株式会社ずんだもん技術室AI放送局

この記事では、AIを使った開発支援ツール「Claude Code」と、その強力な機能である「Subagent（サブエージェント）」を、開発現場でどう効果的に活用するかについて、具体的なフローを解説しています。新人エンジニアの皆さんも、これらの使い方を覚えることで、開発作業を大きく効率化できるヒントが見つかるでしょう。

1. Claude CodeとSubagentって何？

2. 既存プロジェクトの調査・改修を効率化！

3. 新規開発をSubagentに任せてみる

4. Subagentを使うと、なぜ開発が楽になるの？

Claude CodeとSubagentは、皆さんの開発作業を強力にサポートし、より効率的で質の高い成果を生み出すための頼もしいツールです。ぜひ試してみて、その可能性を感じてください。

引用元: https://zenn.dev/sun_asterisk/articles/7dafd83f1d0454

この記事では、AIエージェントを活用した中長期的なソフトウェア開発を効率的かつ高品質に進めるための「ルール設計」について解説しています。新人エンジニアの皆さんも、これからの開発現場でAIと協業する機会が増えると思いますので、ぜひ参考にしてみてください。

まず「ルール」とは、GitHub CopilotなどのAIエージェントに、プロジェクト固有の情報を自動で読み込ませるためのカスタム設定ファイルのことです。これにより、毎回同じ指示をプロンプトで繰り返す手間が省け、AIがプロジェクトの文脈を深く理解して、より適切なコードを生成できるようになります。特に、長く続くプロジェクトでは、AIが途中で変なコードを書いたり、過去のコードと整合性が取れなくなったりするのを防ぐために、このルール設計が非常に重要になります。

ルール設計のポイントは以下の4つです。

実際にルールを導入した開発では、以下のような良い結果が出ています。

AIエージェントとの協業では、ルールの質だけでなく、コード自体の可読性やドキュメンテーションの質もAIの精度に影響します。今後、AIと共に開発を進める上で、プロジェクトに合わせた「ルール設計」は、より安定した開発と高品質な成果物につながる強力な武器となるでしょう。

引用元: https://zenn.dev/sonicmoov/articles/0f9e98f3539d04

この記事は、OpenAIが公開したGPT-5のプロンプトガイドについて、特にLLM（大規模言語モデル）をコーディング支援やAIエージェントとして活用したい新人エンジニア向けに、要点を分かりやすく解説しています。GPT-5のような高性能AIを最大限に引き出すための実践的なヒントが満載です。

GPT-5は、これまでのモデルより長い指示の理解や正確なタスク実行能力が向上しており、プロンプトの与え方にも新しい工夫が求められます。

GPT-5プロンプトガイドの主なポイント

コーディングエージェントとしての実践的活用例

これらのプロンプトの工夫を学ぶことで、GPT-5のような最新のLLMを日々の開発業務の強力なパートナーとして活用し、作業の効率化を図ることができるでしょう。ぜひ、色々なアプローチを試してみてください。

引用元: https://tomoima525.hatenablog.com/entry/2025/08/31/065459

高知の野犬グループの中で、全く捕まらない統率の取れた群れのリーダーが「ポメラニアン」だという、面白い噂が話題です。愛らしい見た目とは裏腹に、実はポメラニアンは非常に気が強く、リーダーシップを発揮する犬種という経験談が多数寄せられており、その意外な一面が共感を呼んでいます。この噂をもとにAI（ChatGPT）で描かれた、凛々しいリーダーポメラニアンのイラストが、そのギャップで多くの人々を楽しませています。

引用元: https://togetter.com/li/2596409

VOICEVOX:春日部つむぎ

新人エンジニアの皆さん、こんにちは！今回は、これからの開発に欠かせなくなるかもしれない「Agent Client Protocol（ACP）」という新しい技術標準について、分かりやすく説明しますね。

ACPは、皆さんが普段使っているVisual Studio CodeやVimのような「コードエディタ」と、ChatGPTのようにコードを自動で書いたり修正したりする「AIコーディングエージェント」が、スムーズに情報交換するためのルールブックのようなものです。まだ開発途中ですが、これから色々な便利なツールを作る基盤として期待されています。

なぜACPが必要なの？

これらの問題を解決するために、ACPが提案されました。これは、ちょうどプログラミング言語の「Language Server Protocol（LSP）」が、エディタと各言語の機能（コード補完やエラーチェック）を連携させるのを標準化したのに似ています。ACPがあれば、AIエージェントは一度ACPに対応すれば、どんなエディタでも動くようになりますし、エディタも一度ACPに対応すれば、たくさんのAIエージェントと連携できるようになるんです。これによって、エディタ開発者もAIエージェント開発者も、それぞれ独立して新しい機能を作りやすくなり、私たち開発者はより自由に最適なツールを選べるようになります。

ACPってどんな仕組み？

すでに一部のエディタ（Zed、neovimのプラグイン）やAIエージェント（Gemini）が対応を始めています。ACPが広まることで、AIと協力しながらもっと効率的に開発できる未来が、さらに近づいてくるでしょう！

引用元: https://agentclientprotocol.com/overview/introduction

この記事は、Pydantic-AIフレームワークとModel Context Protocol (MCP) を活用し、独自のCLIコーディングエージェントを構築する方法を紹介しています。

CLIコーディングエージェントは、ChatGPTのようなチャットボットやCopilotのようなコード補完ツールとは異なり、コードを理解し、テスト実行、ドキュメント検索、さらにはコードベースに直接変更を加えることができる「開発パートナー」のような存在です。著者は、汎用的な市販ツールでは得られない、プロジェクト固有のニーズへの対応や、AIシステムの仕組みを深く理解するために、自作に挑戦しました。

エージェント構築の核となるのは、Model Context Protocol (MCP)です。これは、AIモデルが多様な「ツール」（機能）と標準化された方法で連携するためのオープンなプロトコルで、まるでAIアプリケーションのUSB-Cポートのように機能します。これにより、必要な機能をプラグインのように簡単に追加できます。

構築はAWS Bedrock上のClaudeモデルを基盤にスタートし、以下のように段階的に機能を強化していきました。

これらの機能連携により、デバッグ、学習、問題解決、コードレビューといった開発ワークフローは大きく変化します。AIは単なるアシスタントではなく、エラー分析、修正案の提案、検証、ドキュメント参照、コード変更までを一貫して行える「知的パートナー」となるのです。

この経験から、複数の機能を連携させるMCPの重要性、最新情報へのアクセス、構造化された思考、そしてプロジェクトに特化させることの価値が明らかになりました。AIがソフトウェア開発の未来をどのように変えるのか、それを最も深く理解する方法は、自らの手で作り上げてみることだと、この記事は示唆しています。AIは、単にコードを速く書く手助けをするだけでなく、開発者の目標や制約を理解し、共同で問題を解決する真のパートナーへと進化するでしょう。

引用元: https://martinfowler.com/articles/build-own-coding-agent.html

OpenAIが、リアルタイムでの音声対話に特化した新しいAIモデル「gpt-realtime」と、そのための「Realtime API」の機能を一般公開しました。これは、皆さんが普段利用するAIアシスタントや、企業の顧客サポートなどで使われるAI音声エージェントを、より高性能で信頼性の高いものにするための大きな一歩です。

