株式会社ずんだもん技術室AI放送局

この記事では、ターミナルで動作するAIコーディングツール「Claude Code」をより効果的に使うための設定ファイル「CLAUDE.md」について、具体的な設定例を交えながら解説されています。新人エンジニアの方も、AIを活用した開発のヒントとして役立つでしょう。

CLAUDE.mdは、Claude Codeにプロジェクト固有の知識を覚えさせる「メモリ機能」です。これにプロジェクトの設計やコーディングルール、作業の流れなどを記述することで、AIが生成するコードの質を上げることができます。たくさん書きすぎるとAIが内容を無視してしまうことがあるため、必要な情報を簡潔にまとめることが大切です。英語で書く方がAIが処理しやすい（トークン量を抑えられる）側面もありますが、筆者は保守性を考慮して日本語で書くことも問題ないとしています。

筆者のCLAUDE.mdには、開発中のSNSアプリ「Gotoshisha」の具体的な情報が記述されています。

特に注目すべきは、テストガイドラインの重要性です。AIにコードを生成させる際、テスト駆動開発（先にテストを書き、それに合わせてコードを開発する手法）と組み合わせることで、AIが作ったコードが正しく動くかを確認しやすくなり、スムーズに開発を進められると筆者は強調しています。

また、Claude Codeが実行できるコマンドを細かく設定する.claude/settings.jsonファイルについても紹介されています。このファイルで、AIに自動で許可するコマンド（allowリスト）と、絶対に禁止するコマンド（denyリスト）を設定することで、安全にAIと協力して開発を進めることができます。

まとめると、CLAUDE.mdにプロジェクトの情報を詳しく、かつ簡潔に記述し、特にテスト駆動開発と組み合わせることで、Claude Codeの能力を最大限に引き出し、効率的で品質の高い開発ができるという点がこの記事の大きな学びです。

引用元: https://zenn.dev/dirtyman/articles/ddbec05fd9fbb4

この記事は、大規模言語モデル（LLM）の運用にかかるコスト（推論コスト）を効率的に見積もり、賢くシステムを拡張・展開するための方法を、新人エンジニアにも分かりやすく解説しています。LLMが様々なアプリケーションの基盤となる中で、システムを大規模に運用する際には、どれくらいのインフラが必要で、総費用（TCO: Total Cost of Ownership）がどれくらいになるかを事前に把握することが非常に重要になります。

このブログ記事では、主に以下の3つのステップを通じて、LLMの推論コストを計算する流れを説明しています。

パフォーマンスベンチマークの実施:

ベンチマークデータの分析と最適な構成の特定:

総所有コスト（TCO）の計算:

これらのステップを踏むことで、LLMアプリケーションを大規模に展開する前に、コスト面での計画をしっかりと立て、効率的で費用対効果の高いシステムを構築するための重要な知見が得られます。新人エンジニアの皆さんも、将来的にAIシステムを設計・運用する際に、このようなコストの見積もり能力が非常に役立つでしょう。

引用元: https://developer.nvidia.com/blog/benchmarking-llm-inference-costs-for-smarter-scaling-and-deployment/

今回ご紹介するオックスフォード大学の研究は、大規模言語モデル（LLM）を使った医療診断において、「人間が関わることでAIの診断精度が大きく低下する」という、新人エンジニアの皆さんがAIシステム開発を考える上で非常に重要な研究結果です。

LLMとは、ChatGPTなどで使われる、大量のテキストから学習し自然な文章を理解・生成できるAIモデルのことです。この研究では、GPT-4oやLlama 3、Command R+といった最新のLLMを使って、1,298人の参加者に医療シナリオの診断実験を行いました。

結果は驚くべきものでした。LLMが単独で病状を特定する精度は94.9%と非常に高かったのに対し、人間がLLMを使って診断を行った場合、正答率は34.5%以下にまで落ち込んでしまったのです。これは、従来の自己診断方法よりも低い結果でした。

なぜこのようなギャップが生じたのでしょうか？研究では、参加者がLLMに症状を伝える際に情報が不完全だったり、LLMからの回答を人間が誤解したりする問題が確認されました。例えば、重要な情報を省略して伝えたために、LLMが誤った診断を下すケースが見られました。つまり、AIがどんなに高性能でも、人間がAIにどう情報を与えるか（プロンプトの質）、そしてAIからの情報を人間がどう解釈するかが、そのAIの最終的な性能を大きく左右するということです。

この課題は医療分野に限らず、AIチャットボットを使ったカスタマーサポートなど、人間とAIが相互作用するあらゆるシステムに共通します。システム開発においては、「テスト環境では完璧に見えたAIが、実際のユーザーに使われると期待通りの性能を出せない」というリスクがあることを理解しておく必要があります。

AIが真に役立つシステムとなるためには、単にAIモデルの性能を高めるだけでなく、「人間が質の高いプロンプトを与えやすい工夫」や、「AIからの情報を人間が正しく理解できるように、AIの回答を分かりやすく提示する工夫」といった、「人間とAIのコミュニケーション」を円滑にする設計が非常に重要です。

また、興味深いことに、AI同士で診断実験を行った場合は60.7%の正答率を示しました。これは、人間とAIの組み合わせよりもAI同士の方が効率的に情報をやり取りできる可能性を示唆しています。

新人エンジニアの皆さんがAI開発に携わる際、「技術は素晴らしいけれど、実際に使うのは人間だ」という視点を常に持ち、人間の認知特性や行動パターンを深く理解し、それに適応する「人間中心のAI設計」を心がけることが、真に価値あるAIシステムを生み出す鍵となるでしょう。

引用元: https://innovatopia.jp/ai/ai-news/57656/

（株式会社ずんだもんは架空の登場組織です）

Anthropicは、LLM（大規模言語モデル）エージェント構築の経験から、効果的なAIエージェントを作るためのヒントを共有しています。多くの成功事例では、複雑なフレームワークよりも、シンプルで組み合わせやすいパターンが使われていることが分かりました。

「エージェント」には様々な定義がありますが、AnthropicではLLMとツールを組み合わせたシステム全体を「Agentic systems（エージェント的システム）」と呼んでいます。その中で、特に重要な2つのタイプを区別しています。

LLMアプリケーションを作る際は、まず最もシンプルな方法から試し、本当に必要になった場合にだけ複雑なシステムを導入することが推奨されます。エージェント的システムは、より良いタスク性能を目指す一方で、処理が遅くなったり、コストがかさんだりするトレードオフがあるため、そのバランスを考える必要があります。

しかし、多くのケースでは、LLMへの一度の問い合わせを最適化するだけで十分な結果が得られることもあります。

LangGraphやAmazon BedrockのAI Agentフレームワークなど、エージェントシステムの開発を助けるツールが多数存在します。これらは、LLMの呼び出しやツールの定義、処理の連携といった基本的な作業を簡単にしてくれます。

一方で、フレームワークを使うと、抽象化の層が増えることで、内部のプロンプトやLLMの応答が見えにくくなり、デバッグが難しくなることがあります。また、シンプルな方法で済む場合でも、不必要に複雑なシステムを作り上げてしまう誘惑に駆られることもあります。

