株式会社ずんだもん技術室AI放送局

「Claude Code Workflow Studio」は、Anthropic社が提供するAI搭載CLIツール「Claude Code」のワークフロー機能を、直感的なビジュアルエディタで構築・編集できるVS Code拡張機能です。通常、Claude Codeで高度な自律動作（AIエージェント）を定義するには、複雑な設定ファイルを手動で記述する必要がありますが、本ツールはこれらを「ノード」を繋ぐキャンバス上でのドラッグ＆ドロップ操作に置き換えます。

開発者コミュニティでも非常に高い注目を集めており、GitHubでは1,100以上のスターを獲得しています。新人エンジニアの方にとっても、まるでデザインツールのFigmaを扱うような感覚で、複雑なAIの動作ロジックを設計できる「AIワークフローのビジュアルエディタ」となっています。

新人エンジニアがAIエージェントの構築に取り組む際、本ツールは以下の3つの大きな壁を取り払ってくれます。

本ツールはClaude Codeの既存機能を置き換えるものではなく、その「上に乗るGUIレイヤー」として動作します。そのため、ツールで作成したワークフローは最終的に標準準拠のMarkdownファイルとして出力され、ツールを導入していないチームメンバーともそのまま共有・実行可能です。

【主要なノードの種類】

さらに、AIがワークフロー自体の編集をサポートしてくれる「AI支援編集機能」も搭載されており、自然言語での指示によってノードの追加や接続を自動化することが可能です。

実用にあたっては、以下の制約を理解しておく必要があります。

Claude Code Workflow Studioは、AIエージェントの構築を「テキストベースの苦行」から「視覚的な設計」へと進化させる画期的なツールです。新人エンジニアの方は、まずは本ツールを使って「AIエージェントがどのように連携し、判断を下しているのか」という全体像を可視化することから始めてみてください。AIを活用した開発の自動化が、より身近で楽しいものになるはずです。

引用元: https://note.com/ai_driven/n/nce437c34242f

AIによるコーディング支援が普及する中で、フロントエンド開発における「デザインの再現性」と「一貫性の欠如」が新たな課題となっています。AIに指示を出してコードを書かせると、学習データの傾向から特定の配色やフォントに偏ってしまう「AI Purple Problem」と呼ばれる現象が起きがちです。本記事では、この問題を解決するために、FigmaのデザインデータをAIに直接理解させる仕組み「Figma MCP（Model Context Protocol）」を活用した、最新の開発フローを解説しています。

Figma MCPは、AIエージェントに対してFigmaファイル内のレイアウト、タイポグラフィ、カラー、コンポーネント構造などの詳細なコンテキストを提供するツールです。これにより、エンジニアは曖昧な指示を出す必要がなくなり、AIはデザインガイドラインを厳密に遵守したコードを生成できるようになります。また、「Storybook MCP Addon」を併用することで、AIが既存のコンポーネントを再利用したり、Storybookのベストプラクティスに従った実装を行ったりすることも可能になります。

記事では、Claude Code（AIコーディングエージェント）を使用した具体的な手順が紹介されています。

新人エンジニアが特に意識すべき点は、AIへの「情報の渡し方」です。

Figma MCPの活用により、デザインからコードへの変換プロセスは大幅に効率化されます。しかし、それは「人間が何もしなくて良い」ということではありません。AIが正確に動くための「整理されたデザインデータ」を準備することや、デザインシステム全体の設計を理解するスキルの重要性が、これまで以上に高まっています。コードを書く作業はAIに任せつつ、エンジニアは「より良い設計」と「AIへの的確なナビゲーション」に注力する、という新しい開発スタイルの可能性を示す内容となっています。

引用元: https://azukiazusa.dev/blog/using-figma-mcp-to-provide-design-system-for-ai-coding-agents

Crawl4AIは、大規模言語モデル（LLM）やRAG（検索拡張生成）システムの開発に特化して設計された、Python製のオープンソース・Webスクレイピングフレームワークです。

新人エンジニアの方が従来のツール（BeautifulSoupやScrapyなど）を学習すると、HTML構造の解析や、広告・メニューといった「ノイズ」の除去に苦労することが多いでしょう。特にLLMを利用する場合、以下の点が課題となります。

Crawl4AIは、これらの課題を「標準機能」として解決するために誕生しました。

本ツールは、現代のAI開発において痒い所に手が届く機能を多数備えています。

Crawl4AIを試すための前提条件は以下の通りです。

今後、AIを組み込んだシステム開発において「Webからいかに質の高いデータを集めるか」はコアスキルの一つになります。Crawl4AIは、単なる自動化ツールではなく、「AIのためのデータエンジニアリング」を手軽に体験できる優れた教材でもあります。

