エピソード

  • 私立ずんだもん女学園放送部 podcast 20260717

    私立ずんだもん女学園放送部 podcast 20260717
    2026/07/16
    youtube版(スライド付き) 関連リンク
    • Claude Codeが化けた。今使っている3つのプラグイン+標準機能の活用法

    本記事は、Claude Codeを単なるコード生成ツールから、コスト管理や設計の品質担保までをこなす頼れる相棒へ進化させるための実践的な活用術を紹介しています。新人エンジニアが開発効率を最大化する上で役立つ、5つの重要な構成要素は以下の通りです。

    1. ステータスライン（標準機能）: /statuslineコマンドで作業状況やレートリミットを可視化します。コンテキスト残量やコストを常に意識することで、効率的な作業判断が可能になります。
    2. 朝7時のping（ルーチン）: 5時間制限のウィンドウを業務時間に合わせて固定し、限られたリソースを最大限に活用します。
    3. genshijin（プラグイン）: 日本語特有の丁寧な言い回しを省略し、原始人のような簡潔な応答へ変換することで、トークン消費量を約8割削減します。
    4. superpowers（プラグイン）: AIに要件定義、実装計画、TDD（テスト駆動開発）、セルフレビューという規律ある開発プロセスを強制し、質の高いアウトプットを引き出します。
    5. dig（プラグイン）: 実装前に「考えていなかった前提条件」を深掘り質問で炙り出し、設計の抜け漏れを未然に防ぎます。

    これらを組み合わせることで、「可視性」「時間管理」「コスト効率」「プロセス」「設計精度の向上」を網羅し、AIをより自律的かつ高精度な同僚として活用できるようになります。インストールも容易なため、業務効率に悩んでいるエンジニアはぜひ試してみてください。

    引用元: https://zenn.dev/sonicmoov/articles/8712598f532b18

    • Claude Codeのスキル設計で効く4つのポイント —— 「AIへの仕事の任せ方」を意識した設計

    Claude CodeでAIに業務を任せる際、「とりあえず動くスキル」ではなく「安定して業務に組み込めるスキル」を作るための設計手法を解説しています。AIを「新しいメンバー」として捉え、以下の4つのポイントで設計することが重要です。

    1. 依頼内容を明確にする: 期待するアウトプットの形式（分類方法や制約）と、必要なインプット（ドキュメントやルール）を具体的に定義します。曖昧な指示は品質低下の元となるため、「人間に頼む場合」を想定して詳細を詰めることが不可欠です。

    2. 任せる単位を決める: 決定的な処理はスクリプト化し、複雑なタスクはサブエージェントに並列分業させます。コンテキストサイズを考慮し、機能単位でタスクを適切に分割し、タスクの難易度に応じて適切なモデル（Haiku/Sonnet/Opus）を選択します。

    3. 品質確認の仕組みを組み込む: 一発生成に頼らず、セルフレビューや、異なるペルソナを持つサブエージェントによるクロスレビューを実施します。チェックリストや検証担当を明確に分けることで、レビューの深さと網羅性を高めます。

    4. 評価と改善のループを回す: スキルごとに評価指標を設け、評価スキルを用いて定期的に品質をチェックします。改善案の最終判断は人間に残し、運用で判明した失敗を「Gotchas（注意点）」としてスキルに蓄積することで、継続的に品質を向上させます。