Anthropicは、まずLLMのAPIを直接使ってみることを推奨しています。多くのパターンは簡単なコードで実現できます。もしフレームワークを使う場合は、その内部の仕組みをしっかりと理解しておくことが重要です。

LLMを使った開発において最も大切なのは、凝ったシステムを作ることではなく、自分のニーズに「最適なシステム」を構築することです。まずはシンプルなプロンプトから始め、性能を評価しながら改善を進め、もしシンプルな解決策では対応できない場合にのみ、より複雑な多段階エージェントシステムを導入しましょう。

エージェントを開発する際には、以下の3つの重要な原則を意識することが推奨されています。

フレームワークは開発のスタートを加速させますが、システムを本番環境で運用する際には、抽象化を減らして、基本的なコンポーネントで構築することも検討してください。これらの原則に従うことで、強力であると同時に信頼性が高く、メンテナンスしやすいエージェントを作り出すことができるでしょう。

引用元: https://www.anthropic.com/engineering/building-effective-agents

AIの進化により「AIエージェント」が注目されていますが、実用的なエージェントシステムを開発するのは簡単ではありません。この記事では、信頼性の高いエージェントを構築するための考え方と、フレームワークの選び方について解説しています。

1. AIエージェントとワークフローの区別

2. 信頼性の高いエージェント構築の鍵

3. エージェントフレームワークの役割とLangGraph

4. まとめ

引用元: https://blog.langchain.com/how-to-think-about-agent-frameworks/

Googleは、AIモデル「Gemini 2.5」ファミリーのラインナップをさらに強化し、開発者がより柔軟にAIを活用できるよう新しいモデルの提供を開始しました。

まず、これまでプレビュー版として提供されてきた「Gemini 2.5 Flash」と「Gemini 2.5 Pro」が、正式に「一般提供（GA: Generally Available）」となりました。これは、これらのモデルが安定し、実際のサービスや製品に組み込んで使うのに適したレベルになったことを意味します。すでにSplineやRooms、Snap、SmartBearといった企業がこれらのモデルを本番環境で利用しており、その信頼性が証明されています。新人エンジニアの皆さんも、これらのモデルを使って、より本格的なAIアプリケーション開発に安心して取り組めるようになります。

そして、新たに「Gemini 2.5 Flash-Lite」のプレビュー版が公開されました。このモデルは、Gemini 2.5ファミリーの中で「最もコスト効率が良く、最も高速」という特徴を持っています。AIモデルの利用にかかる費用を抑えつつ、素早い応答が必要なタスクに特に強みを発揮します。例えば、大量のテキストを翻訳したり、情報を分類したりするような処理で、これまで以上に効率的なAI活用が期待できます。

Flash-Liteは、これまでの2.0世代のモデルと比較しても、コーディング、数学、科学、推論、さらにはテキスト以外の情報（画像や音声など）を扱うマルチモーダルな能力においても、全体的に高い品質を実現しています。また、Gemini 2.5シリーズの大きな特徴である「100万トークン」という非常に長い文章や大量の情報を一度に処理できる能力や、Google検索やコード実行といった外部ツールと連携できる機能も、Flash-Liteでそのまま利用できます。これにより、より複雑で実用的なAIシステムを構築できるようになります。

これらの新しいモデルは、Google AI StudioやVertex AIといったGoogleのAI開発プラットフォームを通じてすぐに利用を開始できます。また、Gemini 2.5 FlashとProは、Geminiアプリからも利用可能です。さらに、Google検索の一部にもカスタムバージョンのFlash-LiteとFlashが導入されており、私たちの日常生活にもAIの恩恵が広がっています。

今回の発表は、AI開発の選択肢を広げ、さまざまな用途に応じた最適なモデルを選べるようになることを示しています。新人エンジニアの皆さんにとって、最先端のAI技術に触れ、新しい価値を創造する大きなチャンスとなるでしょう。

引用元: https://deepmind.google/discover/blog/were-expanding-our-gemini-25-family-of-models/

人気キャラクター「四国めたん」の全身可動プラモデルに、新しく作られたミニフィギュアが同梱された特別版が登場します。2025年6月19日(木)午前10時から予約が始まります。このプラモデルは色々なポーズが取れるので、飾って楽しめますよ。ミニフィギュアはPLUM WEB SHOPで単品でも買えるそうです。ホビーに興味がある新人エンジニアの方は、ぜひチェックしてみてくださいね。

引用元: https://hobby.dengeki.com/news/2633689/

（株式会社ずんだもんは架空の登場組織です）

AIモデルの著作権侵害訴訟が増える中、Meta社の主要LLMであるLlama 3.1の「記憶」能力に関する興味深い研究が注目されています。これは「AIモデルが元の学習データをそのまま出力してしまうことがあるのか？」という問題に深く関わっています。

スタンフォード大学などの研究チームが、Llama 3.1 70Bモデルを含むいくつかのモデルを調査したところ、驚くべき結果が発表されました。研究によると、Llama 3.1 70Bは『ハリー・ポッターと賢者の石』の最初の本のおよそ42%を、元の文章そのままに再現する能力があることが分かりました。これは、モデルが書籍の内容を高い精度で「記憶」していることを示唆しています。Llama 1 65Bが同じ本をわずか4.4%しか記憶していなかったのと比較すると、Llama 3.1ではその記憶能力が大幅に向上しています。また、人気のある書籍（例：『ホビット』や『1984年』など）ほど、Llama 3.1が内容を記憶している傾向があることも分かりました。

では、どのようにモデルの記憶能力を測ったのでしょうか？研究者たちは、モデルが次にどのような「単語の断片」（トークン）を生成するか、その確率を計算する手法を用いました。この確率を繋ぎ合わせることで、50個のトークンが特定の文章とどれくらい一致するかを、実際にモデルに生成させずに推定することが可能になりました。これにより、非常に少ない確率でしか出ないような特定の文章も効率的に分析できるようになりました。

この研究結果は、著作権訴訟に大きな影響を与える可能性があります。AI企業はこれまで「モデルは単に言葉のパターンを学習するだけで、元のデータをコピーするわけではない」と主張してきましたが、Llama 3.1が書籍の大部分を再現できる事実は、この主張を困難にします。特に、「フェアユース」（公正利用）という著作権の考え方にも影響が出そうです。Google Booksの事例では、書籍からごく一部しか出力しない点がフェアユースと認められましたが、Llama 3.1はより多くの部分を再現できるため、議論が複雑化します。

さらに、Llamaのようにモデルの内部構造（重み）を公開している「オープンウェイトモデル」が、そうでない「クローズドウェイトモデル」に比べて、法的に不利になる可能性も指摘されています。オープンウェイトモデルでは、今回の研究のように内部の挙動を詳しく分析できるため、著作権侵害の証拠が見つかりやすいためです。これはAI開発のオープンな共有を阻害する可能性があり、今後の業界動向に注目が集まります。この研究は、AI技術の発展と著作権保護のバランスについて、重要な示唆を与えています。