新しいAIモデル「gpt-realtime」のすごい点

この「gpt-realtime」は、音声と音声の間で直接やり取りする「スピーチ・トゥ・スピーチ」という方式で動く、最も進化したモデルです。今までのAI音声システムが「音声を文字に変換→文字で考えて返答→文字を音声に変換」という段階を踏んでいたのに対し、「gpt-realtime」は直接音声で考え、音声で返答します。これにより、以下のようなメリットがあります。

Realtime APIの新たな機能でできること

このAPIを使うことで、AI音声エージェントはさらに多様なことができるようになります。

安全性と料金

これらの機能は、悪用を防ぐための安全対策が何重にも施されています。また、利用料金は以前のプレビュー版よりも約20%引き下げられ、新人エンジニアの皆さんでも最新のAI技術に触れやすくなりました。

この発表は、AIを活用した音声サービスやマルチモーダル（複数の情報形式を扱う）AIの開発に大きな可能性をもたらします。ぜひ、今後のAI開発の参考にしてみてください。

引用元: https://openai.com/index/introducing-gpt-realtime

中野未望さんが、人気キャラクター「ずんだもん」をフィーチャーした新曲「ゆっくりまんじゅう (feat. ずんだもん)」を2025年8月28日に配信開始しました！

引用元: https://magazine.tunecore.co.jp/newrelease/559599/

VOICEVOX:ずんだもん

NECは、私たちが普段インターネットで行う業務をAIが自動でこなす、新しいエージェント技術「cotomi Act（コトミ アクト）」を開発しました。この技術の大きなポイントは、これまでデータ化が難しかった「暗黙知」をAIが学習し、活用できるようになる点です。暗黙知とは、例えば「この状況では、経験上AよりもBの対応が良い」といった、長年の経験や個人の判断によって培われる、マニュアルには書きにくい知識やノウハウのことです。

この「cotomi Act」の性能は、国際的なAIエージェントのベンチマーク（性能評価テスト）である「WebArena」で実証されました。「WebArena」は、ECサイトでの商品購入や情報検索など、実際のWebサイトでの複雑な操作をAIに指示し、どれだけ正確に実行できるかを評価するものです。この難しいテストで、「cotomi Act」を活用したAIエージェントは、人間の平均成功率（78.2%）を上回る80.4%という世界初の記録を達成しました。これは、AIがまるで人間のように、Web上で様々なタスクを高い精度でこなせるようになったことを示す、非常に画期的な成果です。

「cotomi Act」の特長は主に二つあります。一つ目は、専門家がWebブラウザ上で行った操作（クリックや入力、画面遷移など）の記録から、その裏にある判断基準やノウハウといった暗黙知をAIが自動的に読み取り、データとして活用できる形にすることです。これにより、これまで属人化しがちだった「職人の技」のような知識も、AIが学習できるようになります。二つ目は、そうしてデータ化された暗黙知を、NECが開発した生成AI「cotomi」をはじめとする様々な技術と組み合わせて、AIエージェントの能力を飛躍的に向上させる点です。これにより、AIはユーザーからの少し曖昧な指示に対しても、「業務のコンテキスト（背景や状況）」を深く理解し、適切な情報を見つけたり、必要な手続きを自律的に判断・実行できるようになります。結果として、従来のAIでは難しかった、複雑で専門性の高い業務でも、AIが高精度かつ柔軟に対応できるようになるわけです。

日本では労働人口の減少が進んでおり、企業の生産性向上は喫緊の課題です。この「cotomi Act」は、これまで人の手と経験に頼っていた高度な業務をAIが代行できるようになることで、企業の業務効率化やDX（デジタルトランスフォーメーション）を強力に推進します。NECは、この技術をまず自社で活用し、2026年度中のサービス提供を目指しています。私たち新人エンジニアにとっても、AIが業務の頼れるパートナーとなり、より創造的な仕事に集中できるようになる未来が、すぐそこまで来ていることを感じさせる、大変興味深いニュースと言えるでしょう。

引用元: https://jpn.nec.com/press/202508/20250827_02.html

最近の生成AIはまるで人間のように推論しているように見えますが、その能力にはまだ限界があることが最新の研究で明らかになりました。この記事では、「思考の連鎖（Chain of Thought: CoT）推論」と呼ばれる、AIが中間的な思考ステップを示すことで推論を改善する技術について、厳密な実験を通してその実態を探った論文を紹介しています。

この研究の大きな目的は、AIが本当に「ゼロから考えている」のか、それとも「過去に覚えたパターンに当てはめているだけ」なのかを調べることでした。特に、AIがまだ見たことのない問題にどれだけ対応できるか（これを「汎化性能」と言います）に注目しています。

実験では、CoT推論の性能に影響しそうな「問題の種類」「文章の長さ」「問題の形式」という3つの要素を特定し、これらを自由に操作できる「DataAlchemy」という特別なデータセットを用意しました。このデータセットを使って、GPT-2ベースのAIモデルを何種類も学習させ、学習時に与えられたデータ（事前学習データ）とテストで使うデータとの「ずれ」（これを「共変量シフト」と呼びます）が、AIの推論性能にどう影響するかを徹底的に調べました。

その結果、事前学習データとテストデータとの「ずれ」（共変量シフト）が大きくなるほど、AIの推論性能は著しく低下することがはっきりと分かりました。具体的には、学習で使わなかった新しい文字が含まれる問題、文章の長さが極端に異なる問題、推論ステップ数が大きく変わる問題、あるいは問題文に少しノイズ（余計な情報）が加わるだけで、AIは正しく推論できなくなってしまうのです。驚くべきことに、AIモデルを大きくしたり、学習方法を工夫したりしても、この傾向は変わりませんでした。これは、AIが真に推論しているわけではなく、過去に見たデータパターンに強く依存していることを示しています。

この研究は、「推論する生成AI」が行っているのは、論理的な思考というよりも、事前学習データに最適化された「洗練されたパターンマッチング」に過ぎないという結論を導き出しています。つまり、人間のように全く新しい概念を理解し、ゼロから推論する能力はまだ持っていないということです。

新人エンジニアの皆さんがAIを活用する際には、この「AIは学習データにないものには弱い」という特性をしっかり理解しておくことがとても重要です。AIの力を最大限に引き出すためには、単に学習データを増やすだけでなく、実際に使うシーンでAIが直面するかもしれない「未知の問題」や「学習データからずれた状況」を想定し、そこでどれだけ正確に機能するかを評価する視点を持つことが大切だという示唆を与えてくれる記事です。

引用元: https://tjo.hatenablog.com/entry/2025/08/27/173000

新人エンジニアの皆さん、GPUを使ったプログラミング（CUDA）のパフォーマンスを向上させる新しい技術、「Shared Memory Register Spilling」について解説します。特に、AI/LLMのような計算量の多い処理では、GPUの性能を最大限に引き出すことが重要です。

GPU上で動くプログラム「CUDAカーネル」は、処理に必要なデータを「レジスタ」という高速なメモリに一時的に置きます。しかし、レジスタの数には限りがあるため、データが多すぎると、余ったデータは「ローカルメモリ」（GPUの外にある少し遅いグローバルメモリの一部）に「スピル」（追い出し）されてしまいます。この「レジスタスピル」が頻繁に起こると、プログラムの実行速度が大きく低下してしまう問題がありました。

