!この記事は2026年4月時点の情報です。Claude Code v2.1.7で検証しています。 はじめにClaude Codeでスキルを作るとき、/skill-creatorを使うとnameとdescriptionが自動でフロントマターに付きます。---name: my-skilldescription: このスキルの説明---一方、普通に「スキル作って」と頼むと、フロントマターの付かないことがあります。ふと気になりました。このフロントマターの有無で、トークン消費はどれくらい変わるのか？調べてみたところ、意外な結果でした。 検証環境OS: macOS ...

!本記事は「AI for Science の歩き方」シリーズの第 6 回です。初めての方は 第 1 回 からどうぞ。この記事のゴール: 画像・音声を扱うマルチモーダル AI の始め方と、AI コード生成で日本語からコードを書かせる方法がわかる。この記事では、文章以外も扱えるマルチモーダル AI の活用法と、日本語の指示でコードを書かせる AI コード生成の実践を紹介します。第 3〜5 回で紹介した技術は特定のステップに属しますが、ここで紹介する 2 つの技術はプロンプトエンジニアリングから RAG、ファインチューニングまで、どの段階とも組み合わせて使える横断的な技術です。 マ...

!本記事は「AI for Science の歩き方」シリーズの第 5 回です。初めての方は 第 1 回 からどうぞ。プロンプトエンジニアリングは第 3 回、RAG とエージェントは第 4 回で解説しています。この記事のゴール: ファインチューニングが自分に必要かどうか判断でき、必要な場合の始め方がわかる。この記事では、ファインチューニング・継続事前学習・知識蒸留の仕組みと、本当に必要かを見極める判断基準を紹介します。 AI をさらにカスタマイズする ― 必要になったときに検討しようほとんどの研究者は、聞き方の工夫（第 3 回）と RAG（第 4 回）だけで十分な成果が得られ...

!本記事は「AI for Science の歩き方」シリーズの第 4 回です。初めての方は 第 1 回 からどうぞ。プロンプトエンジニアリングの基礎は第 3 回で解説しています。この記事のゴール: 自分の論文を AI に参照させる RAG の仕組みと始め方がわかる。この記事では、自分の資料を AI に参照させる RAG の仕組みと始め方、AI に複数ステップの作業を任せるエージェントの仕組みを紹介します。 RAG ― 自分の資料を AI に「参考書」として渡すRAG（Retrieval-Augmented Generation：検索拡張生成） は、AI が回答を生成する前に...

!本記事は「AI for Science の歩き方」シリーズの第 3 回です。初めての方は 第 1 回 からどうぞ。この記事のゴール: AI への「上手な聞き方」の基本手法を身につけ、研究タスクに応じた手法を選べるようになる。この記事では、第 2 回のロードマップの ステップ 1 として、AI の土台となる基盤モデルの選び方と、「聞き方の工夫」（プロンプトエンジニアリング）の具体的な手法を紹介します。「この論文の手法の弱点を 3 つ挙げて」と聞くだけで、自分では気づかなかった視点が返ってきます。聞き方を少し工夫するだけで、AI は優秀な研究パートナーになります。 基盤モデル ...

AIエージェントフレームワークを選ぶ前に知っておきたいこと LangChain vs CrewAI vs AutoGen を実務視点で比較2024〜2025年にかけてAIエージェントフレームワークが急増しました。「どれを選べばいい？」という疑問に、実務目線でまとめます。 なぜフレームワーク選びが重要なのかAIエージェントは単純なLLM呼び出しとは違い、ツール実行・メモリ管理・マルチステップ推論が必要です。フレームワークを間違えると、後から大規模なリファクタリングが発生します。 3大フレームワーク比較LangChainCrewAIAutoGen (MS...

AIエージェント開発が急速に進化する中、「どのフレームワークを使えばいいか」「どんなツールがあるか」を把握するのが難しくなっています。そこで、世界中のAIエージェント関連リソースを集めたディレクトリサイト AgDex.ai を作りました。現在 272以上のツール・フレームワーク・サービス を8カテゴリに整理しています。 AgDexとはAIエージェントのためのキュレーテッドディレクトリ。フレームワーク・クラウド・LLM・ツールを一か所で比較・発見。🌐 https://agdex.ai（日本語・英語・スペイン語・ドイツ語対応） 主要カテゴリ別おすすめツール 🤖 コアフ...