引用元: https://www.understandingai.org/p/metas-llama-31-can-recall-42-percent

VR開発者であるナル先生こと近藤義仁氏が、AIの発展がエンジニアのキャリアにどう影響するかについて語っています。

AI時代において、ソフトウェアエンジニアの仕事が完全になくなるわけではありませんが、その役割は大きく変化するとナル先生は指摘します。特にAIを導入しにくい一部の業界では人間エンジニアが残り、Web系の分野ではAIによる代替が進むでしょう。AIの能力は急速に進化しており、かつてのような「職人気質」でプライドが高く、人間関係が難しいタイプのエンジニアは、AIの圧倒的なスピードと人間的な特性を兼ね備えた人材に取って代わられる可能性があります。

この変化の時代を生き抜くために最も重要なのは、「プライド」や「これまでの投資（サンクコスト）」を捨てて、新しい技術、特にAIを常に学び続ける姿勢だとナル先生は強調します。AIの進化は非常に速く、数年前の常識はあっという間に通用しなくなるため、毎日AIの最新ツールや機能を触り、その動向をチェックする「技術的な健康診断」が不可欠です。ナル先生自身も、朝4時に起きてX（旧Twitter）でAI情報を収集・発信し、将来的には自身のXログを学習させたローカルLLMを動かすことで「自分年金」を構築する計画を語っています。

今後は、AIエージェントを大量に束ねて指示できる「オーケストレーション」能力を持つ人材が非常に価値を持つ時代になります。また、AIが物理的な作業など、自身ではできないことを人間に指示する「HaaS（Human as a Service）」という働き方も登場するかもしれません。これは、組織に属する従来のサラリーマンという概念が崩壊し、個人のスキルと「役割」が重要になる、より多様で自由な働き方が広がる「ユートピア」な未来を示すとナル先生は語ります。

労働がAIに代替されることで、人間は「やりたくないこと」から解放され、余暇が増え、よりクリエイティブな活動に集中できるようになるでしょう。この変化に適応し、常に新しいものに触れ、柔軟な考え方を持つことが、これからのエンジニアにとって最も大切な資質となります。

引用元: https://type.jp/et/feature/28625/

Hugging Faceが、AIモデルの超高速推論を提供する「Groq（グロック）」を公式のインファレンスプロバイダーとして追加しました。これは、AIモデルを動かす（推論する）際に、より多様で高性能な選択肢が増えたことを意味し、特に大規模言語モデル（LLM）を使う開発者にとって朗報です。

Groqの最大の強みは、彼らが独自に開発した「LPU™（Language Processing Unit）」というプロセッサです。これは、LLMのような計算量の多い処理を高速に、そして低遅延で実行するために特化して設計されています。一般的なGPU（グラフィックボード）では苦手とする、連続した処理の速さに優れており、リアルタイム性が求められるAIアプリケーションに特に適しています。例えば、チャットボットのように「すぐに返答が欲しい」場面で、その真価を発揮します。

今回の連携により、Hugging Face Hubで提供されている多くのオープンソースLLM（MetaのLLama 4やQwenのQwQ-32Bなど）を、GroqのLPUの速度で手軽に利用できるようになりました。これは、モデルの性能を最大限に引き出しつつ、応答速度が重要なアプリケーションを開発する際に非常に役立ちます。

Hugging Face Hub上での利用はとても簡単です。ウェブサイトのUIから、またはPythonやJavaScriptのSDK（開発キット）を使って、Groqの推論APIを利用できます。ユーザーは自分のGroq APIキーを使う「カスタムキー」方式か、Hugging Face経由で認証・課金を行う「Hugging Faceルーティング」方式のどちらかを選べます。Hugging Faceルーティングの場合、追加料金なしでプロバイダーの標準料金のみが適用され、Hugging FaceのPROユーザーには毎月無料のインファレンスクレジットも提供されます。

この連携により、新人エンジニアの方々も、最先端の高速AI推論インフラをより身近に感じ、多様なAIモデルの活用や新たなアプリケーション開発に挑戦しやすくなるでしょう。推論速度はユーザー体験に直結するため、今回のGroqとの連携は、より良いAIサービスを生み出すための重要な一歩と言えます。

引用元: https://huggingface.co/blog/inference-providers-groq

人気キャラクター「ずんだもん」の派生キャラ「ずんだどん」の1/12スケール可動フィギュア化が決定しました。この「ずんだどん」は、「ずんだもん」に関するユニークな嘘投稿から誕生した異色のキャラクターです。本来のずんだもんとは異なる巨漢のビジュアルが特徴で、今回の立体化は関係者の許諾を得て実現しました。衣装は布製で、現在監修中。完成が待ち遠しいですね！

引用元: https://news.denfaminicogamer.jp/news/250616o

（株式会社ずんだもんは架空の登場組織です）

Anthropicが、AIの「マルチエージェントシステム」をどう作ったか、その開発の裏側と重要な知見を公開しました。これは、AIアシスタント「Claude」の調査機能（Research機能）を開発する中で得られた貴重な学びです。

AnthropicのResearch機能は、「オーケストレーター・ワーカーパターン」という仕組みを使っています。これは、一人の「リーダーエージェント」がユーザーの質問を受け、それをいくつかの小さなタスクに分解します。分解されたタスクは、複数の「サブエージェント」（リサーチャーエージェント）に指示され、それぞれが並行して調査を行います。最後に、リーダーエージェントが各サブエージェントの結果を統合し、最終的な回答を作成するという流れです。まるで、プロジェクトリーダーが専門チームに仕事を割り振り、最後にまとめて報告書を作るようなイメージです。

このマルチエージェントシステムは、得意なことと苦手なことがあります。得意なのは、たくさんの調査を同時に進める「並列処理」や、大量の情報を扱うタスク、複数のツールを使う作業です。実際に、シングルエージェント（一人のAI）よりも高い調査性能を発揮しました。一方、苦手なのは、プログラミングのように並列化しにくい作業や、全員で同じ情報を共有しながら進める必要がある作業です。このシステムの性能を大きく左右するのは、AIがどれだけ「思考」（＝トークン）を使うか、つまりどれだけ深く考える時間を与えられるかです。しかし、大量のトークンを使うため、コストが高くなる点が大きな課題です。最新のモデルに切り替えることで、効率を上げつつコストを最適化できると報告されています。

開発では、AIへの指示文である「プロンプトエンジニアリング」が非常に重要でした。Anthropicは、以下の8つのコツを見つけました。

AIシステムの効果的な評価方法についても紹介されています。

マルチエージェントシステムは複雑ですが、適切に設計・運用することで、人間だけでは難しい大規模な調査や分析を可能にする強力なツールとなることが示されています。

引用元: https://zenn.dev/ml_bear/articles/a5dc93b9d03edd

この記事は、最新のAI技術であるClaude Codeと、ソフトウェア開発で広く使われるGitHub Issueを連携させ、開発プロセスを「全自動化」するコンセプトと、それを実現するためのスクリプトについて紹介しています。これは、AIが自律的にソフトウェア開発のタスクをこなし、まるで一人のエンジニアのようにプロジェクトを進める未来の働き方を垣間見せてくれるものです。