CUDA Toolkit 13.0で導入された「Shared Memory Register Spilling」は、この問題を解決する新機能です。これまでは遅いローカルメモリにスピルされていたデータを、GPUチップ上にある高速な「Shared Memory」に優先的に格納できるようになります。Shared Memoryはローカルメモリよりもはるかに高速にアクセスできるため、スピルが発生してもプログラムの性能低下を抑え、むしろ向上させることが期待できます。

この最適化によって得られる主なメリットは、データへのアクセス遅延（レイテンシ）の大幅な削減と、GPUのL2キャッシュへの負担軽減です。実際のテストでは、プログラムの種類によっては5～10%の性能向上が確認されています。

この機能を利用するには、CUDA 13.0以降の環境で、CUDAカーネルのコードに以下の1行を追加するだけです。

ただし、利用にはいくつかの注意点があります。特に重要なのは、__launch_bounds__(スレッド数)のように、カーネルが同時に起動するスレッドの最大数を明示的に指定することです。これを怠ると、Shared Memoryの割り当てが最適でなくなり、かえってGPUの並列処理能力が低下し、パフォーマンスが悪化する可能性があるので注意しましょう。

レジスタをたくさん使うCUDAカーネルの性能改善を目指す方にとって、このShared Memory Register Spillingは非常に有効な手段です。ぜひ、ご自身のCUDAプログラムに適用して、その効果を試してみてください。GPUの計算をより速く、効率的に行えるようになるはずです。

引用元: https://developer.nvidia.com/blog/how-to-improve-cuda-kernel-performance-with-shared-memory-register-spilling/

（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エンジニアの間で「性能が落ちた」と話題のClaude Codeの力を取り戻すための具体的な方法が紹介されています。新人エンジニアの方も、高性能なAIアシスタントを使いこなすためのヒントとしてぜひ読んでみてください。

なぜClaude Codeの性能が落ちたように感じるのか？

性能を取り戻すための対策

さらに性能を引き出すテクニック

これらの対策を試すことで、Claude Codeをより効果的に活用し、開発作業の効率アップに繋がるかもしれません。

引用元: https://zenn.dev/discus0434/scraps/e0b1a0aa5406eb

大規模言語モデル（LLM）を使ったアプリケーションが広がる中で、セキュリティの課題も増えています。悪意あるユーザーがLLMに不正な指示（プロンプトインジェクションなど）をすることで、企業の機密情報が漏れたり、AIが誤った情報を学習したり、有害なコンテンツを生成してしまうリスクがあるのです。これは、大事なAIが意図せず悪い役割を演じてしまうようなものです。

この問題に対応するため、Cloudflare（クラウドフレア）は、AIアプリケーション向けのセキュリティサービス「Firewall for AI」に、新たに「不適切なコンテンツモデレーション」機能を追加しました。この機能は、メタ社が開発した「Llama Guard」というAIモデルを利用し、ユーザーがLLMに送るプロンプトの内容をリアルタイムでチェックします。

主な機能とメリットは以下の通りです。

かつてマイクロソフトのAIチャットボット「Tay」が不適切な入力によって問題発言を繰り返した事例からも、LLMへの入力段階でのフィルタリングの重要性がわかります。

Cloudflareは、高性能なAIインフラ「Workers AI」上でLlama Guard 3モデルを稼働させ、ユーザー体験を損なわない低遅延でのプロンプト分析を実現しています。管理画面では、検出された不適切なプロンプトに対するログ記録やブロックといったルールを柔軟に設定できます。

将来的には、プロンプトインジェクションやAIの脱獄（ジェイルブレイク）といった高度な攻撃の検出機能、さらにはLLMの応答内容をチェックする機能も追加される予定です。LLMを安全かつ信頼性高く利用していく上で、このようなエッジでのセキュリティ対策は、AIアプリケーションの健全な発展に不可欠な基盤となるでしょう。

引用元: https://blog.cloudflare.com/block-unsafe-llm-prompts-with-firewall-for-ai/

この記事では、自分のパソコン（ローカル環境）で大規模言語モデル（LLM）を動かすための環境構築方法が、具体的な手順と共に紹介されています。クラウドサービスに頼らずにLLMを動かすことで、費用を抑えたり、プライバシーを守りながら気軽にLLMを試したりできるのが大きなメリットです。最新のAI技術であるLLMを自分の手で動かし、その可能性を体験したい新人エンジニアの方にとって、実践的なガイドとなるでしょう。

環境構築には主に三つのツールを使います。まず「Docker」は、アプリケーションを「コンテナ」という、他の部分から隔離された小さな箱に入れて動かす技術です。これにより、複雑な環境設定の手間を減らし、どんなパソコンでも同じように安定して動かせるようになります。次に「Ollama」は、ローカルでLLMを実行するための強力なツールで、たくさんのLLMモデルの中から好きなものを選んでダウンロードし、手元のPCで実行できます。そして「Open WebUI」は、Ollamaで動かしているLLMとブラウザを通じてチャット形式でやり取りするための、使いやすい画面（GUI）を提供します。

具体的な手順としては、まずDockerをインストールし、もしNVIDIA製の高性能なグラフィックボード（GPU）を使っているなら、「NVIDIA Container Toolkit」を導入することで、LLMの処理速度を大幅に向上させることができます。次に、docker-compose.ymlという設定ファイルを作成し、Dockerを使ってOllamaとOpen WebUIを同時に起動します。このファイルに書かれた内容を実行するだけで、必要なサービスが一気に立ち上がり、環境が整います。

サービスが起動したら、Ollama経由で「gpt-oss」のような好きなLLMモデルをダウンロードしてインストールします。モデルによってはデータサイズが大きいため、ダウンロードには時間がかかる場合があります。モデルの準備ができたら、Webブラウザで指定されたアドレス（通常はhttp://localhost:3000/）にアクセスし、Open WebUIの画面でアカウントを作成します。これで、まるでChatGPTを使うように、自分のローカル環境で動くLLMに質問を投げかけ、その応答を楽しむことができるようになります。ぜひこの手順を参考に、ローカルLLM環境の構築にチャレンジしてみてください。

引用元: https://qiita.com/kkawaharanet/items/b80d7cde49364aa94963

最新の研究によると、生成AIの利用には注意が必要です。もともと批判的思考力が高い人はAIを効果的に活用し、作業効率を高められます。しかし、批判的思考に慣れていない人がAIに頼りすぎると、自分で考える機会が減り、思考力が弱まってしまう可能性があると指摘されています。新人エンジニアの皆さんは、AIの答えを鵜呑みにせず、常に「本当にこれで正しいか？」と問いかけ、自分で検証する力を意識して磨きましょう。AIは便利なツールですが、使いこなすにはあなたの『考える力』が鍵となります。

引用元: https://posfie.com/@kalofollow/p/o7zk54Y

（株式会社ずんだもんは架空の登場組織です）

皆さん、こんにちは！今回は、Googleが発表した新しいAIエージェント開発フレームワーク「Agent Development Kit（ADK）」について、新人エンジニアの皆さんにも分かりやすくご紹介します。

AIエージェントは、ただ質問に答えるチャットボットから進化し、自分で考えて計画を立て、複雑なタスクをこなせるようになりました。ADKは、このような高度なAIエージェントを、プロトタイプだけでなく実際のサービスとして運用できるレベルで開発・デプロイするためのオープンソースのフレームワークです。