!この記事の三行まとめ生成AIの登場で「知識を得る勉強」の価値は確かに下がったただし、知識を自分の感覚として体得する内面化と、他者との経験共有で暗黙知を吸収する共同化はAIに代替できない生成AI時代の自己研鑽とは、AIが弱いこの2象限を意識的に回すことである 「もう勉強しなくてもよくない？」最近、SNSでこんな投稿を見ました。「生成AIに聞けばだいたいわかるのに、わざわざ自分で勉強する意味ってあるのかな」。正直、気持ちはわかります。自分もここ1〜2年で、調べものに対する感覚が根本から変わりました。以前なら公式ドキュメントを読み込み、Stack Overflowを巡回...

これは結構デカい話だと思う正直、今回のGemma 4はかなり大きいです。ただの新モデル追加ではなくて、**Googleが「高性能なオープンモデルを、ローカル実行とエージェント用途まで含めて本気で取りにきた」**感じがあるんですよね。Gemma 4 は Gemini 3 と同じ研究基盤から作られた新しいオープンモデル群で、推論、コーディング、長文処理、ツール連携まで一気に強化されています。 > 「Gemini級の研究を、手元のハードウェア側にも持ち込む」この一文に近い空気を感じます。クラウドの巨大モデルだけが正義、という流れではなく、ローカルでもかなり戦えるラインまで持...

お笑いは本来、観客の文化・世代・経験に依存する芸術スタイル、同じネタでも会場の空気や芸人のキャラ、観客の反応によって評価が大きく変わります。そのため「お笑いをAIで採点する」という発想は、一見すると無謀に思えるかもしれませんが、生成AI・自然言語処理・音声解析の進化により、笑いの構造や言語的特徴を定量化する試みが現実味を帯びてきました。漫才台本を題材に、生成AIがどこまで面白さを理解し、採点できるのかを真面目に？検証することで、AIが人間の審査員を置き換えることではなく、ネタ作りや構成改善のためのフィードバックツールとして活用できるかを探ってみたいと思います。参考：筑波大学・国際...

AIによるコード生成は確実に進化している。実装は速くなり、簡単な機能であれば短時間で形になる。しかし、それだけで業務は変わるだろうか。答えは「No」だ。 コード生成は“局所最適”コード生成は有効な手段だ。実装速度は上がり、試行回数も増える。ただし、それはあくまで「局所最適」に過ぎない。何を作るべきかどこに組み込むべきかどう運用するかこうした設計がなければ、コードはただの部品で終わる。 実際に使ってみて感じたこと実際にコード生成も試した。その結果、2つのことが分かった。簡単なものであれば、わざわざ使う必要を感じない難しい要件であれば、コードを書...

はじめに画像生成とコード生成を並べると、生成AIが同じ「生成」という言葉で呼ばれていること自体が、少し紛らわしく見えてきます。表面上はどちらも、人間の指示から成果物を作る技術です。ところが実際の利用状況は、驚くほど対照的です。コード生成では、熟練した実務者ほど日常的にLLMを使いやすい一方で、画像生成では、完成像を持たない素人ほど使いやすく、職業的な絵描きほど使いどころを絞ります。これは偶然ではなく、仕事の構造そのものの違いが露出した結果です。この現象を理解するには、単に「AIの性能が高いか低いか」を問うだけでは足りません。重要なのは、何が成果物の核なのかと、人間の熟練がどこに宿...

はじめにプロンプトを何度書き直しても、AIの出力が期待どおりになりません。この問題の原因は、プロンプトそのものではなく「AIに渡している情報環境全体」にあるかもしれません。本記事では、この情報環境を戦略的に設計する手法である**コンテキスト・エンジニアリング（Context Engineering）**を体系的に解説します。対象読者: LLMやAIコーディングツールの利用経験がある中級開発者前提知識: ChatGPTやClaude等のLLMを日常的に利用している、プロンプトの基本的な書き方を知っているゴール: コンテキスト設計の4つのコアテクニックを理解し、自分の...