    これらのアプローチを徹底することで、AIへの委譲精度が高まり、エンジニアはより創造的な業務に集中できるようになります。

    引用元: https://tech-blog.rakus.co.jp/entry/20260716/claude

    • お便り投稿フォーム

    VOICEVOX:ずんだもん
    続きを読む 一部表示
    1分未満
  • 株式会社ずんだもん技術室AI放送局 podcast 20260716

    株式会社ずんだもん技術室AI放送局 podcast 20260716
    2026/07/15
    youtube版(スライド付き) 関連リンク OpenAI GPT-5.6 Sol, Terra, and Luna are now generally available on Amazon Bedrock Amazon Web Services Amazon Bedrockにて、OpenAIの最新モデル群「GPT-5.6シリーズ（Sol, Terra, Luna）」が一般提供開始されました。本シリーズは、自律型エージェントや複雑なマルチステップ推論が必要なワークロードに最適化されており、エンジニアはAWSの堅牢なセキュリティ環境下で、最新のAI推論能力を活用可能になります。 モデルは用途に合わせて以下の3つのTierで提供されます。 Sol: フラッグシップの推論モデル。コーディングエージェントやサイバーセキュリティ研究など、高度な推論と深い思考が必要なタスク向け。Terra: バランスの取れた日常的な開発作業やコンテンツ生成向け。Luna: 推論速度とコストを重視する、要約や分類などの高頻度なタスク向け。 また、Bedrock独自のインフラを活用することで、以下のメリットが提供されます。 効率的な推論: プロンプトキャッシュ機能により、システムプロンプトやツール定義などの繰り返し利用されるコンテキストのコストを最大90%削減可能です。セキュリティとデータ保護: AWSのZOA（Zero Operator Access）モデルにより、AWS側からもデータにアクセスできないハードウェアレベルの保護が保証されます。また、VPC内での通信やIAMによる細かな権限管理が可能です。スケーラビリティ: 急激なエージェントの負荷変動にも耐えうる次世代推論エンジンにより、安定したスループットを実現します。 さらに、デスクトップアプリ（ChatGPT Work / Codex）を併用することで、ローカルファイルや開発環境と連携した自律的な開発支援も可能です。開発者はBedrockコンソールまたはAPIを通じて、即座にこれらのモデルを既存のプロジェクトへ統合できます。 引用元: https://aws.amazon.com/blogs/machine-learning/openai-gpt-5-6-sol-terra-and-luna-are-now-generally-available-on-amazon-bedrock/ Announcing Bonsai 27B: The First 27B-Class Model to Run on a Phone PrismMLが発表した「Bonsai 27B」は、Qwen3.6 27Bをベースにしたマルチモーダルモデルです。最大の特徴は、27Bという大規模なパラメータ数でありながら、極めて高い「インテリジェンス密度」を実現し、スマートフォン上でのローカル動作を可能にした点です。 従来、27Bクラスのモデルはメモリ消費が激しく、スマホや一般的なラップトップでの動作は困難でした。しかし、Bonsai 27Bは独自の低ビット量子化技術によりこれを解決しています。以下の2つのバリエーションが提供されます。 Ternary Bonsai 27B：3値化（-1, 0, +1）による5.9GBのモデル。推論・ツール使用・エージェント能力を維持し、ラップトップ環境に最適化。1-bit Bonsai 27B：2値化（-1, +1）による3.9GBのモデル。スマホの限られたメモリ環境下でも動作可能。 特筆すべきは、単なる軽量化にとどまらず、推論やマルチモーダル（視覚入力）の性能を高い水準で維持している点です。ベンチマークでは、フル精度のモデルと比較して9割以上の性能を保持しています。これにより、ユーザーのデータがデバイス外に出ることなく、低遅延かつオフラインで高度なエージェントワークフローを実行できるようになります。 エンジニアにとっての利点は、クラウドへのAPIリクエストに頼らず、デバイス内で完結するAIエージェントの開発が可能になることです。MLX（Appleデバイス）およびCUDA（NVIDIA GPU）をサポートしており、Apache 2.0ライセンスで公開されています。エッジAIの構築において、新たな標準となり得る非常に注目すべき成果です。 引用元: https://prismml.com/news/bonsai-27b GPT-Red: Unlocking Self-Improvement for Robustness OpenAIが発表した「GPT-Red」は、AIモデルの堅牢性を高めるための自動化されたレッドチーミング（脆弱性探索）システムです。AIエージェントが実社会のツール（ブラウザやコードリポジトリなど）と連携する機会が増える中、悪意のあるプロンプトインジェクションに対する防御力の向上が急務となっています。 従来の人間によるレッドチーミングは、スケーラビリティや多様な攻撃パターンの生成においてボトルネックとなっていました。これに対し、GPT-Redは「自己プレイ（Self-play）強化学習」を採用...
    続きを読む 一部表示
    1分未満
  • 株式会社ずんだもん技術室AI放送局 podcast 20260715