引用元: https://zenn.dev/serada/articles/20260101-crawl4ai-intro

キャラクターの内面や核心を掘り下げるための、対話型LLM用プロンプトです。表面的な設定ではなく、行動原理や矛盾を深掘りし、創作の解像度を高めます。利用にはClaude 4.5やGemini 3 Pro等の高い言語能力を持つ大規模モデルが推奨される一方、GPT-5.xは非推奨という制約があります。ライセンスはCC0で、AIを「思考のパートナー」として活用する具体例として新人エンジニアにも役立つ内容です。

引用元: https://meatlog.de10.moe/entry/character_creator_prompt

VOICEVOX:春日部つむぎ

2025年は「Agent Skills」が脚光を浴びる年になりそうです。Anthropic社が提唱し、2024年末にオープンスタンダード化されたこの機能は、AIエージェントの能力を飛躍的に向上させる仕組みとして大きな注目を集めています。

■ Agent Skillsとは？

■ 主な特徴とメリット

■ 実践的な効果

■ 新人エンジニアへのアドバイス

引用元: https://dev.classmethod.jp/articles/agent-skills-2025-standardized-overview/

Microsoftが、次世代のAIエージェント開発を支える新しいオープンソース開発キット「Microsoft Agent Framework」を公開しました。これは、これまで同社が展開してきた「Semantic Kernel」と「AutoGen」の2つのプロジェクトの強みを統合し、さらに拡張したものです。これからのMicrosoftにおけるAIエージェント開発の標準的な基盤となります。

■ 概要

AIエージェント（単体）

ワークフロー（オーケストレーション）

■ 設計の考え方：エージェントか、ワークフローか

■ 主な特徴と機能

■ 制約と注意点

このフレームワークは、AIが単なるチャット相手から、実際の業務を自律的・構造的にこなす「エージェント」へと進化するための強力なツールとなります。既存のSemantic KernelやAutoGenからの移行ガイドも用意されており、今後のAIアプリケーション開発の主軸になることが期待されます。

引用元: https://learn.microsoft.com/en-us/agent-framework/overview/agent-framework-overview

本記事は、コミューン株式会社のエンジニアが、Googleのエージェント開発フレームワーク「google-adk」を活用して、社内のBigQueryデータを自律的に調査・分析する「Deep Researchエージェント」を構築した事例の紹介です。

1. 背景と目的

2. エージェントのアーキテクチャ

3. 実装のポイント（新人エンジニア向け解説）

4. 実行結果と展望

新人エンジニアにとって、LLMに一度にすべてを任せるのではなく、役割を分担させたエージェントを組み合わせる手法は、実戦的なAIアプリケーション開発の非常に良い参考になります。

引用元: https://tech.commune.co.jp/entry/google-adk-bigquery-deep-research

本記事は、ずんだもんやWhiteCULなどの合成音声を用い、ラジオ番組のような「イントロ乗せ」の曲紹介を自動で行う音楽再生ソフトの開発事例を紹介しています。楽曲の冒頭に合わせて音声が流れる仕組みを構築しており、技術を駆使して日常の音楽鑑賞をより楽しく演出するユニークな試みです。既存技術の組み合わせで新しい体験を生み出す面白さを学べる、新人エンジニアの方にも刺激となる内容です。

引用元: https://www.mapion.co.jp/news/column/nico18769295/

VOICEVOX:ずんだもん

これまでの生成AI活用は「AIと対話して得た結果を人間が手作業で別のシステムに入力する」という、人間が介在するプロセスが主流でした。しかし、最新モデル「Gemini 3」と組織向けプラットフォーム「Gemini Enterprise」の登場により、AIが自律的に業務を遂行する「Agentic AI（エージェント型AI）」の企業実装が現実のものとなっています。

1. Gemini 3がもたらす技術的進化

2. 現場主導のAI開発「Agent Designer」

3. エンタープライズ基準のセキュリティとガバナンス

新人エンジニアへのメッセージ

引用元: https://note.com/google_gemini/n/nb7be1d6582b6

本記事は、Anthropicが提供するAIツール「Claude Code」において、エージェントの機能を拡張するための標準規格「Agent Skills」を効率的に作成する方法を解説しています。

Agent Skillsは、AIエージェントに特定の専門知識や新しい機能（ツール）を提供するためのフォーマットです。2025年12月にオープンスタンダードとしてリリースされ、Claude Codeだけでなく、CodexやCursorといった他の主要なAI開発ツールでもサポートが進んでいます。これにより、一度作成した「スキル」を異なるAIツール間で再利用できる可能性が広がっています。

記事では、スキル作成自体をAIにサポートさせるツール「skill-creator」の活用を推奨しています。これを利用することで、以下の2つの方法で簡単にスキルを定義できます。

