株式会社ずんだもん技術室AI放送局

※youtube版は9/19まで試験配信中

このブログ記事は、NVIDIA NemotronとOpenRouterを活用し、自律的にレポートを生成するAIエージェントを構築するワークショップについて解説しています。従来のシステムと異なり、AIエージェントはLLM（大規模言語モデル）を「脳」として使い、状況に応じて自ら判断し、複雑なタスクをこなすことができます。新人エンジニアの皆さんも、最先端のAI開発に触れる良い機会となるでしょう。

ワークショップでは、AIエージェントの核心である以下の4つの要素を実践的に学びます。

学習環境はNVIDIA Brev Launchableというクラウドベースで提供され、OpenRouterおよびTavilyのAPIキーを設定するだけで、JupyterLab環境でハンズオン形式で学習を進められます。

構築するレポート生成エージェントは、LangGraphとNVIDIA NIM（OpenRouter経由）を基盤とした多段階のアーキテクチャを持ちます。このエージェントは以下のプロセスでレポートを自動作成します。

エージェントの中核には、NVIDIA NIMが提供する高性能なNemotron Nano 9B V2モデルが使われます。情報収集には、AIエージェント向けに最適化されたTavily検索APIを活用します。

ワークショップでは、特に重要な「リサーチャー」と「オーサー」というコンポーネントの実装を詳細に学びます。

これらのコンポーネントは、LangGraphフレームワークによって統合されます。LangGraphの持つ「条件付きルーティング」機能により、エージェントは複雑なワークフローの中で柔軟かつインテリジェントな意思決定を行い、各ステップを制御します。

このワークショップを通して、皆さんはAIエージェントの基礎から、LangGraphやNVIDIA NIMといった最新のツールを使った実践的な構築スキルまでを習得し、自律的なAIシステムの開発能力を高めることができるでしょう。

引用元: https://developer.nvidia.com/blog/build-a-report-generator-ai-agent-with-nvidia-nemotron-on-openrouter/

皆さん、こんにちは！今回は、AIの世界で大きな注目を集めるLLM（大規模言語モデル）に関する新しい発表をご紹介します。中国のAlibabaとNVIDIAが共同で、新しいオープンソースのLLM「Qwen3-Next」モデルを発表しました。このモデルは、AIの性能と効率を大きく向上させる「ハイブリッドMoE（Mixture of Experts）アーキテクチャ」という画期的な技術を取り入れているのが特徴です。

MoEとは、「専門家を組み合わせたモデル」という意味で、簡単に言えば、たくさんのAIの「専門家」の中から、処理する内容に合った「専門家」だけを選んで使う仕組みです。Qwen3-Nextモデルは全体で800億ものパラメータ（AIの知識量を示す数値）を持っていますが、実際に一つの処理に使われるのはわずか30億パラメータだけ。これは、たくさんの知識を持った大規模モデルの「賢さ」と、少ないリソースで動く小規模モデルの「効率性」を両立できるという、とても賢い方法なんです。例えるなら、一つの質問に対して、その分野のプロフェッショナルだけがサッと答えてくれるようなイメージですね。

このモデルは、26万トークンという非常に長いテキストもスムーズに処理できる能力も持っています。これはNVIDIAが開発した「Gated Delta Networks」という技術によって実現されており、長文を読む際に重要な情報を見落とすことなく、効率的に内容を理解することができます。まるで、分厚い専門書でも途中で飽きずに、必要な情報をピンポイントで見つけられるAIのようなものです。

また、NVIDIAの最新GPU（BlackwellやHopper世代）でQwen3-Nextモデルを動かすと、その性能を最大限に引き出すことができます。特にGPU間でデータを高速にやり取りする「NVLink」という技術は、MoEモデルが複数の専門家に処理を振り分ける際の速度を大幅に向上させ、より速い推論を可能にします。NVIDIAのCUDAという開発プラットフォームも、このような新しい複雑なモデルアーキテクチャに柔軟に対応し、最適化された動作をサポートしています。

このQwen3-Nextモデルは、NVIDIAのウェブサイト（build.nvidia.com）でその推論能力を試せるほか、オープンソースのモデルが多数公開されているHugging Faceからもダウンロードできます。さらに、SGLangやvLLMといった推論用のオープンソースフレームワーク、そしてNVIDIAが提供するエンタープライズ向けのサービス「NVIDIA NIM」を使っても、簡単にモデルを展開して利用できます。

この新しいオープンソースLLMの登場は、AI開発の未来にとって大きな前進です。効率的で高性能なAIモデルがより多くのエンジニアに利用されることで、様々な新しいAIアプリケーションが生まれ、技術革新が加速することが期待されます。新人エンジニアの皆さんも、ぜひこの新しい技術に触れて、AIの最前線を体験してみてください。

引用元: https://developer.nvidia.com/blog/new-open-source-qwen3-next-models-preview-hybrid-moe-architecture-delivering-improved-accuracy-and-accelerated-parallel-processing-across-nvidia-platform/

Visual Studio Code（VS Code）の2025年8月アップデート（バージョン1.104）で、AI活用の機能が大幅に強化されました。特に、LLM（大規模言語モデル）との連携が深まり、日々の開発作業が大きく進化する注目ポイントが満載です。

まず大きな進化は、VS Codeのチャット機能で使える言語モデルの選択肢が大きく広がったことです。「Language Model Chat Provider API」の完成により、Hugging Faceなどの外部サービスが提供する多様なオープンモデルを、VS Codeの拡張機能を通じて利用可能になりました。これにより、皆さんのプロジェクトや用途に合わせ、最新かつ最適なAIモデルを柔軟に選び、活用できるようになります。現時点ではGitHub Copilotの個人プランユーザーが主な対象ですが、AI活用の幅が広がるのは間違いありません。

次に注目すべきは、AIモデルの「自動選択機能（Autoモード）」の導入です。チャットで「Auto」を選ぶと、VS Codeがその時々に最適なモデルを自動で選び、処理してくれます。これにより、どのモデルを使えばいいか迷う必要がなくなり、利用制限（レート制限）を気にせず効率的にAIを活用できるようになります。有料プランのユーザーにはリクエスト割引も適用される予定です。

チームでのAIエージェント活用を助ける「AGENTS.md」への対応も始まりました。これは、プロジェクト特有のルールや文脈をAIエージェントに教えるためのファイルです。これをワークスペースに置いておけば、AIエージェントがプロジェクトの状況を深く理解し、より的確なサポートをしてくれるため、チームでのAI活用がスムーズになるでしょう。

AIエージェントが皆さんの大切なコードを誤って変更しないように、セキュリティ面も強化されました。重要なファイルを編集する前には、エージェントがユーザーに確認を求めるようになり、安心してAIに作業を任せられるようになります。

これらのAI関連機能の他にも、開発の効率を上げる多くの改善が盛り込まれています。例えば、コーディングエージェントへのタスク委任が「TODO」コメントから直接行えるようになったり、ターミナルでのコマンド実行時に自動承認ルールを設定できるようになるなど、細かいながらも日々の作業を快適にするアップデートが満載です。また、チャットでのファイルリスト表示が折りたたまれるようになり、チャットスペースが広がるなど、使い勝手も向上しています。

今回のVS Codeのアップデートは、AIが開発の強力なパートナーとなる未来をさらに加速させてくれます。ぜひ、新しい機能を試して、よりスマートで生産的な開発体験を実感してみてください。

引用元: https://gihyo.jp/article/2025/09/vscode-updates-august-2025

AIで会議議事録を作成した新人が、内容を理解していなかったという創作話が話題です。AIは業務効率化に役立つ反面、ツールに任せきりでは「業務の本質的な理解」が失われがち。議事録作成の真の目的は情報共有と理解促進。AIを活用する際は、自身で内容を確認し、仕事の意図を把握することが重要です。また、先輩側も新人に業務の目的を明確に伝える必要性が指摘されています。

引用元: https://togetter.com/li/2603058

（株式会社ずんだもんは架空の登場組織です）

※youtube版は9/19まで試験配信中

AI技術の進化、特にAIエージェントの登場は、私たちに新しい利便性をもたらしますが、同時に「AIアプリケーションへの攻撃」という新たなセキュリティ課題も生み出しています。NVIDIAが提唱する「AI Kill Chain」フレームワークは、従来のサイバー攻撃モデルでは捉えきれない、これらのAI特有の攻撃を段階的に理解し、効果的な防御策を講じるための羅針盤です。新人エンジニアの皆さんも、このフレームワークを学ぶことで、将来AI関連プロジェクトに携わる際に、セキュリティの重要性をより深く認識できるはずです。