    株式会社ずんだもん技術室AI放送局 podcast 20260715
    2026/07/14
    youtube版(スライド付き) 関連リンク L.トーバルズ氏、「もはやプログラマーではない」–現在使う2つのツール Linuxの生みの親であるLinus Torvalds氏が、Open Source Summit India 2026での対談を通じて、現在のLinuxカーネル開発の哲学と自身の役割について語りました。 新人エンジニアの皆さんが特に注目すべき点は、以下の「開発の進め方」に対する考え方です。 地味で着実な改善を重視する Torvalds氏は、派手な新機能を盛り込むことよりも、継続的な改善を積み重ねることを重視しています。「着実な進歩」こそが、長年Linuxが安定して成長し続けている理由です。 「コードを直す」よりも「人間関係」が重要 興味深い発言として、同氏は「自分はもはやプログラマーではない」と語っています。技術的な課題（コードのバグ）は修正可能ですが、開発コミュニティにおける「人間関係の摩擦」を解消することこそが最も困難で重要な仕事であると述べています。 AIの影響と向き合う 最近はAIがバグを見つけるようになったことで、開発フローに新たなプレッシャーが生じているようです。しかし、リリースサイクルを守り、土壇場の修正を避けるという基本姿勢は揺らいでいません。 技術力だけでなく、レジェンドが「人間関係」をプロジェクトの成否を決める最重要要素として捉えている点は、これからキャリアを築くエンジニアにとって大きな学びとなるはずです。派手な成果を追うのではなく、地道な修正と信頼関係の構築を大切にする姿勢こそが、大規模開発を支える鍵となります。 引用元: https://japan.zdnet.com/article/35250374/ ターミナルマルチプレクサを tmux から herdr に移行した 本記事は、ターミナルマルチプレクサの定番である「tmux」から、AIコーディングエージェントの運用に特化した新興ツール「herdr」へ開発環境を移行した事例を紹介しています。 herdrは、Rust製でElectron非依存のターミナルマルチプレクサです。最大の特徴は、AIエージェントの動作状態（アイドル、実行中、待機中など）を、サイドバーにネイティブで表示できる点にあります。tmuxのようなペインやセッションの永続化機能を備えつつ、エージェントとの連携を最初から前提に設計されています。 記事では、tmuxからの移行にあたり、以下のポイントが解説されています。 ・設定の移植：tmuxの慣れ親しんだキーバインド（prefix設定やVim風のペイン操作）を、herdrのconfig.tomlで再現する方法。 ・エージェント連携：Claude Code等のエージェントをherdr integrationコマンドで容易にフックし、状態表示を自動反映させる手順。 ・移行のメリット：プラグインによる後付けではなく、ツール自体がエージェントの状態を把握するため、可視化が非常にスムーズであること。また、マウス操作やSSH越しのリモートアタッチが標準でサポートされている点。 一方、tmuxと比較した際の注意点として、ステータスバー用のウィジェット（CPU使用率やバッテリー表示など）が標準搭載されていない点や、tmuxの膨大なプラグイン資産と比較すると歴史が浅い点が挙げられています。 「エージェントの状態を意識しながら複数のペインで作業を行う」という現代的な開発スタイルを強化したいエンジニアにとって、herdrは試す価値のある選択肢です。tmuxの操作性に馴染んでいるユーザーでも、設定の移行がしやすいためスムーズに乗り換えが可能です。 引用元: https://dev.classmethod.jp/articles/herdr-tmux-replacement/ 高性能AI「クロード・ミュトス」 証言からその正体に迫る NHKニュース 現在、世界的に大きな注目と議論を集めている最新の高性能AIモデル「クロード・ミュトス」について、NHKがその実態に迫った特報記事です。 開発企業である日本法人の幹部は、「高性能なAIは、使い方を誤れば社会に危害を及ぼす可能性がある」と指摘しており、技術の進歩に伴う「悪用リスクの排除」や「安全性の確保」が最優先の課題であることを示唆しています。 新人エンジニアの皆さんが知っておくべき重要な視点として、以下の点が挙げられます。 社会的責任の重要性: AIモデルが社会へ与える影響力が非常に大きくなっている現在、モデルの構築や...
    続きを読む 一部表示
    1分未満
  • 株式会社ずんだもん技術室AI放送局 podcast 20260714