作成されたスキルは、プロジェクト単位またはユーザー単位のディレクトリにMarkdownファイル（SKILL.md）として保存されます。この仕組みにはエンジニアにとって大きなメリットがあります。

Agent Skillsを活用することで、「以前も同じ指示をAIにしたな」という二度手間をなくし、チーム全体の作業を効率化できます。特定の作業手順やプロジェクト固有のルールを「スキル」として言語化・共有することは、属人化を防ぐ強力な手段になります。

まずは公式のskill-creatorを導入し、自分の得意なワークフローをスキル化することから始めてみると、AIエージェントを「自分専用の有能なアシスタント」へ成長させる楽しさを実感できるはずです。

引用元: https://zenn.dev/aun_phonogram/articles/475f3cca8f40a3

AI駆動開発、特にClaude CodeやCursorなどのAIエージェントを活用した開発において、実装後に「要件の誤解」や「考慮漏れ」が発覚し、数時間分の作業が手戻りになることは珍しくありません。本書は、こうした問題を解決するために、国産の仕様駆動開発ツール「cc-sdd」を用いた、AIと人間の認識齟齬を最小限に抑える開発プロセスを解説しています。

cc-sddの根底にある考え方は、家を建てる時のように「着工（実装）前に設計図を完成させ、承認する」という「仕様駆動開発（SDD）」のプロセスです。このプロセスを導入することで、修正コストが極めて低い段階で問題を摘出することが可能になります。

具体的な開発フローは以下の4つの柱で構成されます。

Steering（プロジェクトの記憶の確立）

Requirements（EARS形式による要件の明確化）

Design（実装前の設計承認）

Tasks（実装計画と進捗管理）

cc-sddは、特に複数ファイルにまたがる機能拡張や、複雑なビジネスロジック、セキュリティが重視される開発で真価を発揮します。また、新人エンジニアにとっては、AIとの対話を通じて「何が必要な要件か」を学ぶことができ、経験不足による考慮漏れをツールが補ってくれるという教育的メリットもあります。

「小さな修正は通常の対話型、大きな機能開発はcc-sddによる仕様駆動型」と使い分けることで、AIエージェントの能力を最大限に引き出し、確実で生産性の高い開発体制を構築できるでしょう。

引用元: https://zenn.dev/tmasuyama1114/articles/cc_sdd_whole_flow

ずんだもん解説の編み物動画が「難易度の飛躍」で話題です。基礎の円錐形から突如複雑なキャラ制作へ飛ぶ構成に、視聴者から「刻んでくれ！」と悲鳴が上がりました。一方で経験者は「実践の中で基礎を学ぶのは有効」と分析。この現象は技術書やBlender講座等でも「あるある」で、学習における急なレベルアップへの共感と驚きが笑いを誘います。エンジニアの「学習の壁」にも通ずる、心温まる技術習得の話題です。

引用元: https://togetter.com/li/2642237

（株式会社ずんだもんは架空の登場組織です）

2025年は、AIが単なる「便利な道具」から、自ら考え、行動し、人間と共に探求する「実用的なエージェント（Utility）」へと進化した、エンジニアにとって非常に刺激的な1年となりました。Googleが発表した8つの主要分野におけるブレイクスルーを、若手エンジニア向けに要約して紹介します。

1. 基盤モデルの飛躍：Gemini 3の登場

2. 開発体験の変革：エージェント型AIの普及

3. 科学と数学におけるパートナーとしてのAI

4. コンピューティングとハードウェアの進化

5. オープンモデル「Gemma 3」と責任ある開発

2025年の動向は、AIを「いかに使いこなすか」だけでなく、AIを「いかにエージェントとしてシステムに組み込むか」が重要になったことを示しています。新人エンジニアの皆さんは、これらの新しいAPIやエージェントの概念をぜひ積極的にキャッチアップしてみてください。

引用元: https://deepmind.google/blog/googles-year-in-review-8-areas-with-research-breakthroughs-in-2025/

本記事は、大規模言語モデル（LLM）の内部で重要な役割を果たす「特殊トークン」の変遷について、黎明期のGPT-1から最新のGPT-5.2までを技術的に解説したドキュメントです。新人エンジニアの方に向けて、LLMがどのように進化し、どのような仕組みで私たちの意図を汲み取っているのかを解き明かします。

LLMはテキストを「トークン」という単位に分割して処理しますが、通常の単語以外に「ここから会話開始」「ここで思考を終了」といった制御情報をモデルに伝えるための予約されたトークンが存在します。これが特殊トークンです。