この自動開発システムの基本的な流れはこうです。まず、GitHubリポジトリに登録されている未解決のIssueの中から、スクリプトが優先度（P0, P1, P2, P3）とIssue番号の組み合わせで、次に作業すべき最も重要なタスクを自動的に見つけ出します。

次に、選ばれたIssueの詳細な内容（タイトルや説明）が、AIであるClaude Codeにプロンプトとして渡されます。Claude Codeは、この指示に基づいて必要なコードの生成や既存コードの修正といった実装作業を行います。

実装が完了すると、スクリプトは自動でGitのブランチを切って、AIが行った変更をステージングし、コミットします。さらに、オプションで指定すれば、GitHub上でPull Request（PR）の作成まで自動で実行してくれます。これにより、人間が手動で行っていた一連の開発サイクル（タスク選定、実装、コミット、PR作成）の一部がAIによって自動化されるわけです。

このシステムでは、AIが開発したプロセス全体を詳細に記録する機能も備わっています。Claude Codeの出力ログ、Gitの差分、セッションのメタデータなどが履歴として保存され、後からAIの作業内容を検証したり、学習データとして活用したりできるようになっています。

このスクリプトを利用するためには、事前にGitHub CLI（ghコマンド）、JSONデータ処理ツールのjq、そしてAIであるClaude Codeがインストールされている必要があります。また、AIが効果的に機能するように、GitHub Issueのテンプレートを整備したり、プロジェクトのドキュメントを適切に管理したりといった準備も推奨されています。

記事の冒頭には、この自動開発システムがまだ試験段階にあり、その利用は自己責任で行うべきであるという重要な注意事項が明記されています。

新人エンジニアの皆さんにとって、AIが開発現場でどのように活用され、私たちの仕事の進め方にどんな影響を与えるのかを考える良い機会になるでしょう。このような先進的な取り組みに興味があれば、ぜひ内容を深く理解した上で、試してみてはいかがでしょうか。

引用元: https://memotty-obsidian.pages.dev/202506151218-claude-code%E3%81%A8github-issue%E3%82%92%E4%BD%BF%E3%81%A3%E3%81%9F%E5%85%A8%E8%87%AA%E5%8B%95%E9%96%8B%E7%99%BA%E3%81%AB%E3%81%A4%E3%81%84%E3%81%A6/

いま、AIエージェントが自動でプログラムを書く新しい開発手法「バイブコーディング」が急速に広がっており、ソフトウェア開発の世界に大きな変化をもたらそうとしています。新人エンジニアの皆さんも、この最新のトレンドを理解しておくことは、これからのキャリアを考える上でとても大切です。

2025年は「AIエージェント元年」とも呼ばれるほど、自分で考えて行動するAIエージェントが次々と登場し、特にソフトウェア開発の分野でその活用が注目されています。従来のプログラミングでは、開発者がコードを一行ずつ記述していましたが、バイブコーディングでは、AIエージェントに「こんなシステムを作りたい」「この機能を追加してほしい」といった指示を出すだけで、AIが自動的に必要なプログラムコードを生成してくれます。まるで、開発者がプログラムの具体的な書き方を細かく指示するのではなく、AIにプロジェクトの「ノリや雰囲気（バイブス）」を伝えて、あとはAIに任せてしまうような感覚で開発が進むのが特徴です。この「バイブコーディング」という言葉は、OpenAIの著名なAI研究者アンドレイ・カルパシー氏がSNSに投稿したことをきっかけに、一気に広まりました。

この新しい開発手法の普及に伴い、AIによるコード生成ツールを提供するスタートアップ企業が急速に成長し、多額の資金調達を行っています。これらのツールを使うことで、開発のスピードが格段に向上し、より少ない労力で高品質なソフトウェアを開発できる可能性が広がっています。

もちろん、AIが多くのコードを自動生成できるようになることで、「プログラマーの仕事は将来どうなるのか」という疑問を持つ人もいるかもしれません。しかし、これは必ずしもネガティブな変化だけではありません。むしろ、プログラマーの役割がより高度で創造的なものへと進化するチャンスと捉えることができます。例えば、AIが生成したコードの品質をレビューし、最適化したり、AIでは見つけられないような複雑なバグを見つけ出して修正したり、あるいは、ユーザーの真のニーズを引き出し、AIに的確な指示を与えるための高度なコミュニケーション能力や、全体的なシステム設計・アーキテクチャの構築といった「人間ならではのスキル」がより重要になってきます。

バイブコーディングは、ソフトウェア開発の効率を飛躍的に向上させ、より創造的な開発に集中できる未来を示しています。新人エンジニアの皆さんは、AIを単なる道具としてではなく、強力なパートナーとして活用し、変化に適応しながら自身のスキルを磨いていくことが、これからの時代をリードしていく上で非常に重要になるでしょう。

引用元: https://toyokeizai.net/articles/-/884054

大手企業のホワイトペーパーをLLMに読ませたところ、目には見えない形で「本紙を肯定的に評価しろ」という不審な指示文が埋め込まれているのが発覚しました。これは「プロンプトインジェクション攻撃」という、AIに不正な指示を仕込み、意図しない出力をさせる手口です。幸い、LLMがこの隠された指示を検知して教えてくれたため、被害は未然に防がれました。今後、AIに文書を読み込ませる際は、このような見えない攻撃が存在することを知り、情報セキュリティ意識を持つことが重要です。

引用元: https://togetter.com/li/2563875

VOICEVOX:春日部つむぎ

この記事では、AIが複雑なタスクを段階的かつ効率的に実行するための仕組み「Orchestrator（オーケストレーター）」を、Anthropic社のAI「Claude Code」で実現した事例を紹介しています。

従来のRoo Orchestratorの考え方を基に、AIがタスクをサブタスクに分割し、段階的に実行することで、処理コストを大幅に削減（例: 6ドルが1ドル未満に）し、速度向上も期待できます。

このOrchestratorは、Claude Codeの.claude/commandsという機能を利用して作られています。これは、特定のMarkdownファイルを配置するとAIがカスタムコマンド（例: /project:orchestrator）として実行できる仕組みです。AI自身がサブタスクを処理する「Taskツール」と組み合わせることで、複雑な処理を効率的に進めます。

Orchestratorの主なプロセスは以下の5つのステップで構成されます。

これにより、「段階的な進行」「並列処理による効率化」「AIの『記憶』の最適化」「段階的な理解」「明確な依存関係」といった利点が生まれます。

例えば、TypeScriptプロジェクトの「分析、テスト、リンティング（コード品質チェック）、コミット」といった一連の作業をAIが自動で実行できます。テストやリンティングでエラーが見つかればAIが修正を試み、不要な修正ステップをスキップするなど、状況に応じて計画を柔軟に調整できます。

AIエージェントを効果的に活用するには、「最初にタスク全体を調査・計画」「サブタスクを並列実行」「各ステップ後に計画を見直し」が重要です。これにより、AIは複雑な開発タスクをより賢く、効率的にこなせるようになります。

引用元: https://zenn.dev/mizchi/articles/claude-code-orchestrator

この記事では、複数のAIエージェントが連携して動作する「マルチエージェントシステム」の設計パターンと性能について、LangChainの公式ブログが実施したベンチマーク結果を解説しています。