    株式会社ずんだもん技術室AI放送局 podcast 20260714
    2026/07/13
    youtube版(スライド付き) 関連リンク Anthropic、Claude内部に意識研究で提唱される「グローバルワークスペース」に似た構造を確認　表に出ない思考を可視化 Ledge.ai Anthropic社は、同社の言語モデル「Claude」の内部において、人間の意識研究で提唱されている「グローバルワークスペース（GWT）」理論と機能的に似た構造を発見しました。同社はこの内部領域を「J-space」と命名しています。これは人為的な設計ではなく、モデルの学習過程で自然発生的に形成されたものです。 本研究で特筆すべき点は、「Jacobian Lens（J-lens）」という新しい解析手法を用いた点です。これにより、モデルが最終的に回答として出力する前の内部的な概念や、推論の過程を可視化できるようになりました。例えば、コード内のエラー判定や、プロンプトインジェクションに対するモデルの「気づき」などを、出力前の段階で読み取ることが可能です。 実験の結果、J-space内の内部表現を操作することで、モデルの最終的な回答内容も変化することが確認されました。また、J-spaceの機能を意図的に制限すると、単純なタスクの流暢さは維持されるものの、多段階の推論や翻訳、要約といった高度な知的処理の性能が著しく低下することも判明しました。 この発見は、AIが人間のような主観的な意識を持つことを証明するものではありませんが、AIが内部でどのように情報を整理し、推論を行っているかを理解するための強力なツールとなります。特に、AIの挙動の監査や不正な意図の検知といった安全性評価の分野において、モデルの「思考の裏側」を覗き見るための重要なステップになることが期待されています。 引用元: https://ledge.ai/articles/anthropic_claude_global_workspace Migrating a production AI agent to GPT-5.6 AIエージェントプラットフォーム「Ploy」が、Claude Opus 4.8から最新の「GPT-5.6 Sol」へ移行した際の技術的な実録です。GPT-5.6への移行により、ビルド速度が約2.2倍に向上し、コストも27%削減されましたが、その過程ではモデルごとの挙動の違いを吸収する重要な調整が必要でした。 主なポイントは以下の3点です。 評価用ハーネスの修正: モデルの特性（並列実行の多用など）の違いにより、従来のテスト環境で誤検知が発生していました。新しいモデルで正しく評価できるよう、まずは評価スイート（ハーネス）のバグや仕様を刷新することが不可欠でした。 ツール呼び出し（Function Calling）の適応: GPT-5.6は未使用のパラメータまで値を補完して送信する特性があり、これが原因でファイル読み込みエラーが多発しました。解決策として、スキーマ変換を行い、未使用項目を明示的にnullとして扱うことでエラーを解消しました。 プロンプトキャッシュの最適化: プロバイダー間でキャッシュの仕組み（キーのスコープやパーティショニング）が異なるため、移行直後はキャッシュ効率が低下しコストが増加しました。ワークスペース単位でキーを適切に管理する構成へ作り替えることで、キャッシュヒット率を83.7%まで改善し、コストを最適化しました。 本記事は、最新モデルの採用時において単に「性能が良い」だけではプロダクション移行は成功せず、ツール定義やキャッシュ戦略といった低レイヤーの設計見直しが必要であることを示しています。新人エンジニアにとっても、モデル間移行におけるSDKレベルの挙動差分への対処は非常に学びの多い事例です。 引用元: https://ploy.ai/blog/migrating-a-production-ai-agent-to-gpt-5-6 あなたのサーバーに住み着くAI「Hermes Agent」：記憶と自己進化のすべて Hermes Agentは、Nous Researchが2026年2月に公開した、ローカルサーバーやVPSで常駐実行できるオープンソースの自律型AIエージェントです。最大の強みは「セッションを閉じても記憶がリセットされない」永続性と、環境に合わせた自己進化機能にあります。 主な技術的特徴は以下の3点です。 3層の永続メモリ: プロフィールや好みを保持する「USER.md/MEMORY.md」、SQLiteを用いた全文検索可能な「過去の会話履歴」、そして外部連携用の拡張層を組み合わせ、確実に文脈を保持します。自己改善ループ: タスクを完了するたびに「Observe → Plan → ...
    続きを読む 一部表示
    1分未満
  • マジカルラブリー☆つむぎのピュアピュアA.I.放送局 podcast 20260713