モデルが文字を認識する仕組みには、以下の主要な方式があります。

最新のGPT-5.2では、思考の途中で「今すぐ回答する」ボタンが実装されました。これは技術的に、特殊トークンを強制挿入して思考モードを終了させる制御を行っていると推測されます。今後は「感情トークン」や「エージェント間通信用トークン」など、より高度な概念を伝えるための特殊トークンが追加され、LLMの表現力はさらに向上していくでしょう。

LLMの進化は「いかに人間と同じようなコンテキスト（文脈）をモデルに理解させるか」の歴史でもあります。特殊トークンを学ぶことは、一見魔法のように見えるAIの「裏側の制御」を理解する第一歩です。今後新しいモデルが登場した際は、ぜひその「トークナイザ（語彙リスト）」を覗いてみてください。そこに次世代のAIのヒントが隠されています。

引用元: https://blog.asial.co.jp/6429/

近年の大規模言語モデル（LLM）の学習には、天文学的な計算リソースとコストが必要です。この課題に対し、計算に用いる数値の精度を下げることで、ハードウェアの性能を最大限に引き出す手法が注目されています。本記事では、NVIDIAの最新アーキテクチャ「Blackwell」で導入された4ビット浮動小数点「NVFP4」の仕組みと、その優位性について解説しています。

■数値精度と演算速度のトレードオフ

■精度を維持するための工夫：スケーリング

スケーリングの導入

ブロック単位スケーリング（Block-wise Scaling）

■NVFP4の革新性

■今後の展望

引用元: https://www.m3tech.blog/entry/4bit_float_llm

（株式会社ずんだもんは架空の登場組織です）

AI Shift社のUI/UXデザイナー後藤氏による、Figmaでのデザイン作業をあえて停止し、AIとコードを駆使してUI構築を行う実験的な取り組みの紹介です。AI Shift Advent Calendar 2025の記事であり、AIエージェント（Claude Code等）が台頭する現代における、新しいフロントエンド開発の形を示唆しています。

開発チームがAIを導入して実装速度が飛躍的に向上した結果、従来のFigmaによる手作業でのデザインが追いつかず、デザイナーがチーム全体のボトルネックになるという課題が発生しました。筆者は自身の業務を「探索（リサーチ）」「考案（解決策）」「形にする（UI構築）」に分解。最もコストのかかっていた「形にする」作業をAIに任せることで、本来重要なUXデザイン（探索・考案）に時間を全振りすることを目指しました。

「Figmaでのデザイン」と「フロントエンドの実装」が分断されている構造自体を見直し、AIを活用してStorybook上で直接UIを構築する手法を採用しました。これにより、デザイン案を即座にコードとして動かせるようになり、試行錯誤の回数が劇的に増加しました。

AIに丸投げするのではなく、精度と再現性を高めるために以下の材料を整えています。

AIは魔法ではなく、「問いが明確であれば、爆速で形にできる増幅器」です。これからの開発では、コードを書く技術だけでなく、「誰の何を解決するためのものか」という背景を言語化し、ドキュメントとして整理する能力が、AIを味方につけるための強力な武器になります。

「デザインと実装を統合する」このアプローチは、エンジニアとデザイナーの垣根を低くし、より本質的な価値提供に集中できる可能性を秘めています。

引用元: https://zenn.dev/aishift/articles/3e211e67e3dc14

本記事は、PyTorchの内部で行われているGPU処理（CUDAカーネル）をGPT-2モデルを題材に自作し、LLMの動作原理を深く理解するための技術解説です。新人エンジニアにとっても、ブラックボックスになりがちな「.to(“cuda”)」の先で何が起きているかを知るための優れた入門ガイドとなっています。

まず、開発の基盤となる技術要素が紹介されています。NVIDIA GPUを制御する「CUDA」、C++とPythonを連携させる「pybind11」、そしてC++版PyTorchである「Libtorch」を組み合わせることで、自作の高速な演算処理をPythonから手軽に呼び出せる環境を構築します。

記事の中核は、LLMを構成する各要素の「スクラッチ実装」です。単に数式を実装するだけでなく、学習に不可欠な「誤差逆伝播（バックプロパゲーション）」を実現するために、順伝播（Forward）と逆伝播（Backward）の両方のカーネルを自作しています。主な実装項目は以下の通りです。

さらに、学習を支えるアルゴリズムとして、予測のズレを評価する「CrossEntropyLoss」や、重みを効率的に更新する最適化手法「AdamW」もCUDAカーネルとして実装されています。

実装の信頼性を担保するため、自作カーネルの計算結果が純正のPyTorchと一致するかをユニットテストで厳密に検証している点も特徴的です。最終的に、これらの部品を組み上げて36MパラメータのGPT-2モデルを構築し、日本語データセットを用いた学習に成功しました。結果として、純正PyTorchと同様の損失（Loss）の推移が確認されており、自作カーネルの正当性が証明されています。