なぜマルチエージェントが必要か？

３つの代表的なアーキテクチャ

ベンチマーク結果とSupervisorの改善

しかし、LangChainはSupervisorアーキテクチャにいくつかの重要な改善を施しました。

まとめ

引用元: https://blog.langchain.dev/benchmarking-multi-agent-architectures/

OpenAI Agents SDKは、AIエージェントをTypeScriptで簡単に構築・管理するための軽量なパッケージです。以前の実験的なプロジェクト「Swarm」を本番環境向けに改良したもので、AIエージェント開発を始める新人エンジニアにとって非常に役立つツールです。

このSDKの主な特徴と機能は以下の通りです。

OpenAI Agents SDKは、これらの機能を通じて、TypeScriptエンジニアがAIエージェントを開発・運用する際の生産性と信頼性を高めるための強力な基盤を提供します。

引用元: https://azukiazusa.dev/blog/openai-agents-sdk-typescript

VOICEVOX:ずんだもん

AI Shift社が開発する企業向けAIエージェント構築プラットフォーム「AI Worker」について、開発チームとAIチームが協力し、組織の強みを最大限に活かすアーキテクチャ設計をどのように模索したかを紹介します。

AIエージェント開発における課題と変化

組織の強みを活かすアーキテクチャ設計のポイント

責務の再定義とチーム統合:

開発言語の統一（TypeScript）:

AIエージェントフレームワーク「Mastra」の採用と向き合い方:

疎結合な設計とFeature Flagの活用:

まとめ

引用元: https://zenn.dev/aishift/articles/c897d0e095c3d8

タイトル: Agent Development Kit によるエージェント開発入門

要約:

まず、LLMが単なる質問応答にとどまらず、より複雑なタスクをこなす「エージェント」として機能するために必要な技術が説明されます。重要なのは、「情報検索（RAG: Retrieval-Augmented Generation）」と「Function Calling」です。RAGは、LLMが持つ既存の知識だけでなく、外部のデータベースやウェブ検索から最新情報を取得し、それを踏まえて回答を生成する仕組みです。これにより、LLMの知識をリアルタイムに拡張し、より正確な情報を提供できるようになります。Function Callingは、LLMがユーザーの意図を理解し、その意図に基づいて外部のツール（APIなど）を呼び出し、特定の処理を実行する能力です。例えば、「東京と京都の気温差を教えて」という質問に対して、LLMが自ら気象情報APIを呼び出し、必要なデータを取得・計算して回答を生成するといった、具体的なタスクの自動実行が可能になります。

これらのエージェントを効率的に開発するためにGoogleが提供するのが「Agent Development Kit (ADK)」です。ADKは、エージェントの構築に必要な機能を抽象化しており、開発者が複雑な実装ロジックを直接書く手間を減らします。ADKでは、LLMの振る舞いを定義するLlmAgentオブジェクトや、エージェントの実行・管理を行うRunnerオブジェクトといった主要なコンポーネントが提供され、これにより簡単にエージェントアプリケーションを構築できます。

さらに、ADKを活用することで、より複雑なエージェント構成も可能です。例えば、「サブエージェント」という概念では、特定の専門知識や機能を持つ複数のエージェントを用意し、ユーザーの質問内容に応じて最適なエージェントに処理を振り分けます。これにより、それぞれのエージェントが連携しながら、より高度で専門的な対話を実現できます。また、「Agent as a Tool」というパターンでは、別エージェントをあたかも一つのツールであるかのように扱い、他のエージェントから呼び出して利用することも可能です。

開発したエージェントは「Agent Engine」を使ってデプロイ（公開）できます。また、他のAIエージェントとの連携を容易にする「A2A (Agent to Agent) サーバー」と組み合わせたり、「Agentspace」のようなプラットフォームに登録して利用したりすることで、開発したエージェントの活用範囲を広げることができます。

この資料を通じて、AIエージェントがどのように外部の情報やツールと連携し、賢く振る舞うのか、そしてそれらを効率的に開発するための基本的なフレームワークや構成パターンについて、基礎を学ぶことができます。

引用元: https://speakerdeck.com/enakai00/agent-development-kit-niyoruezientokai-fa-ru-men

この記事は、AIを搭載したコードエディタ「Cursor」を使い、開発組織のマネジメントをどのように効率化していくかについて書かれています。AIの活用というと、コードを書く手助け（AI-assisted coding）がまず思い浮かぶかもしれませんが、この記事では、それだけでなく「開発プロセス全体」にAIを導入することの重要性を強調しています。

筆者は、開発プロジェクトにかかる全時間（リードタイム）を分析すると、実際にコードを書く「開発フェーズ」以外にも、企画、会議、ドキュメント作成、管理業務といった部分に多くの時間が費やされていることを指摘しています。これらの「開発フェーズ以外の課題」にAIを導入することで、組織全体の生産性を大幅に向上させることができる、と述べています。

Cursorを活用した具体的なマネジメント術として、以下の点が紹介されています。

マネジメントの知見蓄積とワークフロー化:

エンジニアが開発に集中できる環境作り:

これらの活用により、AIはコード作成だけでなく、書類選考の効率化、要件定義のたたき台作成、会議の改善、テストの自動化など、開発組織の様々な業務に貢献し、全体の生産性を向上させると締めくくられています。

新人エンジニアの皆さんにとって、AIがコードを書くだけでなく、開発プロジェクトの運営やチームマネジメントにどのように貢献できるかを知ることは、今後のキャリアを考える上で貴重な視点となるでしょう。

引用元: https://developersblog.dmm.com/entry/2025/06/09/110000

（株式会社ずんだもんは架空の登場組織です）

メルカリは、膨大な社内データを持ちながらも、SQLなどの専門知識がないとデータ活用が難しいという課題に直面していました。データ分析の依頼が特定のアナリストに集中し、迅速な意思決定が阻害されることもあったため、「誰もがもっと手軽にデータと対話できる」仕組みが求められていました。

この課題を解決するために、メルカリはデータアナリティクスAIエージェント「Socrates（ソクラテス）」を開発しました。Socratesは、ユーザーが普段使う言葉（自然言語）で質問するだけで、まるで優秀なデータアナリストと会話するようにデータ分析を進められるシステムです。従来の「Text2SQL」（テキストからSQLを自動生成する技術）が単純な質問にしか対応できないのに対し、Socratesは「推論（思考）」と「行動（ツール利用）」を組み合わせることで、より複雑なデータ分析や仮説検証、レポート作成支援までを自動化します。これにより、データ分析の「民主化」とビジネスにおける「意思決定の迅速化」を目指しています。

Socratesが自社開発された背景には、高性能なLLM（大規模言語モデル）やAIエージェント構築ライブラリの登場、そしてメルカリに高品質なデータ資産（Basic Tables）が整備されていたというタイミングが重なりました。メルカリは、AIエージェントの核となる技術が汎用化する可能性を見据え、データの構造化や社内ナレッジの整備といった、他社が模倣しにくい「周辺資産」への早期投資と、それらを活用できる「AI Agent Ready」な組織への変革を重視しています。