ADKの大きな特徴はいくつかあります。まず「マルチエージェント設計」といって、専門分野の異なる複数のAIエージェントが協力し合って一つの大きなタスクを解決する仕組みが基本です。これにより、まるで部署が分かれた会社のように、各エージェントが自分の得意なことを担当し、システム全体として複雑な処理を効率よく行えます。次に「柔軟なオーケストレーション」では、AIが次に何をすべきかを自分で考えることも、開発者が決めた手順で動かすこともできます。また、既存のツールだけでなく、他のエージェント自体も「ツール」として再利用できるため、拡張性が非常に高いのも魅力です。さらに、Web UIやコマンドラインツール（CLI）が用意されており、エージェントの動きを視覚的に確認しながら効率的に開発を進められます。

記事では、ADKのサンプルの中から「データサイエンス」に特化したAIエージェントの概要が紹介されています。このデータサイエンスエージェントは、Google CloudのデータウェアハウスであるBigQueryと連携し、データの操作、グラフ作成などの可視化、さらにはBigQuery MLを使った機械学習モデルの構築までを自律的に行います。このエージェントも、データの分析担当、グラフ描画担当、機械学習担当といった専門家（サブエージェント）が協力し合う「マルチエージェント」として設計されています。例えば、「サブエージェント」は専門的なタスクを委任され、自分で判断して実行する能力を持ち、「エージェント・アズ・ア・ツール」は特定の機能を一つの道具のように呼び出して利用されます。

ADKのWeb UIを使えば、エージェントがユーザーの指示に対して、どのようにタスクを分解し、どの専門エージェントやツールを呼び出して処理を進めたか、その思考プロセスを「Trace」や「Events」機能で具体的に確認できます。これにより、エージェントがなぜそのように動いたのかを理解しやすく、開発やデバッグがスムーズに行えるのが大きなメリットです。

ADKは、これからのAIエージェント開発を強力に支援するツールです。複雑なAIシステムを効率的に構築し、その動作を深く理解するための手助けとなるでしょう。ぜひ、皆さんもADKに触れて、未来のAI開発を体験してみてください。

引用元: https://zenn.dev/cloud_ace/articles/adk-sample-data-science

今回は、Googleの生成AI「Gemini」を開発で使う際に便利な「URL context tool」について、新人エンジニアの方にも分かりやすく解説します。

このツールは、Geminiに特定のWebサイトの内容を直接読み込ませて、その情報を基に回答を生成させるための機能です。通常、Webサイトの情報をAIに使うには、Webスクレイピングという技術でプログラムを書いてデータを集める必要がありました。しかし、URL context toolを使えば、この手間を省き、URLを指定するだけでGeminiが自動的にWebサイトの内容を「コンテキスト（文脈や背景情報）」として理解し、利用してくれます。

このツールは、特定のWebサイトに書かれている情報だけを使って、Geminiに答えを出してほしい場合に特に役立ちます。例えば、会社のマニュアルページや、特定の技術ブログの記事など、参照元が明確な情報源から知識を得たいときに真価を発揮します。

このURL context toolは、2025年8月時点ではまだ「試験運用版（Experimental）」の機能です。そのため、将来的に仕様が変わったり、場合によっては利用できなくなる可能性もある点には注意が必要です。

このツールを使いこなすことで、Geminiを使ったAI開発がもっと効率的で正確になるはずです。ぜひ試してみてくださいね。

引用元: https://blog.g-gen.co.jp/entry/gemini-url-context-tool-explained

近年、ChatGPTのような大規模言語モデル（LLM）は急速に進化していますが、その「学習」（事前学習）には膨大な計算資源と時間が必要です。モデルの精度を高く保つため、これまでは16ビットや8ビットといった比較的高い精度のデータ形式が使われてきました。しかし、これにより学習にかかるコストや時間が膨大になるという課題がありました。

NVIDIAは、この課題を解決するため、4ビットの浮動小数点フォーマット「NVFP4」をLLMの学習段階にも適用できる画期的な技術を発表しました。NVFP4はこれまで、学習済みのモデルを利用する「推論」の段階で主に使われていましたが、今回の技術革新により、学習の最初から最後まで4ビット精度で処理することが可能になります。

この4ビット学習の最大のメリットは、モデルの精度を維持しながら、学習の速度と効率を飛躍的に向上させられる点です。データを4ビットに「量子化」（情報を簡略化して扱う技術）することで、GPUのメモリ消費量を大幅に減らし、一度に処理できるデータ量（トークンスループット）を増やすことができます。これにより、AI開発環境（AI工場）は、同じハードウェアでより大規模なモデルを、より短時間で開発できるようになり、新たなAIの能力を引き出すことが期待されます。

この革新的な技術を実現したのは、NVIDIAの最新GPUアーキテクチャ「Blackwell」のFP4ネイティブサポートと、NVIDIA独自の「NVFP4事前学習レシピ」です。Blackwell GPU（GB200/GB300）は、LLM学習の核となる行列計算を、従来のGPUと比べて最大7倍高速化します。

また、4ビットという非常に低い精度で学習しながらも高い精度を保つために、以下の主要な技術が組み合わされています。

これらの技術により、NVIDIAは120億パラメータのLLMを、従来の8ビット精度（FP8）と同等の精度と学習安定性で、10兆トークンという膨大なデータでNVFP4を使って学習させることに成功しました。その結果、学習後のモデル性能もFP8モデルと遜色ないことが確認されています。

NVFP4による4ビット学習は、AIモデル開発における効率とスケーラビリティの新たな基準を確立し、エネルギー効率の高い高性能AIの実現を加速します。これは、より先進的なアーキテクチャや、より大規模な学習の道を開き、生成AIの未来を大きく前進させる重要な一歩となるでしょう。

引用元: https://developer.nvidia.com/blog/nvfp4-trains-with-precision-of-16-bit-and-speed-and-efficiency-of-4-bit/

親会社から「パクれ」と指示された会社が、以前その製品を開発した元請けのエンジニアに、休日にもかかわらず直接連絡し、回路図とソースコードを要求するという驚きの出来事が話題になっています。この非常識な要求に開発者は困惑。多くのエンジニアがこの状況に対し「どういうこと？」「稀によくある」といった反応を示し、IT業界の理不尽な「あるある」として共感を呼んでいます。

引用元: https://posfie.com/@petaritape/p/WNOzhps

（株式会社ずんだもんは架空の登場組織です）

この「AI エージェント実践ガイドブック」は、まるで人間のように自分で考えて複雑なタスクをこなす「AI エージェント」の開発について、Google Cloudがまとめた技術ガイドです。特に、これからAIエージェントの開発を始めたい新人エンジニアの皆さんにとって、基礎から実践的な運用方法までを分かりやすく学べる内容となっています。

ガイドブックでは、AIエージェントを成功させるために重要な３つの技術要素が解説されています。

さらに、Google Cloudが提供する「Extensions」や「Functions」といった、AIエージェント開発に役立つ具体的なツール群について、どのように選んで効果的に活用すれば良いか、その戦略も詳しく説明されています。

このガイドブックは、以下の4つのホワイトペーパーで構成されており、それぞれ特定のテーマに深く踏み込んでいます。

このガイドブックを通じて、皆さんも次世代のAIエージェント開発に必要な知識とスキルを身につけ、新しいテクノロジーを活用する一歩を踏み出すことができるでしょう。

引用元: https://cloud.google.com/resources/content/intl/ja-jp/aiagentgb?hl=ja

イーロン・マスク氏が率いるxAIが開発した最新の大規模言語モデル（LLM）「Grok-2」のモデルの重み（ウェイト）が、AIモデルの共有プラットフォームであるHugging Faceで公開されました。これは、LLMの開発や研究に携わる日本のエンジニア、特に新人の方々にとって非常に注目すべきニュースです。