    マジカルラブリー☆つむぎのピュアピュアA.I.放送局 podcast 20260713
    2026/07/12
    youtube版(スライド付き) 関連リンク GitHub Actions の parallel でデプロイは8分→3分、CI はコスト3割減になった 2026年6月25日にGitHub Actionsでステップ単位の並列実行機能（parallel / background）がGA（一般公開）されました。これにより、同一ジョブ内・同一ランナー上で複数のステップを並列に実行することが可能になりました。 本記事では、新人エンジニアでも理解しやすいよう、この新機能を用いた最適化のポイントが解説されています。主な効果は以下の2点です。 時間の短縮: 直列に配置されていた処理を並列化することで、全体の実行時間を短縮できます。例として、本番環境へのデプロイ工程を並列化した結果、8分かかっていた処理が3分まで短縮されました。コストの削減: 別々のジョブ（ランナー）で行っていたセットアップ処理を1つのジョブに統合し、並列化することで、checkoutやnpm install等の重複を排除できます。これにより、CI全体の実行時間は維持しつつ、ランナーの利用時間（コスト）を約3割削減することに成功しています。 一方で、注意点として「リソースの競合」が挙げられています。同一ランナー内で重い処理を詰め込みすぎると、CPUやメモリを奪い合い、かえって処理が遅延する可能性があります。リソースを多く消費するテストやビルドは無理に統合せず、既存のジョブ並列化（needsなど）と適切に使い分けることが、効率的なCI/CD構築の鍵となります。 引用元: https://zenn.dev/hatsu/articles/github-actions-steps-parallel 情報漏洩に敏感な金融機関で、Claude・Gemini・ChatGPTを導入した話 本書は、セキュリティ要件が極めて厳しい金融機関において、ChatGPT・Claude・Geminiという主要な生成AIを全社導入した際の実践的なリスク管理手法を解説しています。 導入において特に重要な視点は「導入しないリスク（人材流出や生産性低下）」を可視化し、リスク管理部門と建設的な議論の土俵を作ることです。著者は、懸念される情報漏洩経路を「チャット入力」と「外部ツール連携」に分解し、段階的な対策を講じることで合意形成を図りました。 具体的な対策は以下の3段階です。 契約条件の整備: エンタープライズプランを選択し、入力データがモデル学習に利用されないことを担保する。既存基盤の活用: 生成AI利用時もProxyやメールフィルタリング等の社内ネットワーク基盤を適用し、既存のガードレールをそのまま機能させる。許可制による防波堤: 実行可能な操作をリスト化・承認制とし、許可されたもの以外は実行不可とする。 また、AIエージェントの扱いについては、「個人の効率化ツール」と「業務プロセスの一部」に分類し、後者のみを台帳管理することで、ガバナンスと利便性を両立させています。セキュリティとイノベーションの両立を目指すエンジニアにとって、リスクを抽象的に恐れるのではなく、具体的な技術経路に分解して潰していくアプローチは非常に参考になる知見です。 引用元: https://zenn.dev/seiuchi3939/articles/b12d6746d9f187 有名エンジニアの .claude/skills 公開ラッシュから学ぶ、良い Claude Code Skills の書き方 GitHub上で著名エンジニアが公開している「.claude/skills」が、Claude Codeの実用的な知見として注目を集めています。特にMatt Pocock氏やAddy Osmani氏のリポジトリは、抽象的なドキュメントでは語られなかった「現場で効く技術」の宝庫です。 本記事では、これらを比較分析し、新人エンジニアが押さえるべき「良いSkillを書くための共通原則」を以下の通り整理しています。 Descriptionの最適化: 呼び出しの精度はDescriptionで決まります。三人称で「何をするか・いつ使うか」を明記し、先頭に効くキーワードを配置します。また、Descriptionで手順を要約すると、かえってエージェントが本文を読まなくなるため注意が必要です。 段階的な情報開示 (Progressive Disclosure): 全てをSKILL.mdに詰め込まず、500行以内を目安に要約し、詳細は別ファイルに切り出します。多段参照を避け、情報が欠落しない構成を心がけます。 決定論的な設計: 「AIの確率的な挙動」を抑制するため、副作用がある操作はユーザーが明示的に呼ぶ（User-invoked）設計にし、自動呼び出しと明確に使い...
    続きを読む 一部表示
    1分未満
  • 私立ずんだもん女学園放送部 podcast 20260710