Socratesの開発には、Googleが提供するAIエージェント開発フレームワーク「ADK (Agent Development Kit)」が活用されています。ADKは、Google Cloudのサービス（BigQueryやVertex AIなど）とスムーズに連携でき、複数の専門エージェントが協力して動く「マルチエージェントアーキテクチャ」の設計を支援します。Socratesでは、このADKを基盤に、BigQueryでのSQL実行、Pythonによるデータ処理、社内ドキュメント検索など、多様なツールと連携することでデータ分析のワークフローを自動化しています。

AIエージェントの運用は、機械学習システムの運用（MLOps）と同様に複雑です。メルカリでは、Socratesの応答品質やタスク達成度を評価するため、オフラインテスト、ユーザーからのフィードバック、さらには「Agent as a Judge」（別のAIエージェントがSocratesの応答を評価する）といった多角的なアプローチで継続的な改善を行っています。また、応答速度（レイテンシ）の改善、コスト最適化、セキュリティ対策（プロンプトインジェクション防止、情報漏洩対策など）にも力を入れています。ADKはGoogleエコシステムとの親和性が高く開発を加速させましたが、一部の課題も認識しており、今後の進化に期待を寄せています。

メルカリの事例は、AIエージェントが企業内のデータ活用を大きく変革する可能性を示しています。AIエージェントは、単に開発するだけでなく、データやドキュメントといった「周辺資産」を整備し、組織文化や業務プロセスを「育て続ける」ことが成功の鍵となります。

引用元: https://speakerdeck.com/na0/merukariniokerudetaanariteikusu-ai-eziento-socrates-to-adk-huo-yong-shi-li

中国のAIスタートアップ「Butterfly Effect」が開発したAIエージェント「Manus」が、AIコミュニティで大きな注目を集めています。同社はこれを「世界初の汎用AIエージェント」と称し、OpenAIの「Deep Research」を超える性能を持つと豪語しています。

「Manus」は、AnthropicのClaude 3.5 SonnetやAlibabaのQwenモデルをベースにした「マルチエージェントシステム」を採用しています。これは、複数のAIが連携して働くことで、より複雑なタスクに対応できる仕組みです。初期の専門家による評価は非常に高く、例えば、犯罪率や起業家密度といった複数の要素を考慮してサンフランシスコの賃貸物件を探したり、リアルタイムのデータを使って自己紹介サイトを作成・公開したりといった、複雑で具体的なタスクを高い精度で実行できたと報告されています。元Google社員のYouTuberも、「最も自律的なAIエージェントに近い」と評価し、様々なタスクでその能力を検証しています。

しかし、2025年4月の一般公開後、ユーザーからの評価は賛否両論に分かれています。新規登録者には無料クレジットが提供されるものの、簡単なタスクでも大量のクレジットを消費するため、無料で試せる回数はごく限られます。月額料金も高額で、これに対しては「法外に高い」という声も上がっています。

実際にユーザーが試したところ、データ入力の自動化や物件探しなど、タスクによっては期待通りの成果が得られなかったり、全く意図しない情報が生成されたりする失敗例も報告されています。一方で、非常に時間のかかる作業を短時間で完了できたといった成功体験も聞かれます。

専門家からは、デモでAIエージェントの可能性が示された一方で、自律的に行動するAIエージェントが、株式売買などの重要なタスクを自動で行うことにはまだ慎重な姿勢を示す意見もあります。

「Manus」は、汎用的なAIエージェントの可能性を示すものですが、実用化にはコスト面や精度、そしてAIが自律的に行動することのリスクなど、まだ多くの課題があることが伺えます。

引用元: https://www.sbbit.jp/article/cont1/165679

AIエージェント開発に挑戦中の皆さん、こんにちは！AIエージェントを構築するフレームワークLangGraphが、Python版とJavaScript版で大規模な新機能アップデートを行いました。今回の機能追加は、AIエージェントの開発効率を大幅に高め、より柔軟な制御を可能にするものです。新人エンジニアの皆さんが、AIエージェント開発をスムーズに進める上で役立つポイントをご紹介します。

今回のアップデートにより、LangGraphを使ったAIエージェント開発は、より高速に、より堅牢に、そしてより柔軟に行えるようになりました。これらの新機能を活用し、ぜひ皆さんの手で新しいAIエージェント開発に挑戦してみてください！

引用元: https://blog.langchain.dev/langgraph-release-week-recap/

Gateboxと竹中工務店が協業し、AIキャラクターがオフィスビルの照明や空調などを音声で操作するシステムを開発しました。これは、従来の個人宅向けではなく、オフィスやホテルなどの大規模な建物で多様な設備を遠隔操作できるのが特徴です。自然な会話で設備を制御できるため、オフィスワーカーや宿泊者など、様々な利用者の利便性や快適性を向上させることを目指しています。AIが身近な場所で活躍する未来が楽しみですね。

引用元: https://prtimes.jp/main/html/rd/p/000000120.000026497.html

（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、OpenSearch 3.0の最新機能、特に「MCP（Model Context Protocol）」を活用したAIエージェントとの連携方法について、新人エンジニアの方にも分かりやすく解説されています。

OpenSearchは、大量のデータの中から必要な情報を素早く探し出すための、強力な検索エンジン（データベースの一種）です。今回リリースされたバージョン3.0では、AI技術との連携が大きく進化しました。中でも注目すべきは、AIエージェントが外部のデータやツールとスムーズにやり取りするための共通ルールであるMCPに、OpenSearchが標準で対応した点です。これにより、OpenSearchは単なる検索システムから、より賢く、幅広い情報に対応できるプラットフォームへと進化しています。

OpenSearch 3.0の主な更新点は以下の通りです。

記事では、このMCP連携の具体的な2つのパターンが紹介されています。

1. OpenSearchから外部のMCPサーバーを利用する構成

2. 外部のMCPサーバーからOpenSearchを呼び出す構成

このように、OpenSearch 3.0のMCP対応は、AIエージェントがOpenSearchのデータや機能をより柔軟に利用できる道を開きます。システム全体として、AIがより賢く、ユーザーの要求に応えられるようになるため、今後のAI活用の幅がさらに広がるでしょう。

引用元: https://acro-engineer.hatenablog.com/entry/2025/06/09/120000

この記事は、AIエージェントの開発を、新人エンジニアでも理解しやすいよう、実践的かつ分かりやすい3ステップで解説しています。

AIエージェントとは、これまで人手で行っていた、複数のステップと判断が必要な複雑なタスクを自動化するソフトウェアシステムです。従来の自動化では難しい、文脈理解や状況判断、適応力が求められる作業に向いています。最も効果的なAIエージェントは、特定の領域に特化し、目的を狭く絞り込むことで実現できます。

AIエージェント開発は、次の3つのステップで進められます。

ステップ1：手動でプロトタイプを作る

ステップ2：タスクのループを自動化する

ステップ3：信頼性を最適化する

まとめると、AIエージェント開発は、通常のソフトウェア開発の基本原則（明確なロジック、良い構造、密なフィードバックループ）に基づいて行われます。実装前に手動でテストし、LLMを本当に必要な判断部分にのみ活用し、そして徹底的に品質をテストすることで、信頼性の高いエージェントが構築できるのです。