このリポジトリで公開されている「重み」とは、モデルが膨大なデータから学習して獲得した「知識」や「判断基準」にあたる、AIモデルの「頭脳」とも言える部分です。Grok-2は2024年にxAI社内で学習・利用されていたもので、その高性能さが期待されます。

Grok-2の重みは、約500GBという非常に大きなファイルサイズを持ち、これを動かすためには高性能なGPUが複数必要となるなど、かなりの計算リソースが求められる大規模なモデルです。利用を検討する際は、ご自身の環境が対応できるかを確認することが重要です。

また、このモデルの利用にあたっては「Grok 2 Community License Agreement」という独自のライセンスが適用されます。ライセンスの内容はモデルの利用範囲（商用利用の可否など）を定める重要な情報ですので、ダウンロードして利用する前には必ずこのライセンス文書を確認してください。

最先端のLLMに直接触れ、その動作を体験できる貴重な機会となるでしょう。

引用元: https://huggingface.co/xai-org/grok-2

皆さんは「Model Context Protocol（MCP）」という言葉を聞いたことがありますか？これは、AIアシスタント（Claude CodeやCursorなどのAI IDE）とGitHub、データベース、APIツールといった様々な外部サービスを連携させるための新しい仕組みです。例えるなら、AIアシスタントがあなたの開発ツールと直接会話できるようになる「架け橋」のようなもので、開発のやり方を大きく変えようとしています。

この記事では、2025年最新の情報として、開発効率を飛躍的に高める15種類のMCPサーバーが紹介されています。新人エンジニアの皆さんも、これらを活用することで、日々の開発作業を劇的に効率化できるでしょう。

いくつか代表的なMCPサーバーとその活用例を見てみましょう。

まとめとして、記事では特に「Apidog MCP Server」「GitHub/GitLab MCP Server」「OpenAI/Anthropic MCP Server」の3つが開発者にとって特に重要であると強調されています。AI時代の開発において、これらのMCPサーバーはあなたの生産性を大きく引き上げてくれる強力な味方になるでしょう。ぜひ、自分の開発環境に合ったMCPサーバーを導入し、AIとの連携による新しい開発体験を楽しんでみてください！

引用元: https://qiita.com/satokenichi/items/afa59c3605825bdf76f8

AIが猫を識別する秘密は「ニューラルネットワーク」にあります。かつてはプログラミングで猫の特徴を定義するのは難しかったのですが、AIはたくさんの画像から自動で学びます。基本要素の「ニューロン」は、入力された情報から「これは猫か？」を0か1で判断する基本的な部品。繰り返し学習して最適な線引きを覚え、複数のニューロンを組み合わせたネットワークで、より複雑な識別も可能になります。画像のピクセルを数値で扱い、多くの情報から猫の特徴を学習し、自動で識別できるようになるのです。

引用元: https://www.quantamagazine.org/how-can-ai-id-a-cat-an-illustrated-guide-20250430/

VOICEVOX:春日部つむぎ

Google検索のAI Modeが、ユーザーの作業をより深く支援する「エージェント機能」と、一人ひとりに合わせた「パーソナライゼーション機能」を強化し、提供地域を大幅に拡大することを発表しました。

今回のアップデートで最も注目すべきは、AI Modeがまるでアシスタントのようにタスクを遂行する「エージェント機能」です。例えば、友人とのディナー予約を探す際、「〇人、〇日、〇時、〇〇エリアで和食」といった複雑な条件を指定するだけで、AI Modeが複数の予約サイトを横断的に検索し、リアルタイムの空き状況を確認します。その上で、条件に合うレストランの候補と、直接予約ページへ繋がるリンクを提示してくれるため、ユーザーは最後の決定と予約の確定をするだけで済みます。将来的には、地域のサービス予約やイベントチケットの取得にもこの機能が拡張される予定です。この裏側では、ウェブをリアルタイムでブラウジングする「Project Mariner」や、GoogleのKnowledge Graph、Google Mapsといった技術が活用されています。このエージェント機能は、まず米国のGoogle AI Ultra契約者向けに、Labsの実験として提供が始まります。

また、米国でAI ModeのLabs実験に参加しているユーザー向けには、個人の好みや興味に合わせて検索結果を調整する「パーソナライゼーション機能」が導入されます。例えば、「1時間で手早くランチできる場所」と検索すると、過去の検索履歴やマップでの行動履歴からユーザーの好みを推測し、「イタリア料理が好きならこんなお店はどうか」「屋外席があるところが良いか」といった、より関連性の高い候補を提案してくれます。もちろん、共有される情報の管理はユーザー自身が行え、Googleアカウントの設定でいつでも調整可能です。

さらに、AI Modeで得られた情報を友人や家族と簡単に共有できる機能も追加されました。例えば旅行計画を立てる際など、AI Modeの応答結果をそのまま共有し、受け取った人もそこからさらに質問を続けたり、共同で検討を進めたりすることが可能になります。

Googleは、AI Modeが特に複雑な質問への対応力で非常に高い評価を得ているとし、この強力なAI検索体験をさらに広げます。現在、米国、インド、英国で提供されていますが、新たに180以上の国と地域に英語でのAI Modeの提供を開始しました。これにより、世界中でより多くの人々が、複雑なタスクや質問に対してAIの支援を受けられるようになります。今後は、さらに多くの言語と地域への拡大が予定されています。

新人エンジニアの皆さんにとって、この進化はAIが単なる情報検索を超え、私たちの日常的な「行動」をどう支援していくかを示す具体的な事例です。AIエージェントが様々なサービスと連携し、ユーザーの意図を汲み取ってタスクを自動化する動きは、今後のAI開発の大きな方向性を示すものと言えるでしょう。

引用元: https://blog.google/products/search/ai-mode-agentic-personalized/

このブログ記事は、AIシステムにおける新たなセキュリティ上の脆弱性、「画像スケーリング攻撃」について解説しています。これは、ユーザーがAIに画像を送信する際に、一見無害に見える画像に隠された悪意ある指示（プロンプトインジェクション）が、AIシステムが画像を縮小処理する段階で露見し、結果としてデータ窃取などの攻撃を可能にするものです。

具体的には、AIシステムは通常、大きな画像を処理する前に小さく縮小（スケーリング）します。この縮小の過程で、元の画像ではほとんど見えなかったり、全く認識できなかったりする悪意のあるプロンプトが、まるで「ゴースト」のように現れてAIモデルに実行されてしまうのです。この攻撃は、Google Gemini CLI、Vertex AI Studio、Googleアシスタントなど、多くの実稼働中のAIシステムで成功が確認されています。

例えば、Google Gemini CLIへの攻撃では、ユーザーが良性の画像をアップロードすると、システムが自動的に画像を縮小します。この縮小された画像に含まれる隠されたプロンプトが、Googleカレンダーに保存されたユーザーデータを攻撃者のメールアドレスに送信する、といった不正な動作を引き起こします。ユーザー側には、モデルが処理する前の画像プレビューがないため、何が起きているか気づくことができません。