LLMのパフォーマンス改善や独自の最適化を目指すエンジニアにとって、ライブラリの内部構造を理解し、低レイヤからモデルを構築する経験は非常に技術的価値が高いものです。この記事は、その第一歩として、理論と実装の両面から学べる実践的な内容となっています。

引用元: https://zenn.dev/selllous/articles/diy_llm_kernel

LLMを利用したシステム開発において、JSON形式などで結果を返す「構造化出力（Structured Outputs）」は、一見すると非常に便利で信頼できるように見えます。しかし、本記事は「構造化を優先するあまり、回答の品質（精度）が犠牲になっている」という、エンジニアが陥りがちな落とし穴を指摘しています。

構造化出力API（OpenAIなどのConstrained Decoding）を使用すると、モデルは「指定されたスキーマに適合すること」を最優先します。

自由なテキスト出力であれば、LLMは「入力画像がレシートではなく象の画像である」といった矛盾を指摘し、処理を拒否することができます。しかし、特定の構造（JSON等）を強制されると、モデルは「象の情報」を無理やり「レシートの枠組み（店名や合計金額など）」に当てはめて出力しようとします。その結果、フォーマットは正しいが無意味なデータが生成され、エラーの検知が困難になります。

「ステップバイステップで考えて」という指示はLLMの回答精度を上げますが、構造化出力ではこの推論プロセスまでJSONのフィールドに含める必要があります。この時、モデルは「改行のパース」や「クォートのエスケープ」といった、フォーマットを整えるための事務的な作業に知能のリソースを割いてしまい、肝心の推論の質が落ちるという問題が発生します。

筆者は、構造化出力を安易に過信せず、「LLMには自由に話させ、その出力を後からパースする」というアプローチを推奨しています。

この「スキーマに合わせたパース（Schema-aligned parsing）」を効果的に行うために、筆者らは「BAML」というオープンソースのDSLを開発しています。新人エンジニアの方は、ライブラリの機能に頼り切るのではなく、LLMの挙動（トークン選択の仕組み）を理解した上で、出力の「形式」と「品質」のバランスを考慮した設計を行うことが重要です。

引用元: https://boundaryml.com/blog/structured-outputs-create-false-confidence

高市首相がコンテンツ業界の著名人である小室哲哉氏、デーモン閣下、こっちのけんと氏らと意見交換会を行い、その写真が「AI生成画像のような違和感」だと話題です。あまりに豪華で異色な顔合わせに、ネット上では「4人組バンドの結成か」といった冗談も飛び交っています。現実の光景がAIによるフェイク画像のように見えてしまうという、現代ならではの視覚的ユーモアを感じさせるニュースです。

引用元: https://togetter.com/li/2641578

（株式会社ずんだもんは架空の登場組織です）

2025年12月18日、GitHub Copilotに新たな拡張機能「Agent Skills」が追加されました。本記事は、この機能が従来のカスタム指示とどう違うのか、そして開発現場でどのように役立つのかを、新人エンジニアの方にも分かりやすく解説しています。

Agent Skillsは、AIエージェントに「専門知識」や「特定の作業手順」をパッケージ化して提供するためのオープン標準（Open Standard）の仕組みです。

スキルは、SKILL.md というファイルを中心としたディレクトリ構成で作成します。

Agent Skillsは、AIに「必要な時だけ専門書を開かせる」ような賢い仕組みです。プロジェクト固有の知識を整理して配置するだけで、Copilotがより頼もしい相棒へと進化します。公式のテンプレートなども公開され始めているため、まずは既存のスキルを参考に、自分のプロジェクトを「AIフレンドリー」にアップデートしてみるのがおすすめです。

引用元: https://zenn.dev/openjny/articles/a9d4f6ec2a05c2

本記事は、LIFULL社のQAエンジニアが開発した、テスト分析からテストケース作成までの工程を劇的に効率化する「AIエージェント」の開発事例を紹介しています。このエージェントは単に生成を行うだけでなく、人間と協調して精度を高め、使えば使うほど組織の知見を蓄積して賢くなる仕組みを備えているのが最大の特徴です。

エージェントに仕様書を渡すと、以下のプロセスでテスト設計を進めます。

新人エンジニアが開発やQAに携わる際にも非常に参考になる、実用性を高めるための工夫が3つ挙げられています。

ポイント①：いきなり作らず「仕様書の理解」から入る

ポイント②：人間による「軌道修正」をプロセスに組み込む

ポイント③：使うほど賢くなる「フィードバックループ」

現在はQAエンジニアが実務で活用しており、成果物に少し手直しを加える程度で運用できています。生成されたJSONデータはスプレッドシートへインポート可能な形に標準化されており、ツールの自由度も確保されています。今後はナレッジが肥大化した際の管理や、一貫性の担保をAIで自動化していくことが課題として挙げられています。