引用元: https://vercel.com/blog/the-no-nonsense-approach-to-ai-agent-development

Appleは先日、開発者向けのツールと技術を大幅に強化すると発表しました。これは、世界中の開発者がより創造的で革新的なアプリを効率的に作れるようにするためのものです。特に、AIやLLM（大規模言語モデル）の活用が注目されています。

主な強化点は以下の通りです。

これらの強化により、Appleは開発者がより高度な機能と魅力的なデザインを持つアプリを、これまで以上に効率的に開発できる環境を提供し、ユーザー体験の向上を目指しています。

引用元: https://www.apple.com/newsroom/2025/06/apple-supercharges-its-tools-and-technologies-for-developers/

（株式会社ずんだもんは架空の登場組織です）

近年、生成AIは膨大なデータを学習して進化しましたが、その中には著作権保護コンテンツも多く含まれ、無断利用による著作権問題が深刻化しています。これによりAI開発企業は学習データの詳細を公開せず、研究の透明性が失われる「透明性の冬」という状況に陥っていました。

このような状況を打破するため、EleutherAIを中心とする共同研究チームが、画期的なテキストデータセット「Common Pile v0.1」を公開しました。これは8テラバイト（TB）もの膨大なデータ量を持つ点が特徴です。最大のポイントは、パブリックドメイン（著作権が消滅したものなど、誰もが自由に使える状態のコンテンツ）と、オープンライセンスのコンテンツ（使用、研究、変更、再配布が自由に許諾されているもの）のみで構築されている点です。特に「オープンの定義2.1版」という厳格な基準を採用し、誰もが自由に利用できるライセンスのコンテンツだけを選び、商用利用や改変が制限されるライセンスは排除されています。

Common Pileは、データ量だけでなく内容も非常に多様です。オープンソースのソースコード、政府・法律関連文書、学術論文など、30種類もの信頼できるソースから収集されています。また、インターネットに存在する誤ったライセンス表記（ライセンスロンダリング）や、個人情報、有害なコンテンツ、重複するデータなどを徹底的に取り除き、高品質を維持するための厳しい管理が行われています。

さらに驚くべきは、この「クリーンな」Common Pileで学習させた新しい言語モデル「Comma v0.1」が、Meta社の「Llama 2」など、ライセンスの透明性が低いデータで学習された既存の高性能モデルに匹敵する、あるいは一部で凌駕する能力を示したことです。これは「著作権を遵守すると高性能なAIは作れない」という従来の常識を覆す画期的な成果と言えます。

Commaモデルの高性能は、Common Pileに含まれる多様なデータソースの「混ぜ方（データミキシング）」を工夫した点にあります。品質の高いデータを優先的に学習させることで、限られた計算資源で効率的に知識を習得できました。

この「Common Pile」は、過去のデータセットにおける著作権問題の反省を活かし、法的・倫理的な正当性を最優先に据えた「The Pileの正統進化形」と位置づけられます。Common Pileの登場は、AI開発における著作権リスクを低減し、透明で倫理的なAI研究を加速させるための大きな一歩となるでしょう。これにより、開発者は安心してAIを開発でき、社会全体として説明可能で信頼できるAIの実現に貢献すると期待されています。

引用元: https://xenospectrum.com/8tb-massive-open-dataset-common-pile-now-available/

この記事では、AI開発ツール「Claude Code」をさらに便利にするオープンソースツール「claude-bridge」を紹介します。これまでClaude CodeはAnthropic社のAIモデルに限定されていましたが、「GPT-4oのような新しいモデルも試したいけど、そのためだけに別のツールを覚えるのは大変…」と感じていたエンジニアの皆さんに朗報です。claude-bridgeを使えば、Claude CodeからOpenAIのGPTシリーズ、GoogleのGemini、さらにはご自身のPCで動かせるローカルLLMまで、様々なAIモデルを利用できるようになります。

claude-bridgeは、Claude Codeが出すAIへのリクエストを「翻訳」し、指定された他のAIプロバイダーが理解できる形式に変換して転送する「プロキシ」として機能します。これにより、Claude Codeは普段通りに動作しますが、裏では自由に選んだAIモデルと連携できる「魔法」を実現しています。

このツールの最大の魅力は、特に「Ollama」というツールと組み合わせることで、自宅のPCに高性能なGPU（画像処理装置）があれば、AIエージェント機能を完全に無料で、そして無制限に使い放題にできる点です。これにより、高額なAPI利用料を気にすることなく、またプライベートなコードや機密情報が外部に送られる心配もなく、安全にAIを活用できるようになります。これは、コスト削減やプライバシー保護を重視する企業や個人の開発者にとって、非常に大きなメリットとなります。

インストールは「npm install -g @mariozechner/claude-bridge」と簡単で、使い方も「claude-bridge openai gpt-4o」のようにプロバイダーとモデルを指定するだけと非常にシンプルです。複数のAIモデルを比較しながらコード生成を行うなど、開発効率の劇的な向上が期待できます。

ただし、いくつかの制限事項もあります。例えば、Claude Codeの表示するAIのトークン使用量や費用は正確でなかったり、画像のアップロード機能が動作しなかったりします。また、OpenAIの特定のモデルではAIの「思考過程」が詳細に表示されない場合もあります。これらの制限を理解し、「あくまでハック的なツール」であることを念頭に置き、重要なプロジェクトで使う前には十分にテストを行うことが推奨されています。

claude-bridgeは、AIモデルの選択肢を広げ、コストを削減し、プライバシーを守りながら、AIエージェント機能を活用した開発を進めるための革新的なツールです。AI開発に興味のある新人エンジニアの皆さんは、ぜひ一度試して、その便利さを体験してみてください。

引用元: https://note.com/taku_sid/n/n189f2696a30e

最近のAIモデル（LLM）には、Large Reasoning Models（LRM）と呼ばれる、答えを出す前に詳細な「思考プロセス」を生成するものが登場しました。これらは推論能力のベンチマークで高い性能を示す一方で、その基本的な能力や、問題の規模が大きくなった時の特性、そして限界についてはまだ十分に理解されていませんでした。

これまでの評価は、主に数学やプログラミングの問題で、最終的な答えの正確さに注目していました。しかし、この評価方法には、学習データが汚染されている（テスト問題がすでにモデルの学習に使われている）可能性があり、モデルがどういう思考プロセスで答えを出したのか、その質や構造が分かりにくいという課題がありました。

そこでこの研究では、制御可能なパズル環境を使って、これらの課題を体系的に調べました。この環境では、問題の論理構造は変えずに、その「複雑さ」だけを細かく調整できます。これにより、最終的な答えだけでなく、LRMの内部でどのように「思考」が進んでいるのか（推論の軌跡）を詳細に分析することが可能になりました。

様々なパズルで広範な実験を行った結果、最新のLRMは、ある一定の複雑さを超えると、その回答精度が完全に崩壊してしまうことが分かりました。さらに、非常に興味深いことに、問題の複雑さが増すにつれて、LRMの「推論の努力」（思考に費やすリソース）は最初は増えるものの、ある時点を境に、たとえ十分な思考のためのリソース（トークン予算）があっても、かえってその努力が減少してしまうという、直感に反する限界があることが判明しました。