このフレームワークは、AIアプリケーションへの攻撃が以下の5つの主要な段階で進行すると考えます。

さらに、自律性の高いAIエージェント（Agentic System）においては、攻撃者は「Iterate/Pivot（反復/展開）」というループを利用して、一度の乗っ取りから攻撃を拡大していきます。これは、乗っ取ったモデルを通じて新たなデータソースを汚染したり、エージェントの目標を書き換えたりすることで、攻撃の影響範囲を広げる手法です。

NVIDIAはこのフレームワークを基に、RAG（Retrieval-Augmented Generation）アプリケーションでの具体的な攻撃と対策の例も示しており、セキュリティ対策を実践するための指針を提供しています。AIを活用したシステムを安全に運用するためには、こうした攻撃の全体像を理解し、多層的な防御を構築することが不可欠です。

引用元: https://developer.nvidia.com/blog/modeling-attacks-on-ai-powered-apps-with-the-ai-kill-chain-framework/

この記事は、LLM（大規模言語モデル）ベースの「コーディングエージェント」を、特定の分野や企業独自のコードに効率よく適応させる方法について、LangChainチームが行った実験と学びを共有しています。

LLMは一般的なライブラリのコード生成は得意ですが、カスタムライブラリや社内APIなど、特定のドメインでは苦手とします。そこで彼らは、自社ライブラリ（LangGraph, LangChain）に特化したコードをLLMがうまく生成できるよう、様々なアプローチを試みました。

彼らの実験から得られた最大の発見は、「要点がまとまった質の高い情報」と「必要に応じて詳細な情報にアクセスできるツール」を組み合わせることで、最も優れた結果が得られるということです。

具体的には、標準のClaude Codeに、ドキュメントアクセスツール「MCPDocサーバー」を追加した場合、「Claude.md」というガイドファイルだけを追加した場合、そしてこれら両方を組み合わせた場合の4つの設定を比較しました。Claude.mdは、特定のライブラリに特化し、よくある間違いやベストプラクティス、コーディング標準、サンプルコードなどを凝縮したものです。

評価は機能性だけでなく、コードの品質や設計も重視されました。

結果として特に注目すべきは、Claude.mdのような要約されたガイドが、生ドキュメントへのアクセスツール単体よりも優れた性能を示したことです。LLMは、大量の生ドキュメントを渡されても、そこから必要な情報を効率的に見つけ出すのが苦手な傾向があることが分かりました。Claude.mdに書かれた「避けるべき落とし穴」や「守るべき原則」が、LLMがより深くライブラリを理解し、質の高いコードを書く手助けになったのです。

そして、最高のパフォーマンスを発揮したのは、Claude.mdで基本的な知識と方向性を提供し、さらにMCPDocサーバーで詳細なドキュメントを参照できる、両方を組み合わせた設定でした。

この結果は、AIコーディングエージェントを活用する上で、私たちエンジニアに重要なヒントを与えてくれます。新人エンジニアの皆さんも、ぜひ以下の点を意識してみてください。

引用元: https://blog.langchain.com/how-to-turn-claude-code-into-a-domain-specific-coding-agent/

要約:

新人エンジニアの皆さん、こんにちは！

「MCPレジストリ」は、MCPコミュニティが公式に提供する、信頼できるMCPサーバーのリストです。例えるなら、皆さんがスマートフォンアプリを探すときに使うアプリストアのようなもので、数多くのMCPサーバーの中から「これは信頼できる！」と認定されたものだけが集められています。これにより、AIエージェントを開発するエンジニアが、安心して利用できるMCPサーバーを見つけたり、自分が開発したMCPサーバーを広く公開したりすることが、ずっと簡単になります。

このレジストリの目的は、MCPサーバーの配布と発見のプロセスを「標準化」すること。つまり、誰でも同じルールでサーバーを探したり、登録したりできるようにすることで、MCPエコシステム全体の健全な発展を促す狙いがあります。開発は、MCPを開発したAnthropicのメンバーをはじめ、多くの企業が参加するMCPコミュニティによって進められました。

「MCPレジストリ」の重要なポイントは、その信頼性と透明性です。レジストリワーキンググループが管理しており、万が一、スパムや悪意のあるコードを含むサーバー、正規のサービスを装ったなりすましサーバーが見つかった場合でも、コミュニティメンバーからの報告に基づいて、すぐにブラックリストに登録し、公開リストから削除できる仕組みが整っています。これにより、利用者は常に安全なサーバーを選べるようになっています。

また、このレジストリはGitHub上でオープンに公開されており、OpenAPI仕様に準拠しています。この「オープン性」が大きな特徴で、企業や組織は、公開されているMCPレジストリのデータを活用して、独自の基準に基づいた「プライベートなサブレジストリ」を構築できます。例えば、社内で利用するMCPサーバーだけをリストアップしたり、特定のセキュリティ基準を満たすサーバーだけを表示したり、といった柔軟な使い方が可能になります。

実際に自分のMCPサーバーを登録したり、レジストリのデータにアクセスしたりする方法は、GitHub上のガイドで詳しく説明されていますので、興味がある方はぜひ確認してみてください。

一点注意が必要なのは、現在公開されているのはあくまで「プレビュー版」であるという点です。これは、一般公開に向けてユーザーの皆さんのフィードバックを募り、より良いものにしていくための段階です。そのため、データの耐久性や互換性に関する保証はまだなく、今後、互換性のない変更が行われる可能性もあります。本格的な運用を始める前に、この点を理解しておくことが大切です。

このMCPレジストリは、AIエージェント技術の発展において、基盤となる重要なインフラの一つです。将来、皆さんがAIエージェント開発に携わる際、このレジストリが大きな助けとなることでしょう。

引用元: https://gihyo.jp/article/2025/09/mcp-registry-preview

人気キャラクター「ずんだもん」の新作プライズ「ぬいぷりけおすわり」ぬいぐるみが、2025年9月12日(金)より全国のアミューズメント施設やオンラインクレーンゲームに登場します。約15cmのおすわりポーズで、「笑顔」と「照れ顔」の2種類がラインナップ。顔と前髪がアップリケ刺繍で可愛らしく表現されており、ボールチェーン付きでお出かけにもぴったりです。日々の癒しに、ぜひゲットを検討してみてはいかがでしょうか。

引用元: https://game.boom-app.com/entry/onlinecranegame-news20250911-11

VOICEVOX:ずんだもん

※youtube版は9/19まで試験配信中

AIエージェントの開発や運用は、従来のシステム開発とは異なる難しさがあります。この記事では、LayerX社がAIエージェント開発で直面した3つの課題と、それらを「Langfuse」というツールを使ってどう解決したかを紹介しています。

まず、課題として挙げられたのは以下の3点です。

これらの課題を解決するため、LayerX社は「Langfuse」というLLMOpsツールを導入しました。このツールは、プロンプトの管理、実験による性能評価、そしてAIの動きを詳しく見れる（可観測性）機能が充実しており、自分たちのサーバーで運用できる点も決め手になったそうです。

Langfuseを導入したことで、具体的な解決策は以下の通りです。

今後の課題としては、人間の判断が必要な「文章の自然さ」や「メッセージの適切さ」といった定性的な評価も、Langfuseの「LLM as a Judge」のような機能を使って自動化していくこと、そしてログとAIの動きのトレースを一元的に見られるようにしていくことなどが挙げられています。

AIエージェント開発は新しい分野ですが、Langfuseのようなツールを活用することで、より安定した開発・運用サイクルを築き、お客様に価値を提供し続けていくLayerX社の取り組みは、私たち新人エンジニアにとっても大変参考になりますね。

引用元: https://tech.layerx.co.jp/entry/stable-ai-agent-dev-with-langfuse

「NVIDIA Rubin CPX」は、まるで人間の会話のように長い文章を理解し、複雑な処理を行うAI、特に大規模言語モデル（LLM）の推論性能と効率を大幅に高めるための新しいGPU（グラフィック処理装置）です。新人エンジニアの皆さんがAI開発に携わる際、AIが大量の情報を素早く、効率よく処理できるかどうかは非常に重要ですよね。

