くべきドキュメントの仕分け

                                                                                                                                                                                              AIエージェントにとって扱いやすいドキュメントにするため、以下の4つに分類して管理することを提案しています。

                                                                                                                                                                                              • 導出可能（書かない）: コードから読み取れるAPI仕様などは、AIが自らコードを解析できるため記述不要。
                                                                                                                                                                                              • 検証可能（テストへ移す）: 「レスポンス速度」などの制約は、ドキュメントではなくLinterやテストコードとして記述し、機械的にチェック可能にする。
                                                                                                                                                                                              • 不変の記録（ADRとして残す）: 過去の決定事項（ADR: Architecture Decision Records）は、追記型で保存し、AIが経緯を辿れるようにする。
                                                                                                                                                                                              • 還元不能（自然言語で残す）: 「なぜこの設計にしたか（Why）」「なぜ採用しなかったか（Why not）」といった、コードからは読み取れない背景・文脈こそが、人間が書くべきドキュメントの本質。

                                                                                                                                                                                                • 3. 二層構造によるドキュメント配置

                                                                                                                                                                                                AIエージェントの作業効率（コンテキスト制限）を考慮し、ドキュメントを二層で管理します。

                                                                                                                                                                                                • Layer 1 (CLAUDE.md 等): エージェントが常に参照する「作業記憶」。禁止事項やビルドコマンドなどを60行程度で簡潔に記述。
                                                                                                                                                                                                • Layer 2 (docs/フォルダ): 必要に応じてAIが読みに行く「長期記憶」。ADRや詳細な背景情報を格納。

                                                                                                                                                                                                  • 4. ドキュメントを「腐らせない」運用

                                                                                                                                                                                                  ドキュメントの鮮度を保つため、機械的なフィードバックループを導入します。

                                                                                                                                                                                                  • 鮮度チェック: ドキュメントの最終確認日を管理し、古くなったらコミットをブロックするスクリプトを運用。
                                                                                                                                                                                                  • ROIの評価: AIエージェントがそのドキュメントを読んで実際に行動が改善されたかを分析し、不要なドキュメントを削除・更新する。

                                                                                                                                                                                                    • 結論

                                                                                                                                                                                                    人間向けのドキュメントはリポジトリ外（Notion等）に切り出し、リポジトリ内は「AIエージェントとの協調」に最適化していく。これがこれからのエンジニアに求められるドキュメント戦略のひとつの形です。

                                                                                                                                                                                                    引用元: https://nyosegawa.com/posts/docs-in-agent-era/

                                                                                                                                                                                                    • ゲームのグラフィック向上AI技術『DLSS5』が批判と共にネットミーム化、キャラがリアル（？）になったネタ画像が大量に投下される

                                                                                                                                                                                                      • NVIDIAが発表したAI超解像技術「DLSS 5」が、補正の強さからネットミームとして話題です。光や質感をリアルにする反面、キャラの顔が別人になる等の不自然さが「AIスロップ」と揶揄され、SNSでは極端な比較画像が溢れています。最新AI技術がもたらす「表現の自動生成」と「制作者の意図」のバランスという、開発者にとっても興味深い課題を笑いと共に学べるニュースです。

                                                                                                                                                                                                      引用元: https://togetter.com/li/2676103

                                                                                                                                                                                                      • お便り投稿フォーム

                                                                                                                                                                                                        • （株式会社ずんだもんは架空の登場組織です）

                                                                                                                                                                                                        0 min

                                                                                                                                                                                                      About 株式会社ずんだもん技術室AI放送局

                                                                                                                                                                                                      From the publisher's feed

                                                                                                                                                                                                      AIやテクノロジーのトレンドを届けるPodcast。平日毎朝6時配信。朝の通勤時間や支度中に情報キャッチアップとして聞いてほしいのだ。(MC 月:春日部つむぎ、火水木:ずんだもん、金:お嬢様ずんだもん)