    私立ずんだもん女学園放送部 podcast 20260710
    2026/07/09
    youtube版(スライド付き) 関連リンク GPT-5.6: Frontier intelligence that scales with your ambition OpenAIは、最新モデルファミリー「GPT-5.6」を発表しました。ラインナップは、フラグシップモデルの「Sol」、日常業務に適した「Terra」、コスト効率に優れた「Luna」の3種で構成されています。 本モデルの最大の特徴は、少ないトークン消費で高い推論能力を発揮し、高いコストパフォーマンスを実現している点です。特に開発者にとって重要なコーディング能力において、GPT-5.6 Solは既存モデルを凌駕するスコアを記録しています。 主な技術的ハイライトは以下の通りです： ・マルチエージェント連携: 新たな「ultra」設定では、複数のエージェントを並列で実行し、複雑なタスクを迅速に処理可能です。 ・プログラマティック・ツールコーリング: API経由で軽量なプログラムを実行し、中間処理の最適化や柔軟なワークフローの構築が可能となりました。 ・高いデザイン・判断力: UIの構築からリファインまで、視覚的・機能的な調整能力が向上しています。 安全性に関しても、レッドチーミングや自動テストを大幅に強化し、防御面での対策が図られています。API利用においては、予測可能なプロンプトキャッシュ機能も提供されており、エンジニアのワークフローに組み込みやすい仕様です。各モデルは本日より順次展開され、ChatGPTやAPIを通じて利用可能です。 引用元: https://openai.com/index/gpt-5-6 ChatGPT is now a partner for your most ambitious work OpenAIは、単なるチャット回答を超えて、複雑な業務を自律的に遂行するAIエージェント「ChatGPT Work」を発表しました。本機能は、最新のモデル「GPT-5.6」を搭載し、マルチステップの推論や、複数のアプリ・ファイルを横断したタスク処理を得意としています。 新人エンジニアの皆さんが注目すべきポイントは以下の3点です。 ワークフローの自律実行: SlackやTeams、Google Workspaceなどの外部ツールと連携し、情報の収集からドキュメント作成、プレゼン資料の更新までを一気通貫で実行できます。長時間かかる複雑なプロジェクトも、タスクを分割して進捗を管理してくれます。デスクトップアプリの進化: 従来のコーディングエージェント「Codex」が新しいデスクトップアプリに統合されました。ローカル環境のファイル操作や、内蔵ブラウザによるWeb情報の取得が可能になり、PC上での作業が大幅に効率化されます。また、開発者向けにはプルリクエストのレビューや複数リポジトリへの対応など、コーディング支援機能も強化されています。「Sites」によるWebアプリ生成: アイデアを即座にインタラクティブなWebアプリやダッシュボードとして公開できる機能が導入されました。プロトタイプ作成やチーム内での情報共有が、コードを書く手間を抑えて実現可能です。 さらに、業務を自動化する「Scheduled Tasks」により、特定の時間やイベントをトリガーに定型業務を代行させることも可能です。権限管理やセキュリティ面もEnterprise仕様として設計されており、安全に業務へ取り入れられる環境が整っています。Web、デスクトップ（Windows/Mac）、モバイルで順次展開され、日々の開発や事務作業をサポートする強力なパートナーとなるでしょう。 引用元: https://openai.com/index/chatgpt-for-your-most-ambitious-work Introducing Muse Spark 1.1 Meta Superintelligence Labsは、エージェント業務に特化した次世代マルチモーダル推論モデル「Muse Spark 1.1」を発表しました。本モデルは、ツール操作、コーディング、マルチモーダル理解の各領域で大幅な性能向上を遂げており、特に複雑なワークフローを自律的に完遂する能力が強化されています。 エンジニアにとって特に注目すべきポイントは以下の通りです。 エージェント性能の向上: 計画立案から外部ツールの操作までを単独で実行可能です。サブエージェントへタスクを委譲し、並列で実行することで複雑なプロジェクトの完了速度を劇的に高めています。また、100万トークンのコンテキストウィンドウを効率的に管理し、長期間の作業においても重要なステップを保持します。高度なコンピュータ操作: デスクトップ環境での操作において、自動化...
    続きを読む 一部表示
    1分未満
  • 株式会社ずんだもん技術室AI放送局 podcast 20260709