最近のAIモデルは、まるで人間の脳のように、一度に大量の情報を記憶し、複雑な推論を何ステップもかけて行えるようになってきました。例えば、数百万行のコード全体を理解して的確なアドバイスをくれるコーディングアシスタントや、長い動画の内容を一貫性をもって生成するAIなど、私たちの想像を超える能力を発揮し始めています。しかし、このような「100万トークン（AIが情報を処理する最小単位、単語や文字の塊のようなもの）以上」といった膨大な情報（コンテキスト、AIが状況を理解するために与えられる情報）を扱うには、これまでのコンピューターでは限界がありました。

そこでNVIDIAは、AIの推論処理を「コンテキストフェーズ（入力された情報を分析する段階）」と「生成フェーズ（分析結果に基づいて答えを出す段階）」の2つに分け、それぞれに特化した処理を行う「分離型推論（Disaggregated Inference）」という新しい考え方を提案しています。Rubin CPXはこのうち、特に大量の情報を高速に処理する「コンテキストフェーズ」に特化して設計されました。これにより、AIがより深く、より長い文脈を理解できるようになり、全体の処理速度が飛躍的に向上します。

Rubin CPX GPUは、NVFP4という新しい計算形式で30 PetaFLOPsもの高性能な演算能力を持ち、大容量のGDDR7メモリを搭載しています。これにより、既存のGPUと比較して、特にAIが文脈を理解する上で重要な「アテンション（注目）処理」を約3倍も高速化できます。さらに、NVIDIA Vera CPUとRubin GPUと組み合わせた「Vera Rubin NVL144 CPXラック」という統合システムでは、驚異的な計算能力とメモリ帯域幅を提供し、大規模なAIワークロードのコストを大幅に削減し、投資対効果（ROI）を最大化します。

この新しい技術は、NVIDIAの提唱する「SMARTフレームワーク」に基づき、ハードウェアとソフトウェア（NVIDIA Dynamoなど）が一体となって最高のパフォーマンスを引き出すことを目指しています。Rubin CPXの登場は、ソフトウェア開発や動画生成といった、より高度で複雑なAIアプリケーション開発の可能性を大きく広げることでしょう。これからのAI時代を担う皆さんにとって、NVIDIAの動向は要チェックです！

引用元: https://developer.nvidia.com/blog/nvidia-rubin-cpx-accelerates-inference-performance-and-efficiency-for-1m-token-context-workloads/

こんにちは！新人エンジニアの皆さんも、最近よく聞く「RAG（Retrieval Augmented Generation）」という技術をご存知でしょうか？RAGは、LLM（大規模言語モデル）が、特定の知識ベース（ドキュメントなど）を参照して、より正確な回答を生成するための技術です。今回は、このRAGの新しいアプローチとして注目されている「PageIndex」という手法について、分かりやすく解説します。

従来のRAGでは、多くのドキュメントを「ベクトルデータベース（ベクトルDB）」というものに保存し、質問と意味的に似ている情報を検索してLLMに渡していました。しかし、この方法だと、ドキュメントを細かく区切った「チャンク」と呼ばれる単位で処理するため、文脈（前後のつながり）が失われやすかったり、意味は似ていても質問の意図とは違う情報を取ってきてしまったりすることが課題でした。特に、契約書や金融レポートのような専門用語が多く、複雑な文脈を持つ文書では、この課題が顕著になります。

そこで登場したのが、今回紹介する「PageIndex」です。PageIndexは、なんと「ベクトルDBを使わない」RAG手法なんです。

この手法のキモは、ドキュメントをまるで「目次」のように、階層的なツリー構造に変換することにあります。LLMは、この目次のようなツリー構造を辿りながら、ユーザーの質問に関連する情報を探し出します。人間が本を読むときに、まず目次を見て、そこから関連する章や節を探していくのに似ていますよね。これにより、LLMは文書全体の構造や文脈を理解した上で、必要な情報を見つけ出すことができるようになります。

具体的な手順はシンプルです。

このPageIndexは、金融レポートの分析に関する質問応答ベンチマーク「FinanceBench」で98.7%という高い正解率を達成しており、その有効性が示されています。また、LLMがどのような経路で情報を探し出したかが明確になるため、検索の透明性が高いというメリットもあります。

ただし、いくつかの限界も存在します。現時点では、複数のドキュメントをまとめて扱うのが苦手だったり（将来的には対応予定）、質問から回答までの時間が従来のRAGよりも長くなる傾向があります。また、元のドキュメントがある程度きれいに構造化されている必要もあります。

これらの特性から、PageIndexが特に役立つのは、「1つの、非常に長く複雑なドキュメント（例えば、膨大なページ数のPDFのマニュアルやレポート）から正確な情報を引き出したい」といった場面です。法務や財務といった、文脈の理解が非常に重要な分野で特に力を発揮するでしょう。

RAGには様々なアプローチがありますが、PageIndexはその中でもユニークで強力な選択肢の一つです。皆さんがRAGシステムを構築する際には、このPageIndexのような新しい手法も視野に入れて、最適な方法を選んでみてくださいね。

引用元: https://zenn.dev/knowledgesense/articles/2895f9adc8d802

人気アニメ「邪神ちゃんドロップキック」のファンイベント「邪神ちゃんフェス3」が、9月13日(土)に錦糸町のすみだ産業会館で開催されます！今回は「学園祭」がテーマで、キャストによるステージや限定グッズが当たるゲーム、同人誌即売会など盛りだくさん。さらに、我々エンジニアにもお馴染みの「ずんだもん」とのコラボカフェも同時開催されるので、ファンの方もそうでない方も楽しめること間違いなしです！入場無料のゾーンもありますよ。

引用元: https://prtimes.jp/main/html/rd/p/000000545.000022823.html

（株式会社ずんだもんは架空の登場組織です）

新人エンジニアの皆さん、こんにちは！今回は、OpenAIの最新AIモデル、特にまだ未公開の「GPT-5」が、オンラインの安全を守るためにどのように活用されているかをご紹介します。

「SafetyKit」という会社は、オンラインマーケットプレイスや決済サービス、金融テック企業（フィンテック）が抱える、詐欺や規約違反といった問題に対処するAIエージェントを開発しています。彼らのAIは、テキストだけでなく画像や取引データなど、さまざまな種類の情報（マルチモーダル）を分析し、人間では見逃しやすいような複雑なルール違反（例えば、詐欺画像に隠された電話番号や地域ごとの特別な規制など）を検出します。これにより、ユーザーは安心してサービスを使え、企業は法規制違反のリスクを減らせるだけでなく、人間が不快に感じるようなコンテンツのチェック作業から解放され、より高度な判断業務に集中できるようになります。

SafetyKitは、OpenAIの強力なAIモデルを、タスクの特性に合わせて賢く使い分けています。

特に、グレーゾーンで判断が難しい場面ではGPT-5の能力が光ります。例えば、ある商品が特定の地域で販売される際に、法律で定められた注意書きが必要かどうかを判断する場合、GPT-5はポリシーの細かなニュアンスを理解し、記載内容が適切かを精密に評価します。これにより、従来のシンプルなルールでは見分けられないような、複雑で微妙な判断も正確に行えるようになりました。

SafetyKitは、OpenAIが新しいAIモデルをリリースすると、すぐにその性能を検証し、効果があれば自社のシステムに迅速に導入しています。このスピード感が、常に進化する詐欺の手口やリスクに対応し続ける原動力となっています。実際に、彼らが処理するデータ量は短期間で大幅に増加しており、支払リスク、詐欺、不適切なコンテンツ対策など、さまざまな分野でその適用範囲を広げています。

このように、SafetyKitはOpenAIの最先端AI技術を巧みに組み合わせることで、私たちのデジタル生活をより安全で信頼できるものにしています。AIエージェントが、複雑なオンライン環境における「目に見えない守り手」として活躍する、先進的な事例と言えるでしょう。