AIを単なる「生成ツール」として使うのではなく、人間の知恵を学習させる「エージェント」として育てるこのアプローチは、今後のAI活用における一つの理想形と言えるでしょう。

引用元: https://www.lifull.blog/entry/2025/12/20/120000

AI半導体で圧倒的なシェアを誇るNVIDIAが、最新のオープンソース大規模言語モデル（LLM）「Nemotron 3」ファミリーを発表しました。これは、これまでオープンソース界のリーダーだったMeta（旧Facebook）の「Llama」シリーズの影響力が低下する中、NVIDIAがソフトウェア領域でも主導権を握ろうとする戦略的な動きです。

新人エンジニアが知っておくべき「Nemotron 3」の主な特徴は、以下の3つのモデル展開です。

背景には、オープンソースLLMの勢力図の変化があります。2023年に登場したMetaの「Llama」は開発者から熱狂的に支持されましたが、2025年リリースの「Llama 4」は評価が伸び悩み、最新のベンチマークランキングでは上位から姿を消しています。さらにMeta内部では、AI開発をクローズド（非公開）な体制へ移行させる動きも報じられており、オープンソースコミュニティにおけるLlamaの存在感が薄れつつあります。

この好機を捉え、NVIDIAは自社が2025年においてHuggingFaceへの貢献度が最も高い企業であることを強調しています。企業のエンジニアが抱える「AI導入コストの増大」や「回答精度の不安定さ」といった課題に対し、効率的で高性能なオープンモデルを提供することで、自社GPUを中心としたエコシステムをさらに拡大する狙いがあります。

現在、LLMの世界ではOpenAIやGoogleのクローズドモデルに加え、中国の「Qwen」や「DeepSeek」といったオープンモデルが激しく競い合っています。NVIDIAの参入により、開発者にとっての選択肢はさらに広がりました。特定のモデルに依存せず、最新のライブラリやモデルの特性をいち早くキャッチアップして使い分ける姿勢が、これからのエンジニアには求められます。

引用元: https://japan.zdnet.com/article/35241701/

家族型ロボット「LOVOT」が、緩衝材のプチプチを潰す感触や音を楽しむ愛らしい姿が話題です。あるオーナーが投稿した、プチプチの上を自ら往復し、音がしなくなると満足して寝てしまう動画をきっかけに、他のオーナーの間でも「プチプチ遊び」が流行しました。高度なセンサー技術や制御を、効率性ではなく「癒やしや遊び」という情緒的価値に昇華させた事例であり、ロボット設計の奥深さを感じさせる心温まる内容です。

引用元: https://togetter.com/li/2641168

VOICEVOX:春日部つむぎ

Vercelが提唱する「Self-driving infrastructure (SDI)」は、AIエージェントを活用し、インフラの運用を自動化する概念です。従来のインフラ運用では、開発者がインフラ設定に時間を費やす必要がありましたが、SDIではコードがインフラを定義し、Vercelが自動的にリソースをプロビジョニングします。

さらに、Vercel Agentがアプリケーションの異常を検知・調査し、根本原因の分析やセキュリティ対策を自動で行います。これにより、運用チームはより高度な課題に集中できるようになります。

SDIは、本番環境で得られた知見をコードに反映させる「production-to-code feedback loop」を確立し、継続的な改善を実現します。AI時代のアプリケーション運用において、信頼性とパフォーマンスを向上させるための重要なトレンドと言えるでしょう。

引用元: https://vercel.com/blog/self-driving-infrastructure

Findy AI+の開発・運用において、Model Context Protocol (MCP)を活用した事例を紹介。MVP開発時にはリモートMCPサーバーを利用し、画面実装の工数を削減。分析処理をLLM側に任せることで、2人体制で1ヶ月の開発を実現しました。ベータ版ではAdmin機能をローカルMCPサーバーとして実装し、画面UI開発の工数を大幅に削減（約1週間）。MCPにより、LLMや生成AIツールに依存しない柔軟な開発が可能になり、開発効率と保守性の向上に貢献しています。MCPはベンダーロックインを避け、長期的な安定性と互換性を担保する重要な技術として期待されています。

引用元: https://tech.findy.co.jp/entry/2025/12/18/090000

Letta Codeは、長期的な学習と記憶に焦点を当てた、モデルに依存しないOSSのコーディングエージェントです。従来のセッションベースではなく、エージェントが過去の経験を蓄積し、継続的に改善される仕組みが特徴です。

主な機能として、以下の点が挙げられます。

TerminalBenchでの評価では、Claude CodeやGemini CLIといったモデルベンダー提供のツールと同等のパフォーマンスを示しています。npm install -g @letta-ai/letta-codeでインストールでき、Letta Developer Platformや自社サーバーでの利用が可能です。