    株式会社ずんだもん技術室AI放送局 podcast 20260709
    2026/07/08
    youtube版(スライド付き) 関連リンク Introducing GPT-Live OpenAIが発表した「GPT-Live」は、人間同士のような自然な対話を目指した次世代の音声モデルです。新人エンジニアの皆さんが注目すべきポイントは、従来の音声AIの課題を解決したその革新的なアーキテクチャにあります。 従来の「カスケード型（STT→LLM→TTSを連結）」や「ターン制モデル（ユーザーの静止を検知して応答）」では、反応の遅延や、ぎこちないやり取りが課題でした。これに対し、GPT-Liveは「フルデュプレックス（全二重）」アーキテクチャを採用しています。これにより、AIはユーザーの話を聞きながら同時に生成を行い、相槌を打つ、間を置く、あるいは必要に応じて中断・介入するといった、リアルタイムかつ柔軟な対話が可能です。 また、本アーキテクチャの肝は「対話エンジンと推論エンジンの分離」です。音声のやり取りはGPT-Liveが担い、検索や複雑な推論が必要な場合は、裏でバックグラウンド処理（GPT-5.5など）へタスクを委譲します。これにより、AIが思考中であっても会話の流れを止めないシームレスな体験を実現しています。 安全性についても、従来の評価項目に加え、音声特有のリスクを考慮した音声ネイティブな評価基準が導入されました。対話中にリアルタイムで不適切な出力を検知し、安全な対話へ誘導するガードレール機能も備えています。 今回のアップデートにより、ChatGPTの音声体験は「命令と回答」という形式から、「AIとの共生・共同作業」という、よりエージェント的なインタラクションへと進化しました。技術的には、連続的な入出力処理とバックグラウンドでの動的なタスクデリゲーションの組み合わせが、今後のAIエージェント開発において非常に重要な示唆を与えてくれるでしょう。 引用元: https://openai.com/index/introducing-gpt-live SWE-1.7: Frontier Intelligence at a Fraction of the Cost Cognition社が発表した「SWE-1.7」は、既存の最高性能モデルに匹敵する「フロンティアレベル」の知能を、より低いコストで実現したソフトウェアエンジニアリング特化型AIモデルです。開発現場におけるエンジニアにとって、本モデルはDevinを通じて利用可能であり、実務での生産性向上に直結する重要な技術革新と言えます。 本モデルの特徴は、RL（強化学習）パイプラインの大幅な改善にあります。主なポイントは以下の通りです。 強化学習の安定化: 学習中のエントロピー崩壊を防ぐため、「Top-pサンプリング」と「サンプリング分布リプレイ」を導入しました。これにより、推論時と学習時の不一致を抑え、モデルが安定して学習し続ける環境を構築しています。分散学習によるスケール: 単一の巨大クラスタに依存せず、世界各地のデータセンターに分散した計算リソースを活用する仕組みを構築しました。重みの更新情報を圧縮して送受信することで、地理的な制約を克服しています。長期間タスクへの対応: 長いコンテキストや複雑な工程を扱うため、「自己要約（Self-compaction）」機能を強化しました。また、タスクの難易度に応じて思考コストを動的に調整する「交代制ペナルティ戦略」を採用し、効率的な思考を促進しています。高品質なデータ選定: 学習データの質にこだわり、難易度の高いタスクを重点的に学習させることで、モデルの地力を引き上げています。 結果として、SWE-1.7はコードのバグ修正において、単なる修正だけでなく、エッジケースの調査や未知の要件への対応など、より深く広範なコードベースの探索を行う能力を獲得しました。また、不要なコード変更を抑制し、より最小限で洗練された修正を行う点も特徴です。 新人エンジニアがDevinを活用する際、SWE-1.7は「より丁寧かつ論理的に考え、自律的に探索して問題を解決するパートナー」として機能します。AIがどのような工夫を経て進化しているのかを知ることは、AIを活用した現代の開発フローを理解する上で非常に示唆に富んでいます。 引用元: https://cognition.com/blog/swe-1-7 LeRobot v0.6.0: Imagine, Evaluate, Improve Hugging Faceが開発するロボティクス用ライブラリ「LeRobot」がv0.6.0にアップデートされました。本リリースは、...
    続きを読む 一部表示
    1分未満
  • 株式会社ずんだもん技術室AI放送局 podcast 20260708