引用元: https://openai.com/index/safetykit

この記事では、AIエージェントが最新のAI情報を集め、自動でプレゼンテーション資料を作成するPoC（概念実証）について、具体的な実装を通して解説しています。Pythonを使って、LangChain、LangGraph、LangSmithといった主要なAI開発ツールを組み合わせた事例で、新人エンジニアの方でもAIエージェント開発の全体像と各ツールの役割を理解しやすい内容です。

資料作成の自動化フローは、以下のステップで構成されます。

このPoCで使われている主要なツールは以下の通りです。

この記事は、これらのツールを連携させることで、AIが自律的に情報を収集し、高品質な資料を自動生成する仕組みを実践的に示しています。特にLangGraphとLangSmithは、複雑なAIエージェントのワークフローを設計し、その挙動を可視化・デバッグする上で非常に強力なツールであることが強調されており、AIエージェント開発に興味がある新人エンジニアにとって、実践的な学びが多い記事と言えるでしょう。

引用元: https://zenn.dev/microsoft/articles/create_doc_by_aiagent

LangChainは、AIエージェント開発をより堅牢で実用的なものにするため、バージョン1.0で「Agent Middleware」という新しい仕組みを導入します。これは、従来のAIエージェントフレームワークが抱えていた、本番環境での信頼性や柔軟性の課題を解決するための重要な改善点です。

これまでのエージェントは、AIモデル、プロンプト、利用するツールの組み合わせで構成され、ユーザーの入力に対してツールを呼び出し、状態を更新しながら目的を達成するというシンプルなループで動作していました。しかし、複雑なタスクや実際のビジネスシーンで利用する際には、AIモデルに入力する情報（コンテキスト）を細かく制御する「コンテキストエンジニアリング」が難しく、エージェントの動作が不安定になったり、期待通りの結果が得られにくかったりするという問題がありました。その結果、多くの開発者は、フレームワークが提供する抽象化では物足りず、独自のコードでエージェントを実装することが多かったのです。

LangChainはこれまでも、このような課題に対応するため、動的にプロンプトを生成したり、モデル呼び出しの前後に処理を挟む「フック」機能を追加したりと、改善を重ねてきました。しかし、これらの機能は多くの個別のパラメータとして提供され、設定が複雑になる上、互いに依存関係があるために管理が難しくなっていました。

そこでLangChain 1.0では、Webサーバーで一般的に使われるミドルウェアの考え方を取り入れました。エージェントの核となる「モデル呼び出し」や「ツール実行」の前後や途中に、開発者が独自の処理を簡単に差し込めるようにするものです。具体的には以下の3つのポイントでエージェントの振る舞いをカスタマイズできます。

複数のMiddlewareを組み合わせて使うことで、例えば、会話履歴が長くなりすぎたら自動で要約する「Summarization」や、重要なツールの実行前に人間の確認を挟む「Human-in-the-loop」といった高度な機能を、モジュール化された形で簡単にエージェントに組み込めるようになります。これにより、エージェントのロジックが整理され、開発者はより信頼性が高く、柔軟で再利用しやすいAIエージェントを構築できるようになるでしょう。LangChainは、すぐに使えるMiddlewareを提供し、コミュニティでの共有も促進していく方針です。

引用元: https://blog.langchain.com/agent-middleware/

ゲーム開発で先手・後手をランダムに決めたら10回連続で後手になり、原因を調べたら本当に連続で引いただけだった、という「あるある」エピソードです。プログラムの「乱数」は実は「擬似乱数」で、統計的には偏りがないはずでも、短い試行では連続する事も。ユーザーが不公平だと感じないよう、ゲームでは意図的に偏りを調整し「人間が感じるランダム」にする工夫が重要だと学ぶ、面白く奥深い話題です。

引用元: https://togetter.com/li/2600325

（株式会社ずんだもんは架空の登場組織です）

AI Agent（AIエージェント）が賢く動くためには、まるで人間が経験や知識を記憶するように、「メモリ」や「ナレッジ」（知識）を持つことが非常に大切です。特に、社内ルールのように時間とともに変化する情報を扱うのは難しい課題でした。この記事では、この課題を解決する「Temporal Knowledge Graph（TKG）」（時間知識グラフ）という最新技術と、その具体的な応用事例について、新人エンジニアにも分かりやすく解説されています。

まず「Knowledge Graph（KG）」（知識グラフ）とは、情報（エンティティ）とその関係性をグラフの形で整理する技術です。これにより、データから複雑な関連性を直感的に理解しやすくなります。最近では、LLM（大規模言語モデル）の進化により、大量の文書から知識グラフを簡単に構築できるようになりました。KGは、単純な事実検索よりも、複数の概念が絡む複雑な推論や深い文脈理解が必要なタスクで特に威力を発揮します。

しかし、従来のKGは時間の変化に対応できません。そこで登場するのが「Temporal Knowledge Graph」（TKG）です。TKGは、情報に「いつ」という時間軸の概念を加えることで、時間とともに変化する情報や動的な変更を扱えるようにした知識グラフです。これにより、AI Agentは新しい情報やユーザーとのやり取りを通じて自律的に学習し、行動を改善していくサイクルを構築できるようになります。

TKGの代表的なフレームワークの一つに「Graphiti」（Zep）があります。Graphitiは、生の入力データ（エピソードサブグラフ）、そこから抽出されたエンティティと関係性（セマンティックエンティティサブグラフ）、さらに高レベルな概念の要約（コミュニティサブグラフ）という3層構造で情報を管理します。LayerXでは、このTKGを活用し、時間変化する申請ルールに対応するAI Agentの概念実証（PoC）を進めています。例えば、自然言語でルール変更を取り込んだり、人間の差し戻しコメントから学習してレビュー精度を高めたり、社内規定の曖昧な部分をAI Agentが自律的に発見・補完するといった、現実世界の課題を解決する機能が検討されています。

TKGを実際に構築する上でのノウハウも共有されています。特に日本語文書からグラフを構築する際は、長い文章を細かく分ける「チャンク化」や、日本語特有の「主語の省略」への対応が重要です。LLMへのプロンプトで、主語を明確にするよう具体的に指示を出す工夫が紹介されています。また、大量のデータを効率的に取り込むための「一括挿入」機能や、テナントごとに情報を分離する「group_id」の活用もポイントです。

構築したTKGやAI Agentの性能を評価することも非常に重要で、グラフの品質指標や、RAG（Retrieval-Augmented Generation）の評価フレームワークである「Ragas」を活用する方法が紹介されています。Temporal Knowledge Graphは、時間変化する動的なナレッジをAI Agentに与えるための強力な基盤であり、今後のサービス開発において競争優位性を生み出す重要な技術として期待されています。

引用元: https://tech.layerx.co.jp/entry/tkg-agent

エムスリーのエンジニアチームでは、開発プロセスにAIコードレビューを導入し、効率とコード品質の向上を目指しています。AIは、変数名のタイポや文法ミス、冗長なコード、セキュリティの脆弱性などを自動で指摘してくれるため、エンジニアはより本質的なロジックや設計といった、考える必要があるレビューに集中できるようになりました。

しかし、AIコードレビューには課題もありました。一般的な指摘は得意ですが、チーム固有の「文脈」や「暗黙知」を理解できない点です。例えば、「プロジェクト全体の設計思想に合っているか」「共通関数を使っているか」「ファイルの置き場所はルールに沿っているか」といった、チームで培われた細かなルールや知見は、AIには判断できませんでした。また、AIに与える指示（プロンプト）の更新も滞りがちで、最新のチームの知見が反映されにくいという問題も抱えていました。

この課題を解決するため、チームは「AIレビュアー育成コマンド」を開発しました。これは、過去に人間が行ったレビューの内容をAIに学習させ、AIのコードレビュー用プロンプトを自動で更新する仕組みです。このコマンドはClaude Codeで利用でき、以下のステップで動作します。

実装の工夫としては、AIが一度に多くの情報を処理しきれない問題を避けるため、特定の役割を持たせた「サブエージェント」を活用しています。また、AIが勝手に「ありそうなレビュー観点」を想像してしまうことを防ぐため、「実際に誰がどんなコメントをしたか」をAIに明示的に伝えることで、より実践的なレビュー観点を抽出できるように工夫されています。