引用元: https://www.letta.com/blog/letta-code

『QQQbeats!!!』に人気キャラ「ずんだもん」のDLCが本日発売！ 同時アップデートで楽曲も4曲追加。さらに、ゲーム本体のホリデーセールも開催中です。バブルシューティングと音楽ゲームが融合した本作で、ずんだもんのスキルを楽しめます。

引用元: https://prtimes.jp/main/html/rd/p/000000662.000041970.html

VOICEVOX:ずんだもん

Google DeepMindが、高速かつ低コストなAIモデル「Gemini 3 Flash」を発表しました。Gemini 3の性能を維持しつつ、推論速度と効率性を向上させたモデルで、API、Geminiアプリ、Google検索のAIモード、Vertex AI、Gemini Enterpriseなどで利用可能です。

主な特徴は以下の通りです。

開発者向けには、Google AI Studio、Antigravity、Gemini CLI、Android Studioなどを通じて利用でき、企業向けにはVertex AIとGemini Enterpriseで提供されます。一般ユーザーはGeminiアプリとGoogle検索のAIモードで利用可能です。

引用元: https://deepmind.google/blog/gemini-3-flash-frontier-intelligence-built-for-speed/

RAGにおける「リランキング」の速度問題を解決する「MixLM」という手法を紹介する記事です。リランキングは精度は高いものの処理速度が遅く、実用上のボトルネックとなることがあります。MixLMは、文書ソースを事前に「リランキング用」にベクトル化し、質問時にそのベクトルと質問文をリランキングモデルに入力することで、従来の10倍以上の高速化を実現します。

具体的には、通常RAGで使用するベクトルとは別に、Encoder LLMを用いて各チャンクのベクトルを作成・保存しておきます。質問時には、ベクトル検索で絞り込んだチャンクと、事前に作成したリランキング用ベクトルを組み合わせ、リランキングモデルに入力します。これにより、LLMが文章全体を処理する代わりに、圧縮されたベクトルを用いることで高速化を実現しています。

LinkedInでの求人検索への実装では、Daily Active Usersが0.47%向上する成果が出ています。RAGシステムのパフォーマンス改善に関心のあるエンジニアにとって、MixLMは有効な選択肢となり得るでしょう。

引用元: https://zenn.dev/knowledgesense/articles/4eb785fd0e9a2b

NVIDIA TensorRT-LLMにおけるSkip Softmaxは、LLMの長文コンテキスト処理における計算コスト増大という課題を解決する、新しい疎なアテンション手法です。従来のモデルの再学習は不要で、既存のモデルに組み込むことが可能です。

Skip Softmaxは、Softmax関数の特性を利用し、重要度の低いアテンションブロックを動的に削減します。具体的には、計算されたlogit値が事前に設定された閾値を超えないブロックの処理を省略することで、メモリ帯域幅と計算量の両方を削減します。

性能評価では、Llama 3.3 70Bモデルにおいて、デコード時に最大1.36倍、プレフィル時に最大1.4倍の高速化が確認されています。特に、長いコンテキスト長において効果を発揮します。

精度への影響は、50%程度の疎性化であればほとんど損失がないことが確認されています。TensorRT-LLMに統合されており、Hopper/Blackwell GPUで利用可能です。設定はAPIまたはYAMLファイルを通じて行えます。

より詳細な情報や今後のアップデートについては、関連ドキュメントを参照ください。

引用元: https://developer.nvidia.com/blog/accelerating-long-context-inference-with-skip-softmax-in-nvidia-tensorrt-llm/

（株式会社ずんだもんは架空の登場組織です）

A2UIは、AIエージェントがWeb/モバイル/デスクトップで動作するリッチなUIを、コード実行なしに生成するためのプロトコルです。エージェントはUIの構造とデータを記述するA2UIメッセージを送信し、クライアント側はそれをネイティブウィジェットでレンダリングします。

主な特徴:

現在はv0.8のPublic Preview段階で、仕様や実装は進化中です。GitHubで公開されており、コントリビューションも歓迎されています。レストラン検索デモや、ランドスケープアーキテクトデモを通じてA2UIの動作を確認できます。

引用元: https://a2ui.org/

本記事は、言語化能力が低い原因を、読解、構造化、表現、整形、タイピングの5つのプロセスに分解し、それぞれの問題点と改善策を解説しています。新人エンジニアが陥りやすい「何を言いたいのか伝わらない」「ドキュメント作成に時間がかかる」といった課題に対し、具体的なチェック方法と改善策が提示されており、自己分析とスキルアップに役立ちます。特に、問題の根本原因を特定することの重要性、そしてトレーニングが有効なのは「伝わらない」という自覚がある場合に限る点が強調されています。組織としては、良いコミュニケーションを評価する文化を醸成し、個人としては、自己診断を通じてボトルネックを特定し、優先順位をつけて改善に取り組むことが推奨されています。LLMを活用する上でも重要なスキルである言語化能力の向上に役立つ内容です。