この攻撃は、画像縮小に使われるアルゴリズム（例：ニアレストネイバー、バイリニア、バイキュービック補間）の特性を悪用しています。これらのアルゴリズムは、元の高解像度画像から低解像度画像を作成する際に、特定のパターンを歪ませたり強調したりする性質があり、これを利用して攻撃者は悪意のあるプロンプトを隠します。

このような脅威からシステムを守るためには、いくつかの対策が提案されています。まず、画像を縮小する処理自体を行わない、またはアップロード可能な画像の最大サイズを制限することが有効です。次に、もし画像縮小が必要な場合は、AIモデルが実際に処理する画像のプレビューを必ずユーザーに表示するべきです。CLIやAPIを使ったシステムでも同様です。

最も重要な防御策は、マルチモーダルなプロンプトインジェクションだけでなく、あらゆるプロンプトインジェクション攻撃に対応できるような、安全な設計パターンと体系的な防御を導入することです。特に、画像内のテキストなどの入力が、ユーザーの明確な確認なしに機密性の高いツール（例えばデータ送信やファイル操作）を呼び出すことがないようにするべきです。

記事では、この攻撃を探索し、生成するためのオープンソースツール「Anamorpher（アナモルファー）」も紹介されています。このツールは、様々な画像縮小アルゴリズムに対して、攻撃用の画像を生成する機能を提供し、研究者が脆弱性を理解し、防御策を開発するのに役立つでしょう。

引用元: https://blog.trailofbits.com/2025/08/21/weaponizing-image-scaling-against-production-ai-systems/

最新のOpenAIモデル「GPT-5」について、開発者が知っておくべき基本的な知識や、日々の業務に役立つ効果的な使い方を、新人エンジニアの皆さんにも分かりやすく解説します。

GPT-5は、これまでのモデルよりも「温かく、親しみやすい」対話ができるようになり、AIとのコミュニケーションがより自然になりました。特に、AIエージェントが指示されたタスクをこなす能力、複雑な問題を論理的に解決する力、そしてプログラミング作業（計画→実装→テスト）の安定性が大幅に向上しています。

開発者にとって特に注目すべきは、AIの応答を効率化する「Responses API」の強化です。これにより、AIは過去の思考プロセスを覚えて再利用できるようになりました。たくさんのツールを呼び出すような長い対話フローでも、毎回ゼロから考え直す必要がなくなるため、処理の速さ（レイテンシ）と費用（コスト）が抑えられ、より高い性能でタスクをこなせるようになります。

AIへの指示（プロンプト）の設計では、AIが次に何をするかを報告する「tool preamble」や、タスクをどこまで自律的に進めるかを制御する「persistence」といった機能が役立ちます。また、出力する文章の量を調整する「verbosity」や、AIの思考の深さを変える「reasoning_effort」といった新しい設定を使うことで、AIの振る舞いを細かくコントロールできるようになりました。

他の有名モデル（Google Gemini、Anthropic Claudeなど）と比較すると、一度に扱える情報量（Context Window）はやや小さいものの、実際に開発現場でよく使う範囲（約5万トークン）では非常に優れた推論能力を発揮します。プログラミング関連のベンチマークテストでも高い評価を得ており、特にWeb開発のタスクで強みを見せています。

GPT-5をコーディングに最大限活用するためのヒントは以下の6点です。

フロントエンド開発の具体例では、GPT-5が簡単なWebサイトの作成において、複雑な要件にも対応し、他のモデルと比較して質の高いコードを生成できることが示されました。

GPT-5は、コーディングをはじめとする様々な開発タスクにおいて、あなたの強力なパートナーとなるでしょう。これらの新しい機能や使い方を理解し、適切に活用することで、日々の開発作業をよりスムーズに進めることができます。

引用元: https://gihyo.jp/article/2025/08/programming-with-chatgpt-05

ペーパードライバー向けVRゲーム「PaperDrive」の開発者が、早期アクセス版の予想以上の反響に動揺し「期待しないで！買わないで！」とSNSで弱気な発言を連発し、話題になっています。月1本程度の販売を想定していたのが、5本以上売れそうだと焦る開発者の人間らしい反応が「可愛い」「面白い」と共感を呼び、シンプルな運転シミュレーターへの需要も浮き彫りになりました。

引用元: https://togetter.com/li/2592352

VOICEVOX:ずんだもん

OpenAIが、AIコーディングエージェントがより効率的に開発作業を行うための新しいガイドライン「AGENTS.md」を発表しました。これは、AIがプロジェクトのコードを理解し、より適切にサポートするための「説明書」のようなものです。

これまでのAIコーディングアシスタントは、コードの自動生成や修正を部分的にサポートしていましたが、プロジェクト全体の構造、独自の開発ルール、あるいは特定のテスト手順といった「文脈」を自動で理解するのは難しい側面がありました。そこで「AGENTS.md」は、こうしたAIエージェントが直面する課題を解決し、人間と同じようにプロジェクトの背景を深く理解して作業できるようにすることを目的としています。

「AGENTS.md」は、ソフトウェア開発でよく使われる「README.md」ファイルのように、プロジェクトのルートディレクトリに配置されます。このファイルには、AIエージェントがそのプロジェクトで作業する際に知っておくべき重要な情報が、標準的なMarkdown形式でまとめられます。具体的には、プロジェクトの概要や目的、コードのビルド方法、テストの実行手順、守るべきコーディング規約（例：インデントのスタイル、変数名の付け方）、依存ライブラリ、セキュリティに関する注意点などが含まれます。

これにより、AIエージェントは、ただ与えられたコードを補完するだけでなく、プロジェクト特有のルールや文脈を理解し、例えば「この機能は、既存のAコンポーネントと統合する際に、Bという規約に従うべきだ」といった、より高品質で整合性の取れたコードを提案したり、バグを見つけたりすることが期待されます。複数のサブプロジェクトがあるような大きなリポジトリ（モノレポ）の場合でも、それぞれのサブプロジェクトごとに「AGENTS.md」を置くことができ、AIは作業中のファイルに最も近いガイドラインを優先して参照します。もちろん、開発者が直接AIに指示を出す（プロンプトする）ことで、このガイドラインを一時的に上書きすることも可能です。

この取り組みは、OpenAIだけでなく、OpenAI Codex、Amp、GoogleのJules、Cursor、Factory、Roo Codeといった様々なAIコーディングツール開発チームと協力して進められています。AIがますます開発現場で活躍するようになる中で、「AGENTS.md」のような共通のガイドラインは、AIと人間のエンジニアがスムーズに協力し、開発効率とコード品質の両方を高めるための重要な一歩となるでしょう。新人エンジニアの皆さんも、今後AIと一緒に開発を進める際には、こうした「AIに仕事を任せるための説明書」の重要性を意識しておくと、AIをより効果的に活用できるはずです。

引用元: https://gihyo.jp/article/2025/08/agents-md-site

この記事では、Googleが新しく発表した軽量なAIモデル「Gemma 3 270M」を、実際にカスタマイズ（ファインチューニング）してみた体験が紹介されています。

Gemma 3 270MってどんなAI？

実際にファインチューニングに挑戦！

もっと効率的なカスタマイズ：LoRA

まとめ

利用上の注意点

引用元: https://zenn.dev/mixi/articles/1a6a7c1856c206

LLM（大規模言語モデル）を使ったシステムで、外部の情報を参照して回答を生成するRAG（Retrieval-Augmented Generation）という技術が注目されています。RAGでは、LLMが答えた情報が「どの情報源から来たのか」を示す「出典（しゅってん）」を明記することがとても大事です。なぜなら、LLMがたまに間違った情報を生成する「ハルシネーション」を防ぎ、回答の信頼性を高めるためです。