このコマンドの導入により、プロンプトの更新作業が非常に楽になり、チームの知見を継続的にAIに反映できるようになりました。今後は、「LGTM（了解）」のような不要なコメントの抽出を改善し、最終的にはコマンドの自動実行によって、AIが自律的にチームの文脈を学び、自己成長する「AIレビュアー」を実現することを目指しています。これにより、レビューにかかるコストを削減し、チーム全体の開発体験を向上させることが目標です。

引用元: https://www.m3tech.blog/entry/2025/09/06/110000

この記事は、Macユーザーが自分のパソコンでLLM（大規模言語モデル）を動かす方法と、その魅力や注意点について解説しています。著者はLLMに少し懐疑的ながらも、新しい技術に触れる面白さからローカル環境での利用を推奨しています。

なぜローカルでLLMを動かすのでしょうか？クラウドサービスでも使えますが、ローカル環境にはいくつかの大きなメリットがあります。

macOSでローカルLLMを動かす方法は主に二つ紹介されています。

モデルを選ぶ際には、いくつかのポイントがあります。

ローカルLLMは、最新のクラウドLLMほどの性能や速度はないかもしれませんが、その仕組みを理解し、活用するための良い学習の場となります。会話が長くなるとLLMが前の内容を忘れてしまうことがあるので、要約を頼むなどして、大事な情報を覚えてもらう工夫も紹介されています。

自分のMacで「パーソナルなAIアシスタント」を動かす楽しさをぜひ体験してみてください。

引用元: https://blog.6nok.org/experimenting-with-local-llms-on-macos/

「褐色エジプト猫耳ロリ」という、特定の作品に由来しない共通のキャラクターイメージがなぜ広まっているのか、その起源が話題になっています。多くの人がスマホゲーム「パズドラ」の「バステト」を有力な元ネタとして挙げました。ソシャゲは日々プレイされるため、アニメや漫画よりもイメージ形成に大きな影響を与える可能性や、エジプト文化への関心など、複合的な要因で共通イメージが作られている面白さが議論されました。

引用元: https://togetter.com/li/2600143

（株式会社ずんだもんは架空の登場組織です）

この資料は、AIエージェントの基本的な考え方から、AWSの「Amazon Bedrock AgentCore」を使った具体的な実装方法までを体系的に解説しています。AIエージェントがどういうものか、なぜ今注目されているのか、その技術的な背景から実践的な内容まで、新人エンジニアの方にも分かりやすく説明されています。

まず、AIエージェントとは、大規模言語モデル（LLM）がまるで人間のように、自分で考えて行動し、目標を達成する仕組みのことです。従来のシステムが決められた手順を実行するのに対し、AIエージェントは状況に応じて最適な判断を下し、必要なタスクを自律的に進めることができます。

このAIエージェントが実現できた背景には、LLMの「論理的に考える力（推論能力）」の大きな進化があります。「Chain-of-Thought（CoT）」という技術では、「ステップバイステップで考えよう」と指示するだけで、LLMが複雑な問題を段階的に推論できるようになりました。さらに、「ReAct（Reasoning and Acting）」のように、推論と行動を繰り返すことで、より高度なタスクをこなせるようになっています。WebGPTのように、LLMがインターネット検索などの外部ツールを自律的に使う研究も進んでいます。

また、AIエージェントは、テキストだけでなく画像や音声など、様々な情報から状況を認識する「マルチモーダル」な能力も高めています。これにより、現実世界に近い多様な情報源からフィードバックを得て、より適切な判断を下せるようになります。

AIエージェントを実際の業務で活用するには、エージェント同士や外部のシステムがスムーズに連携することが重要です。そのために、「Model Context Protocol（MCP）」や「Agent2Agent（A2A）」といった共通のルール（プロトコル）が提唱され、異なるエージェント間での協調や情報共有を安全に行えるようになっています。

AWSが提供する「Amazon Bedrock AgentCore」は、これらのAIエージェントを開発し、企業で安全かつ大規模に運用するためのサービスです。AgentCoreは、エージェントの実行環境（Runtime）、記憶（Memory）、認証・認可（Identity）、外部ツールとの連携（Gateway）、ブラウザ操作（Browser Tool）、コード実行（Code Interpreter）、監視（Observability）といった多岐にわたる機能を提供します。これにより、開発者は複雑なインフラを意識することなく、AIエージェントの開発と運用に集中できます。

この資料を通じて、AIエージェントの基本的な仕組みと、それを実用化するためのAWSのサービスについて理解を深め、今後のAI開発のヒントを得られるでしょう。

引用元: https://speakerdeck.com/hariby/ai-agent-unicorn-day-2025

AI業界では、「ChatGPT」と「LLM（大規模言語モデル）」という言葉が混同されがちです。しかし、これらは根本的に異なる概念であり、この誤解はAIの製品開発や将来の方向性に大きな影響を与えています。新人エンジニアの皆さんも、この違いをしっかり理解することで、AI開発や利用の視点が大きく広がるでしょう。

元々、ChatGPTはOpenAIの「GPT」というLLMの単なるチャットインターフェースでした。しかし、時を経て進化し、今では「AIエージェント」という、もっと複雑なシステムになっています。LLMは、大量のテキストデータからパターンを学習し、次の単語を予測する、いわば「超高性能な文章生成機」です。一度学習が完了すると、新しい情報を自分で学ぶことはなく、過去の会話も記憶しません。そのため、同じ質問をすれば常に同じような答えを返す、ステートレス（状態を持たない）な特徴があります。これは、予測可能でスケーラブルであるという利点がある一方で、複雑な多段階のタスクや、会話の流れを理解して対応するのには限界があります。

一方、現在のChatGPTのような「AIエージェント」は、LLMをその中心的な「脳」の一部として使いつつ、以下のような様々な機能を持ち合わせています。

つまり、LLMは言葉を操るコアな能力を提供する部品であり、AIエージェントは、そのLLMに「記憶」「道具（ツール）」「計画性」「目標」などを与え、より賢く、自律的に動けるようにしたシステムなのです。

この違いを理解することは、エンジニアにとって非常に重要です。LLMを直接利用するアプリケーションと、AIエージェントを構築するシステムでは、開発の考え方、必要な技術、ユーザー体験のデザインが全く異なります。

現在のChatGPTは、単なる言語モデルと会話しているのではなく、記憶を持ち、ツールを使いこなし、目標に向かって推論する「インテリジェントエージェント」と協力しているのだと理解しましょう。この認識が、皆さんがAIとどのように向き合い、どんな未来を創造していくかを決める鍵となるでしょう。

引用元: https://www.vincirufus.com/posts/chatgpt-is-not-an-llm/

LayerX CTOの松本氏が、AIをビジネスで実用的に活用するためのノウハウをまとめた書籍『生成AI「戦力化」の教科書』を出版します。この記事は、その書籍の目的と内容を解説したものです。

この本は、単なるAIの技術解説書や事例集ではありません。LLM（大規模言語モデル）やAIエージェントを、企業の業務にどうやって「本当に使えるもの」として組み込むか、その具体的な「やり方」に焦点を当てています。新人エンジニアの皆さんも、これを読めば、AIを使って自社の業務を効率化する全体像や、小さく始めるための手順が理解できるようになるでしょう。

記事が提唱する「戦力化」とは、AIをまるで「新人社員」のように企業内で育て、その組織のやり方で成果を出せるようにすることです。多くの人が個人的にはAIの便利さを実感していますが、会社全体でAIを事業の核となる業務に深く組み込めているケースはまだ多くありません。AIは賢く知識も豊富ですが、新人と同じく、会社の固有のルールや業務の進め方は知りません。時には事実と異なることを言ったり（ハルシネーション）、毎回指示しないと同じように動けなかったりする課題があります。だからこそ、人間をオンボーディングするように、AIにも仕事の手順と知識をきちんと教える必要があるのです。

日本の企業が持つ、長年培われた丁寧な業務プロセスは、生成AIの活用と非常に相性が良いと筆者は指摘します。業務の「入口」と「出口」は変えずに、その間の時間のかかる処理やヒューマンエラーが起きやすい部分だけをAIに任せるというアプローチです。例えば、書類作成、データの転記・抽出、内容のレビュー、資料の整理といった「読む・探す・書く・照合する」作業をAIに肩代わりさせることで、業務そのものを大きく変えずに効率化を目指します。