    株式会社ずんだもん技術室AI放送局 podcast 20260708
    2026/07/07
    youtube版(スライド付き) 関連リンク Fable時代のAI活用法を、Anthropicの開発者が公開 本書は、Claude Codeの開発者Thariq氏による、高度なAIエージェント（Fableクラス）を使いこなすための実践的なガイドです。AIの賢さが増した今、ボトルネックとなるのはモデルの性能ではなく「人間側の指示の品質」です。 本質的な課題は「地図（人間の指示）は現地（コードベースや現実の制約）ではない」という認識の乖離にあります。このギャップ（未知）を最小化し、AIの推測による失敗を防ぐために、以下の4段階で問題を分解・整理することが重要です。 未知の分類: 指示を「既知の既知」「既知の未知」「未知の既知（見れば判断できる）」「未知の未知（自分でも気づいていない制約）」の4つに分類します。実装前のアプローチ: AIに自身の盲点を探させる「ブラインドスポット・パス」や、プロトタイプを用いた意見交換、具体的なソースコードをリファレンスとして渡すことで、早期に認識のズレを解消します。実装中のログ: 計画からの逸脱を「Deviations」として記録し、柔軟に軌道修正を行います。実装後の検証: レビュー準備として説明資料をまとめ、最終的にAIに自身の内容をクイズ形式で出題させることで、理解の確実性を担保します。 AIが賢い時代だからこそ、小手先のテクニックではなく、コードベースやドメイン知識を深く理解し、AIと対話的に「未知」を減らしていくスキルがエンジニアには求められます。記事ではこれらのテクニックをまとめた「SKILL.md」形式のガイドも公開されており、日々の開発に即座に取り入れることが可能です。 引用元: https://zenn.dev/knowledgesense/articles/283244af941a2d AIコーディング時代の生き抜き方 生成AIの普及により、コーディングの生産性は飛躍的に向上しました。新人エンジニアがこの環境下で価値を発揮し続けるためには、単なる「コードを書く量」ではなく、以下の3つの視点が重要となります。 「何をつくらないか」を見極める AIによって機能を実装するコストは下がりましたが、それ以上に「その機能が本当にプロダクトの価値に繋がるのか」という判断が重要になります。機能を量産するだけの「Feature Factory」に陥らず、プロダクトの本質的価値に向き合う時間を大切にしてください。 自分の軸を持つ（広さより深さ） AIの進化で、エンジニアがデザインや企画（PM）の領域に踏み込むことが容易になりました。しかし、いたずらに全方位の能力を広げようとすると、器用貧乏になりかねません。何でも屋を目指すのではなく、自分の中の専門的な「軸」を明確に持った上で、周辺領域へ知識を広げていく姿勢が求められます。 アジャイルの本質を強化する 開発速度が上がることで、従来以上に短いサイクルでフィードバックを得ることが可能になりました。機能開発そのものにかかる時間が減った分、リリース後の検証体制の整備や、ステークホルダーとの対話など、プロダクトの価値を最大化するためのプロセス改善に労力を割くべきです。 結論として、AIは強力なツールですが、向かうべき方向や課題の選定といった「判断」は人間に残された重要な責務です。技術の変化に焦りすぎず、開発の本質的なプロセスや自身の専門性を磨き続けることが、この時代を生き抜くエンジニアのキャリア形成につながります。 引用元: https://zenn.dev/garasubo/articles/9b9548ebab5a67 デザイナーの脳内をコピーして、誰でも90点以上のUIを作れるようにする 本書は、AIエージェント（Claude Code）を活用し、デザイナー不在のチームでも高品質なUIを継続的に作成・実装するための仕組みづくりに関する事例です。 背景と目的: 開発チームの急拡大によりデザイナーが不足する中、品質のバラつきを抑えつつ、エンジニアやPMが自律的にデザインを完結させる環境を目指しました。デザイナーの判断基準をシステムに組み込むことで、レビューのみに注力できる状態を作るのが狙いです。 仕組みの概要: 2つのリポジトリ（デザインの正となるnewt-design-systemと、作業用のnewt-spec）を構築しました。 デザインシステム: UIコンポーネントだけでなく、UXガイドラインや...
    続きを読む 一部表示
    1分未満