しかし、これまでのRAGの出典特定方法には課題がありました。多くの場合、LLMが文章をすべて出力し終えてから、その文章がどの情報源と関連するかを後から判断していました。この方法だと、LLMが文章を作りながら内部で考えている情報（潜在意識のようなもの）を活かせず、正確な出典特定が難しいという問題がありました。

この課題を解決するのが、今回紹介されている新しい手法「LoDIT（ロディット）」です。LoDITは、LLMが文章を生成している「途中」の情報を活用して、どの情報源を参照しているかをリアルタイムに判断します。

具体的には、LLMが次にどの単語（「トークン」と呼びます）を出すかを確率で予測している、その「トークンの出力確率」という内部情報を使います。LLMは例えば「私の名前」の次に「は」を出す確率が60%、「で」を出す確率が20%…といったように、次のトークンごとに確率を計算しています。

LoDITでは、各情報源（例えば資料A、資料Bなど）にそれぞれ「AA」や「BB」といった、普段使われない短いトークンを割り当てておきます。LLMが文章を生成する際、一つ一つのトークンが出力されるたびに、これらの割り当てられたトークン「AA」や「BB」が出力される確率も同時に記録します。そして、生成された文章全体で、どの情報源のトークン（「AA」や「BB」など）の出力確率が高かったかを総合的に判断することで、「この文章は情報源Aを参照したな」というように、LLMが実際に参照していた情報源を特定します。

このLoDITを用いることで、既存の手法と比較して、LLMがどの情報源を元に回答したかをより正確に特定できるようになります。論文の評価では、既存手法よりも最大で約1割も精度が向上したことが報告されています。特に、トークンが元々持つ出力の偏りを取り除く「debiasing」という仕組みが、精度向上に大きく貢献しているとのことです。

LoDITは、LLMの「次に何を話すか」を予測する際の内部的な情報をうまく活用することで、RAGの信頼性を高める画期的なアプローチです。このように、LLMの潜在的な情報から「+α」の価値を引き出す技術は、今後のAI開発においてますます重要になるでしょう。RAGの出力の信頼性を高めたい場面で、ぜひ活用を検討してみてください。

引用元: https://zenn.dev/knowledgesense/articles/0712abdd04a4f6

電撃ホビーウェブによると、「ねんどろいど ずんだもん」に使える限定の表情パーツ6種が「ねんどろいどフェイスメーカー」でセット販売中です。これは「ずんだ餅の日」に合わせた特別コラボで、2025年8月19日から10月30日までの期間限定。すでに予約中の「ねんどろいど ずんだもん」をさらに楽しむためのアイテムで、カスタマイズ済みのセットを2個から注文できます。本体は別売りなので注意が必要ですが、ずんだもんファンには嬉しいニュースですね。

引用元: https://hobby.dengeki.com/news/2711194/

（株式会社ずんだもんは架空の登場組織です）

Googleは、AI開発者向けの「Gemini API」で利用できる「URLコンテキストツール」を一般公開しました。このツールを使うと、AIモデルにウェブページの情報やドキュメントの内容を、より簡単かつ深く理解させられるようになります。

これまでのGeminiモデルは、インターネットに直接アクセスする機能が限定的でした。既存の「Grounding with Google Search」は、検索結果の短い断片しか扱えませんでしたが、今回のURLコンテキストツールは、指定したウェブページ全体のコンテンツをAIモデルが分析できるようになります。これにより、AIがより多くの文脈を理解し、複雑な情報を扱えるようになるのが大きな特徴です。

今回のリリースで、このツールは読み込めるコンテンツの種類が大幅に増えました。

このツールは、大規模な開発利用にも対応できるよう準備が整いました。利用するGeminiモデルに応じて処理能力（レート制限）が設定され、コストも明確になったため、安心して開発を進められます。

URLコンテキストツールは、開発者が新しいAIアプリケーションを作る可能性を広げます。例えば、以下のような用途が考えられます。

このツールはすでに、オープンソースのGemini CLIや顧客サービスプラットフォームのGladly.aiなどで活用されており、よりスマートなAI体験の実現に貢献しています。今回の一般公開により、多くの開発者がこの強力な機能を使いこなし、様々な課題を解決するAIアプリケーションを生み出すことが期待されます。

引用元: https://developers.googleblog.com/en/url-context-tool-for-gemini-api-now-generally-available/

この記事では、AnthropicのAIチャットボット「Claude」と、AIモデルやアプリケーションが公開されているプラットフォーム「Hugging Face Spaces」を連携させることで、高品質な画像を簡単に生成できるようになる方法が紹介されています。この連携により、最新のAI画像生成モデルを非常に手軽に利用できるようになるのが大きな特徴です。

この連携には主に3つのメリットがあります。

この機能を利用するには、まず無料のHugging Faceアカウントを作成し、Claudeのチャット入力画面にある「Search and tools」メニューからHugging Faceを接続するだけです。この連携の裏側では、Hugging Faceの「MCP Server」という技術が使われており、効率的にGPUを利用できる「ZeroGPU」という仕組みが、大規模なAIモデルの動作を支えています。Hugging Faceアカウントには、これらの強力なモデルを無料で利用するためのクレジットも付与されます。

記事では特に二つの先進的な画像生成モデルが紹介されています。

二つ目は「Qwen-Image」です。このモデルは、プロンプトの指示に忠実に画像を生成する能力と、画像内のテキスト（文字）を非常に正確にレンダリングする点に優れています。そのため、ポスターや看板、インフォグラフィック、マーケティング資料など、画像の中に正確な文字を入れたい場合に最適です。また、Qwen-Imageには、より良いプロンプトを作成するための「Prompt Enhancer」という支援機能も備わっています。

これらのモデルは、Hugging FaceのMCP設定ページから簡単に追加・有効化でき、Claudeに指示を出すだけで利用可能です。両方のモデルを同時に有効にして、同じプロンプトで生成された画像を比較するといった使い方も試せます。

ClaudeとHugging Face Spacesの連携は、最先端のAIモデルを使った画像生成を、専門知識がなくても手軽に、かつ高品質に行えるようにする画期的な進歩です。Hugging Face Spacesには画像生成以外にも、動画生成やWeb検索、画像編集など様々なAIアプリケーションが公開されており、新人エンジニアの方々もこれを活用して、様々なアイデアを形にするプロジェクトに挑戦できるでしょう。

引用元: https://huggingface.co/blog/claude-and-mcp

この記事は、LLM（大規模言語モデル）を使った開発で、従来の「プロンプトエンジニアリング」から「コンテキストエンジニアリング」へとアプローチが変化している背景と、ClaudeCodeの「サブエージェント」機能を活用した実践方法を、新人エンジニア向けに解説します。

初期のLLMは、漠然とした指示だと意図しない回答をすることがあり、プロンプト（指示文）の工夫が重要でした。しかし、LLMの推論能力が向上した今、重要なのは「どう指示するか」よりも「AIにどんな文脈（情報）を与えるか、与えないか」というコンテキストの設計です。これが「コンテキストエンジニアリング」と呼ばれる新しい考え方です。