本書で紹介される「AI戦力化」の二本柱は以下の通りです。

これらの基盤が整ってこそ、AIエージェントは真価を発揮します。エージェントは魔法のように何でもこなすわけではありません。ワークフローで定義された目的や使えるツール、参照すべき知識の範囲内で、ナレッジベースを根拠として活用する「小さな実行単位」として機能します。過度な自律性を求めず、小さなエージェントを数多く作り、既存の業務フローに自然に組み込んでいくことが、無理なく確実にAIによるデジタル化を進める鍵となるでしょう。

この「AI戦力化」の考え方は、自社の業務改善だけでなく、LLMやAgentを活用した新しいプロダクトを開発したいスタートアップのエンジニアにも役立つはずです。AIの進化はこれからも続きますが、「AIをオンボーディングして戦力化する」という基本原則は変わりません。明確な手順と共有された知識があれば、AIはビジネスの強力な味方となり、皆さんの目の前の仕事を確実に軽くしてくれるでしょう。この本が、AI活用への「まず一歩」を踏み出す手助けになることを期待しています。

引用元: https://note.com/y_matsuwitter/n/nb86f86eabddf

VOICEVOX:春日部つむぎ

kickflow社が、顧客体験を向上させるため、AIヘルプデスクを構築した事例について紹介されています。このプロジェクトはテクニカルサポートチームが中心となり、非エンジニアでもLLM（大規模言語モデル）を活用した開発に挑戦できることを示しています。

AIヘルプデスクの構築には、オープンソースのLLMアプリケーション開発プラットフォーム「Dify」が使用されました。DifyはGUIベースで直感的にワークフローを構築でき、特にRAG（Retrieval-Augmented Generation）の仕組みを簡単に作れる「ナレッジベース」機能が導入の決め手となりました。これにより、既存のヘルプ記事に加え、過去の問い合わせ履歴もAIの知識として学習させることができました。

AIヘルプデスクはDifyの「チャットフロー」機能で設計されており、以下のステップで動作します。

回答精度をさらに向上させるため、主に三つの工夫が施されました。一つ目は、既存のヘルプ記事だけでなく、過去のZendesk問い合わせチケット約150件を個人情報を除去した上でナレッジとして活用した点です。二つ目は、「REST API / Webhook」のような複雑な専門分野の質問に対しては、質問分類器を使って専用のプロンプトで対応するノードに処理を振り分けた点です。三つ目は、実際の問い合わせデータを使って継続的に回答精度を評価し、ヘルプ記事がある質問への正答率を70%から80%以上に向上させた点です。

また、プロンプトエンジニアリングにより、「承認経路を変更してほしい」といった個別対応が必要な質問には回答しないようAIの振る舞いを制御したり、「kickflow」といった表記ゆれを統一したりするなど、細かな応答制御も行われています。

運用面では、ヘルプ記事の更新時や問い合わせ対応がクローズされた時にナレッジが自動で更新される仕組みを構築し、常に最新の情報に基づいた回答ができるようにしました。

リリース後には、ナレッジにない内容に対してハルシネーション（事実に基づかない回答生成）が発生するという課題に直面しましたが、LLMと対話しながらプロンプトを改善することで対応しました。今後は、回答数の増加やサポートへのシームレスな連携など、さらなる機能改善を目指しています。このAIヘルプデスク構築は、テクニカルサポートチームとエンジニアの協力があって初めて実現できた、実用的なAI活用の成功事例と言えるでしょう。

引用元: https://tech.kickflow.co.jp/entry/2025/09/03/123008

OpenAIから新たに公開された大規模言語モデル（LLM）「gpt-oss-120b」と「gpt-oss-20b」を、さくらインターネットのコンテナ型GPUクラウドサービス「高火力 DOK」で動かす方法を紹介する記事です。新人エンジニアの方にも分かりやすく、その概要を解説します。

まず「gpt-oss」は、OpenAIが公開した「オープンウェイト」のLLMです。これは、モデルの重み（パラメーター）が公開されているため、外部のAPIサービスに頼らず、自分たちのサーバー環境で動かせるのが大きな特徴です。これにより、企業の機密情報を扱うようなクローズドな環境でも、安心してAIを活用できるようになります。記事によると、その性能はOpenAIの他のモデルにも匹敵するとされています。

このgpt-ossを動かすのに使うのが、「高火力 DOK」というサービスです。これは、Dockerイメージ（アプリケーションを動かすためのパッケージ）をクラウド上で簡単に実行できる、GPU（AIの計算に特化した高性能な部品）付きのクラウドサービスです。AI開発において、高性能なGPUを必要な時に使えるのは非常に便利ですね。

さらに、LLMをOpenAI互換のAPIとして提供する「vLLM」というツールと、それをWebブラウザで操作できるUI「Open WebUI」を組み合わせます。記事では、高火力 DOK上でvLLMを使ってgpt-ossモデルを起動し、そのAPIエンドポイントをOpen WebUIに設定することで、まるでChatGPTのようにgpt-ossと対話できる環境を構築する手順が解説されています。

具体的には、高火力 DOKのコントロールパネルから、vLLMのDockerイメージとgpt-ossモデル（mxFP4形式に対応するため、NVIDIA H100 GPUプランを選択）を指定してタスクを作成します。そして、ローカル環境でOpen WebUIをDockerで起動し、先ほど高火力 DOKで立ち上げたgpt-ossのURLを設定すれば、すぐにチャットを開始できるとのことです。

このように、高性能なオープンソースLLMを、セキュリティを確保しつつ自分たちの環境で動かせるようになるのは、AI活用の幅を大きく広げることにつながります。クラウドを活用したLLMの動かし方に興味がある新人エンジニアの方にとって、実践的な第一歩として非常に参考になる内容ですね。

引用元: https://knowledge.sakura.ad.jp/46179/

皆さん、AI技術、特にLLM（大規模言語モデル）の活用が急速に進んでいますね。とても便利になった反面、その裏には「セキュリティ」という大切な課題があります。この記事は、私たちがLLMを安全に使うために知っておくべき、ある深刻な問題とその対策について教えてくれます。

記事の核心は、多くのLLMサーバーがインターネットに「鍵をかけずに」公開されているという衝撃的な事実です。特に、手軽にLLMをローカル環境で動かせる「Ollama」というフレームワークを使ったサーバーに焦点を当てて調査されました。

どんな問題が起きているの？

この研究では、「Shodan（ショーダン）」というインターネット上のデバイスを検索するツールと、自作のPythonツールを使って、実際にどれくらいのLLMサーバーが公開されているかを調査しました。その結果、なんと1,100以上のOllamaサーバーが公開されており、そのうち約2割が、実際に認証なしでモデルを動かしていることが判明したのです。また、多くのLLMがOpenAI互換のAPIを使っているため、攻撃の手口が広がりやすい点も指摘されています。

新人エンジニアとしてどう対策するべき？

LLMは強力なツールですが、セキュリティ対策を怠ると大きなリスクに繋がります。この記事は、LLMを安全に運用するための具体的なヒントをたくさん与えてくれています。私たち一人ひとりがセキュリティ意識を高め、適切な対策を講じることが、これからのAI時代には不可欠です。

引用元: https://blogs.cisco.com/security/detecting-exposed-llm-servers-shodan-case-study-on-ollama

「家計の足しになれば」と、奥様がVtuberとしてゲーム実況を始めたそうですね。主にソリティアをプレイされていますが、再生数や同時視聴者数が伸びず、「ソリティア」というコメントが唯一ついたと報告されています。奥様の頑張りを応援したいけど、どうすればもっと見てもらえるか悩んでいる投稿者が、皆さんにアドバイスを求めています。新しいことに挑戦する温かいご夫婦の姿に、私たちも何かヒントをあげたくなりますね。

引用元: https://anond.hatelabo.jp/20250904181540

VOICEVOX:ずんだもん

GitHubが、AIを活用した新しいソフトウェア開発手法「仕様駆動開発 (Spec-driven development)」を実現するためのオープンソースツールキット「Spec Kit」を公開しました。これは、AIによるコーディングの課題を解決し、開発プロセスをより効率的かつ信頼性の高いものにする画期的なツールです。