また、LRMと、思考プロセスを生成しない通常のLLMを同じ計算資源で比較すると、3つの異なる性能領域が見られました。1つ目は、簡単な問題では、意外にも通常のLLMの方がLRMよりも良い結果を出すことがあります。2つ目は、中程度の複雑さの問題では、LRMが追加の思考を行うことで有利になることが示されました。そして3つ目は、非常に難しい問題では、どちらのモデルも完全に問題を解けなくなる、という結果でした。

研究では、LRMが正確な計算に限界があること、明確な手順（アルゴリズム）を使えないこと、そしてパズルによって推論の仕方が一貫しないことも明らかになりました。これらの分析は、LRMの強みと限界を浮き彫りにし、最終的に彼らの本当の推論能力について重要な疑問が提起されています。

引用元: https://machinelearning.apple.com/research/illusion-of-thinking

特急列車内で、お婆さんが席をリクライニングするためAI翻訳アプリを利用したところ、「あなたを倒していいですか？」と誤訳され、周囲の笑いを誘うハプニングがありました。これは日本語の「倒す」が「リクライニング」と「打ち負かす」で多義的であることが原因です。AI翻訳の奥深さや、人間らしいユーモアに触れる面白い事例として、AIが身近な存在となった現代の微笑ましい一面を示しています。正しい英語表現についても解説されています。

引用元: https://togetter.com/li/2561307

VOICEVOX:春日部つむぎ

この記事は、「app.build」という、オープンソースのプロジェクトを紹介しています。これは、AI技術を活用した「AI Agent」という仕組みを使って、Webアプリケーション開発の初めの一歩を助けてくれるツールです。具体的には、データベースからユーザーインターフェース（画面）まで一通り揃った「フルスタック」と呼ばれるアプリケーションの基本的なコードを、コマンド一つで自動的に生成してくれます。

使い方はとても簡単で、ターミナルでnpx @app.build/cliというコマンドを実行するだけです。生成されるアプリは、主にNeonというクラウド上で動くデータベースサービスなどを利用することを想定していますが、設定を変えたり、独自のテンプレートを使ったりすることも可能です。

app.buildの大きな特徴は、コードが全て公開されている「オープンソース」であることです。これにより、開発の仕組みを透明に見ることができ、誰もが自由に利用したり、改善に貢献したりできます。また、「ローカルファースト」が重視されており、皆さんの手元のPCですぐに動かして試せるように作られています。これは、これからWebアプリ開発を始めたい新人エンジニアの方にとっても、手軽にプロジェクトのひな形を作れる便利な出発点となるでしょう。

このプロジェクトは開発者向けに作られており、特にNeonのようなプラットフォーム上で動くコードをAIに自動生成させるツールを作る際の「参照実装」、つまりお手本となることを目指しているそうです。

プロジェクトのコードは、全てGitHubリポジトリで公開されています。興味があれば、どのようなコードでこのAI Agentが作られているのかを覗いてみることもできます。

このように、AIがソフトウェア開発の一部を自動化し、より効率的にアプリ開発を進められるようにする動きが進んでいます。app.buildは、AI Agentが実際にどのようにアプリケーションコードを生成できるかを示す具体的な例であり、今後の開発スタイルを考える上で参考になるプロジェクトと言えるでしょう。

引用元: https://www.app.build/

前回の記事で作成した、SNS上で活動するAI Agent（架空の友達、今回はプリキュアオタクギャル）には、「最新情報や専門知識が足りない」という課題がありました。LLM（大規模言語モデル）は学習時点より新しい情報を持っていないため、例えば最新のプリキュア作品について尋ねても正確な情報を返せないことが確認されました。

この課題を解決するために、LLMに外部の知識を参照させる仕組み、RAG（Retrieval Augmented Generation）の考え方を取り入れました。具体的には、プリキュアに関する大量の文書（Wikipediaなどから収集・整理）を「ベクトル検索」できるようにデータベース化し、それをAI Agentが使える「ツール」として提供することにしました。このツールはMCP (Model Context Protocol) Serverとして実装しました。

文書をベクトル化（文章の意味を数値のまとまりに変換）する際には、使用するモデルによって検索精度が変わるため、いくつかのモデルを試しました。データベースに保存することで、AI Agentは質問や投稿内容に関連する文書を素早く探し出せるようになります。

AI Agentにこのツールを使わせるためには、「プリキュアに関する話題は確認してから話す」といった人格設定や、ツールの説明文に「正確な事実確認に使う」といったガイドを追加しました。これにより、AI Agentが自律的にツールを使うことを促しました。

実験の結果、AI Agentが自分でツールを使って正しい情報を取得し、投稿や返信を修正する成功例も生まれました。しかし、ツールを使わなかったり、期待と違う情報を取得してしまう失敗例も多く、LLMが自律的に外部ツールを適切に使いこなすのは難しい現状も見えました。これはLLM自体の性能や、ツールの活用を促すためのさらなる工夫（例えば、別のAIがチェックする仕組みなど）が必要であることを示唆しています。

今回、AI Agentが自ら判断して外部ツールを使い、正確な情報を基に投稿する一連の流れを実現できたことは大きな進歩です。この仕組みは、他の人格に別の専門知識を与える場合にも応用できます。今後、精度を上げて、AI Agentがリアルタイムの情報も参照できるようになれば、例えばアニメを一緒に見ながら感想を語り合う、といったこともできるようになるかもしれません。

引用元: https://memo.sugyan.com/entry/2025/06/05/090000

Google DeepMindが、次世代AIシステムである「Gemini」ファミリーの最新モデル「Gemini 2.5 Pro」のプレビュー版を発表しました。これは、Geminiシリーズで最も高性能なモデルと位置づけられています。

Gemini 2.5 Proの主な特徴は以下の通りです。

Google DeepMindは、Gemini 2.5 Proを含む最新モデルを、開発者がGoogle AI StudioやGemini APIを通じて利用できるように提供しています。これにより、開発者はこれらの強力なAIモデルを活用して、新しいアプリケーションやサービスを構築できます。

全体として、Gemini 2.5 Proは、推論、コーディング、マルチモーダル処理、長文理解といった様々な面で大幅な進化を遂げたモデルであり、日本のエンジニアの皆さんがAI開発に取り組む上で非常に強力なツールとなるでしょう。Google DeepMindは、こうしたAI技術を責任を持って、人類に beneficio (利益)をもたらす形で開発していくことを目指しています。

引用元: https://deepmind.google/models/gemini/pro/

新型ゲーム機「Nintendo Switch 2」が登場し、性能が向上したことで初代Switchソフトの動作が改善されたと話題です。『ポケモンSV』などで報告されていた処理落ちが大幅に減り、「ぬるぬる動く」「ロードが速い」といった喜びの声が多数上がっています。既存ゲームも新しいハードで快適に遊べるのは、技術の進化を感じられて面白いですね。

引用元: https://news.denfaminicogamer.jp/news/2506053j

VOICEVOX:ずんだもん