コンテキストエンジニアリングが重要になったのは、LLMの「コンテキストウィンドウの限界」や「不要な情報による性能低下」という課題があるためです。LLMとのやり取りが長くなったり、関係ない情報が混じったりすると、AIの応答品質が悪くなる「コンテキスト汚染」が起こります。開発現場では、多くの情報（仕様書、既存コードなど）を参照する中で、意図せずこの汚染が発生しがちです。

このコンテキスト汚染を解決する強力な手段が、ClaudeCodeの「サブエージェント」機能です。サブエージェントは、メインの作業プロセスとは独立したコンテキストで動作します。例えるなら、プログラミングの「純粋関数」のように、入力に対して結果を返すだけで、メインのコンテキストを汚しません。これにより、AIが常にクリーンで関連性の高い情報だけを参照できるようになります。

具体的な活用例としては、以下が挙げられます。

サブエージェントは、タスクの性質に応じてOpus（高度な思考）やSonnet（速度重視）といったモデルを使い分け可能です。作成も簡単で、「PRを作成するエージェントを作って」のように自然な言葉で指示するだけで、ClaudeCodeが自動生成してくれます。

LLMとの協働を効率的に進めるためのベストプラクティスとしては、タスクを細かく分解し、「過程は不要で結果だけ欲しい」独立したタスクはサブエージェントに任せること。また、長時間の作業でコンテキストが汚染されてきたと感じたら、重要な情報を保存し、一度セッションをリセットしてクリーンな状態から再開することも効果的です。

コンテキストエンジニアリングは、LLMとの開発効率と品質を高める上で不可欠な技術です。ClaudeCodeのサブエージェント機能を活用し、ぜひ自分なりの実践方法を見つけてみてください。まずは簡単なサブエージェントを一つ作ってみることから始めてみましょう。

引用元: https://zenn.dev/aki_think/articles/66f6fc7530467a

コールセンター業務はAIに代替されにくいという意見があります。その理由として、電話してくる人の大半が自分の問題を明確に言葉にできない点が挙げられます。人間オペレーターは、顧客の言葉の裏を読み取る「エスパー能力」や経験による「パターン認識」で状況を把握し解決しています。AIはFAQ提示などで活用されますが、複雑な状況判断や刻々と変わるトレンドへの対応はまだ難しいとされています。AIと人間の適切な役割分担が、顧客対応の効率化と品質向上の鍵となりそうです。

引用元: https://togetter.com/li/2591419

（株式会社ずんだもんは架空の登場組織です）

2025年8月に発表された「GPT-5」は、AI技術の最先端を行く統合システムです。新人エンジニアの皆さんも、これからのAI開発でGPT-5のようなモデルに触れる機会があるかもしれません。この教科書では、GPT-5の基本的な構成と、特に力を入れている安全性への取り組みについて解説されています。

GPT-5は、大きく分けて「スマートで高速なモデル（gpt-5-main）」と「より深い推論モデル（gpt-5-thinking）」、そしてこれらのモデルを賢く使い分ける「リアルタイムルーター」で構成されています。ルーターが会話の内容や複雑さに応じて最適なモデルを自動的に選び、処理の速さと質の高さを両立させています。

GPT-5の大きな進化点として、以下の3つが挙げられます。

これらの品質向上は、OpenAIが導入した新しい安全訓練手法「safe-completions」によるものです。これは、単に不適切な内容を拒否するだけでなく、AIの回答そのものの安全性を高めることを目指しています。

安全性への取り組みは非常に徹底されています。

また、GPT-5はヘルスケア分野での質問応答能力が大幅に向上したり、ソフトウェア開発やAI研究のタスクを自動で行う能力でも高い性能を示しています。

GPT-5の登場は、AIがより強力になる一方で、安全で倫理的な利用がますます重要になっていることを示しています。OpenAIは、このような広範な安全対策を通じて、AIの責任ある発展を目指していると言えるでしょう。

引用元: https://zenn.dev/microsoft/articles/openai_gpt5_textbook

エムスリーのエンジニアが、LLMの一種であるClaude Codeを使って、わずか30分で自分専用のタスク管理ツールを構築した事例を紹介しています。

著者は、これまで使っていたタスク管理方法（Jiraやテキストメモ）では、「タスクを気軽に書き込めること」と「見やすく整理して表示できること」の両立が難しいという課題に直面していました。複雑なツールは結局使わなくなるリスクがあるため、手軽に運用できるものを作ることを目指しました。

この課題を解決するため、著者はClaude Codeを「対話型インターフェース」として活用しました。具体的には、データベースの代わりにシンプルなテキストファイル（current.md）を用意し、Claude Codeの動作ルールを「CLAUDE.md」という設定ファイルに自然言語で細かく定義していきました。例えば、タスクのステータス（GO待ち、開発中など）や、メモ、関連URLの管理方法、そして「タスクの追加」「ステータスの更新」「出力フォーマット」といった様々な操作を、コードを一切書かずに自然な言葉で指示できるように設定していったのです。この設定は、運用しながら少しずつ改善を重ねた結果、現在の形に落ち着いたとのことです。

結果として、このツールは期待以上の実用性を示しました。特に以下の点が大きなメリットとなりました。

今後は、完了したタスクの自動整理や、日報作成の補助、定期的な自動タスク追加など、さらなる機能拡張も視野に入れているそうです。

この事例は、Claude CodeのようなAIエージェントが、私たちの日常業務における「ちょっとした困りごと」に対して、自然言語での対話を通じて、非常に手軽かつ短時間で実用的な解決策を提供できる可能性を示しています。新人エンジニアの皆さんも、身の回りの改善にAIを活用するヒントとして参考にしてみてください。

引用元: https://www.m3tech.blog/entry/2025/08/18/100000

この記事は、大量のテキストデータをAIが扱える形式（埋め込み、またはエンベディング）に効率よく変換する方法を、新人エンジニアにも分かりやすく解説しています。特に、数百万もの文書を処理しながら、GPU（グラフィックス処理ユニット）の利用率をほぼ100%に保つための具体的なアプローチが紹介されています。GPU利用率が高いことは、処理が速く、コスト効率も良いという点で、大規模なAIシステムを開発する上で非常に重要です。

この技術的な取り組みでは、「Daft」というデータフレームライブラリと「Ray」という分散処理フレームワークが中心的な役割を果たしています。これらのツールを使うことで、複数のコンピューターやGPUに処理を分散させ、並行して動かすことが可能になります。

処理のパイプラインは以下のステップで構成されています。

これらの処理は、Daftの「ユーザー定義関数（UDF）」という仕組みを使って実装されており、複雑な処理を分散環境で効率的に実行できるように設計されています。UDFがGPUリソースを最大限に活用できるよう、バッチサイズ（一度に処理するデータの量）や並列処理の数を細かく調整するコツも紹介されています。

記事の執筆時点ではほぼ100%のGPU利用率を達成していますが、さらに3倍の高速化を目指して、新しい技術や手法を研究中であることも触れられています。これは、常に最高のパフォーマンスを追求するエンジニアリングの姿勢を示すものです。

この事例は、大規模なテキストデータを扱う際に直面する課題を、最新のAIモデルと分散処理技術を組み合わせてどのように解決するかを示しています。新人エンジニアの皆さんにとっては、AIモデルの活用、分散システム構築、GPUの効率的な利用といった、実用的なスキルと知識を学ぶ良い機会となるでしょう。

引用元: https://www.daft.ai/blog/embedding-millions-of-text-documents-with-qwen3

（株式会社ずんだもんは架空の登場組織です）