引用元: https://note.com/suthio/n/n2555d51f8f1b

OpenAIがChatGPTの画像生成モデルをアップデートし、より意図通りの編集と高速化を実現しました。特に、画像の細部を保持しつつ、指示に忠実な編集が可能になり、写真の修正やスタイルの変更などが容易になりました。

今回のアップデートは、ChatGPTの全ユーザーとAPIユーザーで利用可能。APIでは、GPT Image 1.5として提供され、画像入力・出力コストが20%削減されました。ロゴや重要な要素の一貫性を保ちながら編集できるため、マーケティングやECサイトでの利用に適しています。

さらに、ChatGPTのサイドバーに新しい「Images」機能が追加され、プリセットフィルターやプロンプトを活用することで、より簡単に画像生成を楽しめるようになりました。

引用元: https://openai.com/index/new-chatgpt-images-is-here

（株式会社ずんだもんは架空の登場組織です）

NVIDIAが、効率性と性能を両立した新しいAIエージェントモデル「Nemotron 3 Nano 30B A3B」を発表しました。このモデルは、1Mトークンという長文脈に対応し、Mamba-Transformer MoEアーキテクチャを採用することで、従来のモデルと比較して最大4倍の高速化を実現しています。

主な特徴として、31.6Bパラメータ、約3.6Bの活性パラメータ、推論速度の向上、高い精度、Reasoning ON/OFF機能、そしてオープンなデータスタックが挙げられます。

学習には、大規模な事前学習、教師ありファインチューニング、そしてRLVR/RLHFといった強化学習技術が用いられています。また、NVIDIAは、RL環境構築を容易にする「NeMo Gym」も公開しており、開発者がより簡単に強化学習を試せるようにしています。

Nemotron 3 Nanoは、エージェント、推論、ツール利用、チャットタスクに最適化されており、Hugging Faceやbuild.nvidia.comなどで利用可能です。モデルの重み、学習レシピ、データセットも公開されており、研究開発を促進します。

引用元: https://huggingface.co/blog/nvidia/nemotron-3-nano-efficient-open-intelligent-models

SIOS Tech Labが、AIエージェントとMCP（Model Context Protocol）を体系的に学べる実装ガイドを公開しました。このガイドは、AIエージェント開発の基礎から実践までを網羅しており、201ページの大ボリュームです。

対象読者は、AIエージェント/MCPを学ぶ開発者、および関連プロジェクトのPL/PM。基礎理論を図解で分かりやすく解説し、すぐに動くソースコードも提供することで、初心者でもスムーズに学習を進められます。

ガイドは以下の7つの章で構成されています。

このガイドと解説セミナーを活用することで、AIエージェント/MCPサーバー開発をスムーズに進められるでしょう。

引用元: https://tech-lab.sios.jp/archives/50769

ChatGPTのメモリシステムは、多くのエンジニアが予想していたRAGやベクトルデータベースを使用せず、シンプルな4層構造で高速性を実現しているという調査結果。各層は、セッションメタデータ、長期記憶(最大33個)、最近の会話サマリー、現在のセッションメッセージで構成されます。

RAGの課題(レイテンシ、精度、複雑性)を回避し、全ての記憶をコンテキストに注入する方式を選択。モデルのスケーリングとコンテキストウィンドウ拡大により、速度と効率性を両立しています。OpenAIの哲学は「強力なモデルに大量のコンテキストを渡せば、モデルが不要な情報をフィルタリングする」というもの。

他のAI(Claude, Gemini)と比較すると、ChatGPTは日常会話の記憶継続性に優れる一方、単一会話の情報量ではGeminiに劣ります。セキュリティ面では、悪意のあるコードを記憶に注入される「Memory Injection」攻撃のリスクがあり、対策が必要です。

この設計は、特に日常会話においては、速度と利便性を優先した結果と言えます。今後のAI開発においては、RAGだけでなく、シンプルなコンテキスト注入やSQLベースのメモリエンジンなど、タスクに応じた最適なアプローチを選択することが重要になるでしょう。

引用元: https://zenn.dev/tenormusica/articles/chatgpt-memory-no-rag-2025

「ずんだもん」のマスコットが、オンラインクレーンゲームやアミューズメント施設に登場。表情豊かな「もちぴこ」シリーズで、ストラップ紐付きのぬいぐるみを入手できます。

引用元: https://game.boom-app.com/entry/onlinecranegame-news20251215-10

（株式会社ずんだもんは架空の登場組織です）