これまでのAIを使ったコーディングでは、漠然とした指示でAIがコードを生成するため、「何となく良さそうに見えるけど、期待通りに動かない」といった課題がありました。これはAIの能力不足ではなく、私たち人間がAIを検索エンジンのように使い、曖昧な指示を与えていたことに原因があります。Spec Kitは、AIを「文字通り、忠実なペアプログラマー」として活用するため、明確で具体的な「仕様」を軸に開発を進めます。

Spec Kitが提案する開発プロセスは、以下の4つのフェーズで構成されています。

このプロセス全体を通して、開発者の役割は単にAIに指示を出すだけでなく、各フェーズでAIが生成した仕様、計画、タスク、コードを「検証」し、必要に応じて修正・改善することにあります。AIは成果物を作り、開発者はそれが正しいことを保証するのです。

このアプローチの最大の利点は、AIに「何を、どのように、どの順序で構築すべきか」を明確に伝えられる点です。これにより、AIは推測に頼ることなく、開発者の意図に沿った高品質なコードを生成できるようになります。

Spec Kitは、新しいプロジェクトの立ち上げ、既存システムへの機能追加、あるいはレガシーシステムのモダナイゼーションといった様々な場面で強力な支援を提供します。これまでの「コードが真実の源」という考え方から、「意図（仕様）が真実の源」へとシフトすることで、私たちはAIをより効果的に活用し、ソフトウェア開発における人間の創造性を最大限に引き出すことができるでしょう。

引用元: https://github.blog/ai-and-ml/generative-ai/spec-driven-development-with-ai-get-started-with-a-new-open-source-toolkit/

AI技術の進化が加速する中で、「プロンプトエンジニアリングはもう必要ないのか？」という問いが投げかけられています。特に、OpenAIやGoogleといった大手AI開発企業が、ユーザーの細かい指示なしにAIが自律的にタスクをこなす「AIエージェント」を次々と発表しており、これが金融や行政など、さまざまな分野で導入され始めています。この流れの中で、これまでのプロンプト設計の考え方が大きく変化しようとしています。

以前は、AIに特定の成果を出させるための「魔法のような」プロンプトを書ける専門家（プロンプトエンジニア）が重宝され、高額な報酬が支払われることもありました。しかし、AIエージェントが賢くなり、ユーザーの意図をより深く理解して行動するようになるにつれて、そのような「魔法使い」の役割は減ってきているように見えます。この状況から、「プロンプトエンジニアリングは死んだ」と考える人もいるかもしれません。

しかし、この記事では、この変化を「死んだ」と捉えるのではなく、「コモディティ化した」と本質を突いた見方をしています。これは、プロンプトエンジニアリングが一部の特別なスキルを持つ人だけのものではなくなり、生成AIを利用するすべての人、特に私たちエンジニアにとって、当たり前の基礎スキルになったことを意味します。

松尾研究所は、単に「こんなプロンプトを使えば良い」という具体的なテクニック集を示すだけではありません。「なぜそのプロンプトがうまく機能するのか？」「どうすれば効果的なプロンプトを作り出せるのか？」といった、その背景にある考え方や原理原則を体系的に解説することを目指しています。

新人エンジニアの皆さんにとって、AIエージェントが普及する時代においても、AIと適切にコミュニケーションをとり、その能力を最大限に引き出すための「対話力」は非常に重要なスキルとなります。プロンプトエンジニアリングは、その対話力を磨くための基礎となる知識であり、表面的な使い方だけでなく、その「なぜ」と「どのように」を理解することで、これからのAIとの協働において、より深く、より本質的にAIを使いこなせるようになるでしょう。

引用元: https://www.sbbit.jp/article/fj/170379

皆さん、こんにちは！今回は、OpenAIが提供する新しいCLIツール「Codex CLI」について、新人エンジニアの方にも分かりやすく、その魅力と活用術を解説します。

Codex CLIは、OpenAIが開発したコマンドラインインターフェース（CLI）形式のAIアシスタントです。今年4月に登場したばかりですが、OpenAIのChatGPT有料プラン（Plus/Pro/Team）に加入していれば、追加料金なしで利用できるようになりました。

Codex CLIは、開発者の作業を助けてくれる強力なツールです。これらの機能や設定を活用して、日々の開発ワークフローをより効率的で楽しいものにしていきましょう！

引用元: https://zenn.dev/dely_jp/articles/codex-cli-matome

（株式会社ずんだもんは架空の登場組織です）

今回は、AI開発の主要フレームワークであるLangChainとLangGraphの1.0アルファ版がリリースされたという、注目すべきニュースをお届けします。このリリースは、AIアプリケーション開発の現場で活躍する、特にこれからAIの世界に飛び込む新人エンジニアの皆さんにとって、非常に重要な進歩となるでしょう。

まず、LangGraphについてです。これは、自律的にタスクをこなすAIシステム、いわゆるAIエージェントを効率的に「オーケストレーション」（複数の要素を組み合わせて協調的に動かすこと）するための低レベルなフレームワークです。複雑なAIエージェントシステムを本番環境で安定稼働させるための、きめ細かい制御や、エラーが起きても処理を続けられる「耐久性のある実行」機能を提供します。また、短期的な記憶や、人間が途中で介入できる仕組みも備わっています。UberやLinkedInといった大手企業でも既に本番環境で活用されており、その堅牢性は実証済みです。今回の1.0リリースでは、既存の機能との互換性を保ちながら、さらに安定性が高められています。

次に、LangChainです。こちらは、より手軽にAIの機能をアプリケーションに組み込むための高レベルなフレームワークです。様々なAIモデル（例えばOpenAIのGPTシリーズなど）との連携を標準化してくれるため、特定のベンダーに縛られずに、素早くAI機能を開発できます。LangChain 1.0では、LLM（大規模言語モデル）が外部ツールを使ってタスクを自動でこなす「エージェント」という概念に、特に焦点を当てています。例えば、LLMにWeb検索ツールを与えて、必要な情報を自動で収集させるといった使い方が可能です。新しいcreate_agent機能は、先ほど紹介したLangGraphの強力な基盤の上に構築されているため、より高度で安定したエージェントの構築が可能になります。もし皆さんが既存のLangChainの機能を使っている場合でも心配はいりません。従来の機能はlangchain-legacyという新しいパッケージで引き続き利用できるよう配慮されています。

そして、LangChainの基盤となるパッケージであるLangChain Coreも1.0に昇格しました。これは、LangChainが多様なAIサービスと連携するための共通の抽象化層を提供しています。今回のアップデートで特に注目すべきは、LLMとのやり取りに使われる「メッセージ」の形式が進化し、テキストだけでなく、画像や動画といった多様な情報を扱える「コンテンツブロック」に対応した点です。これにより、よりリッチで複雑なAIアプリケーションが作れるようになります。

さらに、PythonとJavaScriptの両方に対応した、新しい統一されたドキュメントサイトも公開されました。これにより、学習がさらにしやすくなるでしょう。

今回のアルファリリースを経て、10月下旬には正式な1.0バージョンが登場する予定です。皆さんのフィードバックが、今後の開発に貢献する機会にもなります。AI開発の進化を加速させるこれらのツールが、今後どのように活用されていくのか、非常に楽しみですね！

引用元: https://blog.langchain.com/langchain-langchain-1-0-alpha-releases/

AIエージェントの設計において、「シングルエージェント」と「マルチエージェント」という2つの主要な考え方があり、どちらを選ぶべきかという議論が活発になっています。新人エンジニアの皆さんも、これからのAIシステム開発で直面する可能性のある重要なテーマなので、一緒に整理していきましょう。

マルチエージェントとは？

シングルエージェントとは？

結局、どう使い分けるの？

まとめ

これらをよく考え、最初はシンプルな構成（シングルエージェント）から始めて、必要に応じてマルチエージェントやハイブリッドなアプローチを検討するのが良いでしょう。「Keep It Simple, Stupid（シンプルに保て）」という原則がここでも重要になります。AIに適切に情報を伝える「コンテキストエンジニアリング」の技術も、これからますます重要になってきます。

引用元: https://zenn.dev/r_kaga/articles/ea7119d22d4d3c

ブログ記事を書くのは大変だと感じていませんか？「記事の構成を考えるのが苦手」「なかなか書き始められない」といった課題を抱えているエンジニアは少なくないはずです。この記事では、そんな悩みを解決するために、AIコーディングツール「Claude Code」とAIエージェントを活用して、ブログ記事執筆を効率化する仕組みが紹介されています。