PHPのプロジェクトでVertex AIを使うのに、どのライブラリやSDKを使うのがいいかいろいろ調べたことを書きます。 genai(google-genai)を使うPHPのプロジェクトでVertex AIを使いたい場合、google/cloud-ai-platformを使うことができますが、以下の理由からgenaiを使うことにしました。JSON Schemaを引数で渡したいリージョンをglobalにしたい JSON Schemaを引数で渡したいGeminiにJSON Schemaを渡すとレスポンスを強制的にJSONにできるトークンの節約になるプロンプトに「...

前提今回 RAG に埋め込む対象は、開発文書（仕様書）です。これらの文書は、事前に Markdown 形式へ変換したうえでナレッジベースに取り込んでいます。Markdown変換後の例※Markdown への変換時には LLM を利用し、意味的なまとまりごとに分割し、それぞれに [description] を付与しています。[description]: プロジェクトのメタ情報（名称・バージョン・作成日時）## プロジェクト情報プロジェクト名：Example Projectバージョン：1.0.0 作成日：XXXX-XX-XX ---[description...

宿題で本当にしんどいのは、難問そのものより「手が止まる瞬間」だったりします。写真で撮ったプリント、途中までしか読んでいないPDF、チャットに貼られた設問。そういう少し散らかった状態のまま、とにかく前に進みたい。最近の AI宿題ヘルパー は、まさにその“詰まり”をほぐすための道具として見ると、かなり印象が変わります。今回は、いくつかの代表的な AI宿題ヘルパー を見比べながら、どれがいちばん「宿題の現実」に合っているかを、軽めのレビュー形式でまとめます。 先に結論最初に結論だけ言うと、今のところ自分は Dechecker がいちばんバランスのいいAI宿題ヘルパー だと感じました...

1. はじめにこんにちは！NTTデータ ソリューション事業本部の@hua_wei_hanagiです。近年、生成AIを活用したデータ分析の自動化ニーズが高まっています。このニーズに応えるべく、ユーザーの追加指示を待たずに自ら考え、納得いくまで分析を繰り返してくれる「自律的に深掘りするデータ分析エージェント（以降、Deep Analysis型と呼ぶ）」の構想を設計しました。しかし、これを実運用に乗せようとした際、「タスクの量が増えることに伴い、最終結果が出るまでの待ち時間が長大化してしまう」 というシステム上の大きな壁にぶつかりました。そこで本記事では、 「Deep Analy...

🇯🇵 この記事を日本語で読む →Lately, as we’ve been using AI agents to write more code, the obvious results have happened:The amount of code written per time period goes way up.The bottleneck shifts from writing to verification.A “fast feedback” mechanism is becoming more valuable.That made me w...

散逸した意思決定を一箇所に集めようAI コーディングツールの計画モード出力をレビューするとき、全体を毎回読んでいないだろうか。品質にこだわる人ほど丁寧にレビューしたい。だが、それは疲れる。判断の根拠（WHY）が間違っていれば、実装の詳細（HOW）も間違っている。 だからこそ、まず判断を確認する方が効率的だ。この記事では、AI の出力に Key Decisions セクション（意思決定セクション）を設けることで、散逸した「なぜそう判断したか」を 1 箇所に集約し、レビュー負荷を下げるプラクティスを提案する。ADR の紹介やツール比較ではない。「品質を重視して AI と開発する人」...

かわいいだけで終わらなかった正直、こういうの大好きです。 Codeに公式のエイプリルフール機能として /buddy が入った、という話だけを見ると、ただの遊びに見える。けれど、実際にはそれ以上のものを感じた人がかなり多かったんじゃないかな。Xで広がっていたのは、「/buddy を打つとコンパニオンが生まれて、チャット欄の横にいてくれる」という話。しかも投稿では、人によって出てくる相棒が違うらしい、という盛り上がり方をしていた。この“何が出た？”の空気感、すごくインターネット的で、同時にすごくプロダクト的でもある。/buddy でコンパニオンが産まれて、チャット欄の横にいて...