筆者の @modokkin さんは、記事執筆のハードルを下げるために、Claude Codeのスラッシュコマンドと複数のAIエージェントを組み合わせたワークフローを構築しました。

この仕組みの核となるのは、次の3つのエージェントです。

特に重要なのが「スタイルガイド」の存在です。これは、記事の冒頭の挨拶、文体（です・ます調など）、締めくくりの定型文といった、筆者独自の執筆ルールをAIに教えるためのものです。これにより、AIは単に情報をまとめるだけでなく、筆者の個性が反映された記事を作成できるようになります。

実際にこの仕組みを使ってみると、LT（ライトニングトーク）のスライドからブログ記事を作成するのに約1時間で済んだそうです。ゼロから書く場合でも、AIが叩き台を作ってくれることで、以前よりも質の高い記事が書けるようになったと感じています。もちろん、AIが書いた文章には微調整が必要な場合もありますが、その気づきをスタイルガイドにフィードバックすることで、AIの精度をどんどん高めていけるのが大きなメリットです。

技術的な工夫としては、Claude Codeの Task ツールを使ってエージェント間の連携をスムーズにし、インタビューの回答には音声入力ツールを組み合わせることで、さらに効率的に情報を入力できるようにしています。また、運用していく中で、当初の想定と異なり編集者エージェントは自動実行ではなく、必要に応じて呼び出す形に変更するといった改善も行われました。

この事例は、「文章を書くのが苦手」「記事の構成に悩む」といった課題を持つエンジニアにとって、AIが強力なアシスタントになり得ることを示しています。AIを活用することで、ブログ執筆のハードルが下がり、アウトプットの機会が増えるかもしれません。新人エンジニアの皆さんも、ぜひ自分の業務にAIを組み込むヒントとして参考にしてみてください。

引用元: https://tacoms-inc.hatenablog.com/entry/claude-code-blog-writing-automation

ChatGPTを活用し、カラスを追い払うためのユニークなアニメーションビジュアルを開発した記事です。筆者はChatGPTにJavaScriptコードを生成させ、それをプロジェクターでゴミ置き場に投影するアイデアを実行。AIが考案した「目玉と斜線」が切り替わる威嚇ビジュアルが特に面白く、AIのクリエイティブで意外な応用例として、技術的な興味と楽しさを感じられる内容です。

引用元: https://blog.sushi.money/entry/2025/09/01/235900

（株式会社ずんだもんは架空の登場組織です）

この記事では、AIエージェントに直接SQLを操作させることの課題と、それを解決するためにdbtのdbt showコマンドを組み合わせたデータ調査ワークフローについて解説しています。

まず、複雑なデータパイプラインでは、データの正確性や安全性が非常に重要です。しかし、商品データなどの調査は、専門知識が必要で手順も人によって異なり、時間もかかるという課題がありました。

AIエージェントにデータを調査させる際、直接SQL（データベースを操作する言語）を書かせると、以下のような問題が起こります。

そこで登場するのが「dbt」というツールです。dbtは、SQLを直接書くのではなく、データ変換のロジックを「モデル」という形で管理します。開発者は複雑なデータベースのフルパスを知らなくても、ref('モデル名')のようにシンプルにモデル名を指定するだけでデータを操作できます。AIにもこの「モデル」のレベルで操作させれば、より安全で効率的だと考えました。

解決策として採用されたのが、dbtが持つdbt showコマンドです。これは、dbtのモデル定義に基づいてSELECT文（データを見るだけの操作）を実行できるコマンドです。

ただし、dbt show --inlineオプションには、任意のSQLが実行できてしまうという潜在的なセキュリティリスクがあることも判明しました。これに対し、記事では入力されたSQLをサブクエリ（SQLの中の小さなSQL）でラップし、危険なSQLが実行されないようにする「ラッパーコマンド」の暫定的な対策が紹介されています。

実際のワークフローでは、ユーザーが「この商品IDの商品を調べてください」とシンプルに依頼すると、AIエージェントはドキュメント化された手順（最終データから遡って原因を探るなど）に従い、dbt showを使いながらデータ調査を進めます。調査結果はファイルに保存され、後から人間が確認できるため、属人化していた調査が誰でも再現可能な形になりました。

この取り組みにより、AIエージェントを安全かつ最小限のコンテキストで動かすことができ、データ調査の効率と信頼性が大幅に向上しました。将来的には、dbtプロジェクト全体の情報をAIに提供できる「dbt MCP Server」のような技術と連携することで、AIの活用範囲はさらに広がると期待されています。モデルやカラムのドキュメント、テストを充実させることが、AI活用を成功させるための重要な鍵となります。

引用元: https://takimo.tokyo/2604aebf66ad8067a25ccd25e459da97

今回ご紹介する「Memento」は、大規模言語モデル（LLM）を基盤としたAIエージェントの学習方法に、新しい風を吹き込む研究です。これまでのLLMエージェントは、特定のタスクに適応させるために、基盤となるLLM自体を「ファインチューニング」、つまり追加で学習させることが一般的でした。しかし、このファインチューニングは計算コストが非常に高く、時間もかかるため、AIエージェントを継続的に、そして柔軟に賢くしていく上での大きな課題でした。

「Memento」が画期的なのは、この基盤LLMをファインチューニングすることなく、低コストで、しかもリアルタイムにAIエージェントを賢く適応させる点にあります。どのように実現しているかというと、彼らは「メモリベースのオンライン強化学習」という手法を取り入れています。これは、AIエージェントが過去の経験を「エピソード記憶」として蓄え、その記憶を元に行動を決め、さらに環境からのフィードバックを受けて記憶を更新していく、という仕組みです。

具体的には、「Memory-augmented Markov Decision Process (M-MDP)」という枠組みで、過去の経験から適切な知識を選ぶ「ニューラルケース選択ポリシー」を使って、次の行動を導きます。この「記憶」は、環境から得た新しい情報や結果に応じて効率的に書き換えられ、また必要な時に素早く読み出されることで、エージェントは常に最適な行動を選べるようになるのです。まるで、人が新しい経験から学び、知恵を増やしていくように、AIエージェントも自ら進化できるイメージです。

この「Memento」を「Deep Research」という複雑な研究タスクに応用したところ、GAIA検証セットで87.88%のPass@3を達成し、従来の学習ベースの手法よりも優れた性能を示しました。また、学習時には遭遇しなかった新しい種類の問題（分布外のタスク）に対しても、記憶を活用することで大幅な性能向上を見せています。

この研究は、大規模な計算資源を必要とするファインチューニングなしに、AIエージェントが自律的に、かつ継続的に学習し、様々なタスクに適応していく新しい道筋を示しています。新人エンジニアの皆さんにとって、今後AIエージェントがどのように進化していくのかを理解する上で、非常に重要な一歩となるでしょう。将来的には、より汎用性が高く、人間に近い形でスキルを習得していくAIエージェントの開発に繋がる可能性を秘めています。コードもGitHubで公開されているので、興味があればぜひ見てみてください。

引用元: https://arxiv.org/abs/2508.16153

AIデータアナリストの構築は、単に自然言語をSQLに変換するだけでは不十分です。本記事は、実際のAIデータアナリスト開発経験から得られた、重要な教訓と実践的なアプローチを共有しています。

1. Text-to-SQLの限界と多段階分析の必要性

2. セマンティック層によるビジネス意味の定義

3. 複数エージェントシステムによる複雑な問題解決

4. RAGシステムをレコメンデーションのように最適化

5. LLM活用の現実と今後の展望

引用元: https://www.pedronasc.com/articles/lessons-building-ai-data-analyst

Satamiさんが、人気キャラクター「ずんだもん」をフィーチャーした新曲「夜明けの歌 (feat. ずんだもん)」を2025年9月1日に配信開始しました。J-Popとカントリーが融合したこの楽曲は、SpotifyやApple Musicなど、主要な音楽配信サービスで楽しめます。新人エンジニアの皆さん、日々の開発作業の合間に、ずんだもんの歌声で気分転換しませんか？きっと、心和むひとときを過ごせますよ！

引用元: https://magazine.tunecore.co.jp/newrelease/561758/

（株式会社ずんだもんは架空の登場組織です）