Scraps 最終更新 2026/10/01 20:40

企業テックブログまとめ

@Masato Namiki / 並木 正人 /

「AIに質問する」から「AIに仕事を任せる」へ ～ OpenClawで自分専用AI Agentを動かしてみた

  • OpenClawでAIエージェントを構築し、ファイル分類・要約を自動化する仕組みを試した
  • WorkspaceとSkillで処理手順を定義し、Automationで自動実行可能に、Toolの利用制限と実行権限を設定
  • Skillに判断基準を定義する際はLLMの判断とHarnessのルールを分離する必要があり、Token使用量とバックグラウンド処理の管理が重要
「AIに質問する」から「AIに仕事を任せる」へ ～ OpenClawで自分専用AI Agentを動かしてみた

@BATONZ Tech Blog /

Claude Codeでテスト設計を自動化した話 ― Coworkのartifactから移行して、テスト設計を2時間に

  • Claude Codeでテスト設計を自動化し、テスト設計時間を2時間に短縮した
  • 仕様と実装コードの差異検知、テスト観点の網羅性確保、プロンプトの抽象度向上
  • プロンプトの精度向上には個別例の追加より抽象度の高い判断基準の設定が効果的
Claude Codeでテスト設計を自動化した話 ― Coworkのartifactから移行して、テスト設計を2時間に - BATONZ Tech Blog

@ロリョウ /

答えは合っているのに不正解？ LLMベンチマークの点数はどう決まるのか

  • ベンチマークの点数はモデルの性能ではなく、評価条件に大きく依存する
  • 採点ルールの違いで最大16.7pt、出力上限の変更で点数が変化、例題の有無で正答率が変動
  • 同じモデルでも評価条件を変えると点数が大きく変わるため、ベンチマークの数値を比較する際は評価条件を確認する必要がある
答えは合っているのに不正解？ LLMベンチマークの点数はどう決まるのか

@takashi sasaki /

雑なAzure構成図をClaude Codeに渡したら、プロっぽい構成図になった話

  • Claude Codeに雑なAzure構成図を渡すとプロ仕様の構成図が生成された
  • Azure公式アイコンの利用、レイアウト調整、コネクタ整理、凡例追加が自動化された
  • 構成図の清書作業に70～80%の工数削減効果があり、アーキテクチャ設計に時間を割けるようになった
雑なAzure構成図をClaude Codeに渡したら、プロっぽい構成図になった話

@noteエンジニアチーム 公式マガジン /

1年前に「課題」と書いたAndroid ViewのCompose移行は、今どうなったか

  • Androidアプリのルート画面をComposeに移行し、旧実装を削除した
  • ルート画面の起動導線を1つのクラスで切り替え、ライフサイクルの制御とScaffoldの余白対策を実装
  • 旧実装に手を加えず移行し、切り替え点を1箇所に集約することで削除が純粋になった
1年前に「課題」と書いたAndroid ViewのCompose移行は、今どうなったか｜のざきんぐ

@Giuliano /

Fuzzy Testing in Go

  • Goのfuzzテストでコードのエッジケースやバグを自動検出できる
  • seed corpus値を指定してf.Fuzz()でランダム入力を生成、JSONパーサーやURLパーサーのテスト例が示される
  • fuzzテストの結果は永続的なテストケースとして保存され、リグレッションを防ぐ
Fuzzy Testing in Go

@Taste of Tech Topics /

Amazon SageMaker Catalog でデータカタログを作る

  • Amazon SageMaker Catalogでアクセスログと問い合わせデータをカタログ化する方法が説明されている
  • アクセスログはテーブルとして登録し、問い合わせデータはS3バケットを接続してカタログに公開する。ビジネスメタデータとスキーマを設定し、データエージェントとAthenaで集計、Bedrock Knowledge Baseで類似検索を行う
  • カタログ化したデータを活用する際には、リクエスト数やメタデータ保存量の無料枠を確認し、利用するサービスごとの料金を別途確認する必要がある
Amazon SageMaker Catalog でデータカタログを作る - Taste of Tech Topics

@Kiyoshi Kurihara /

音声合成に日本語を正しく読んでもらう話 〜高低アクセントからG2Pまで〜 【前編】

  • 日本語の読みはアクセントや語のつながりで意味が変わるため、音声合成に正確に再現するのが難しい
  • アクセント型とアクセント結合の規則性のなさ、数字と助数詞の組み合わせの不規則性
  • LLMベースのTTSでは音素制御が不十分で誤読が増える可能性がある
音声合成に日本語を正しく読んでもらう話 〜高低アクセントからG2Pまで〜 【前編】

@佐藤彩夏 /

AIテスターに渡す「判断基準」の書き方を、2回失敗して学んだ話

  • AIテスターに渡す判断基準を書く際、適用範囲や数値のレンジを明記しないと誤判定を起こす
  • 適用範囲を書かないとWebやデスクトップの違いをAIが区別できない、1点の数値を置くと正常値の両側が異常と判定される
  • 数値には実測レンジを書くことで正常値の両側を異常としないようにし、適用範囲を明記しないと誤爆する
AIテスターに渡す「判断基準」の書き方を、2回失敗して学んだ話

@koki takeishi /

NebulaGraphのアーキテクチャとユースケースのリサーチ

  • NebulaGraphは計算・ストレージ分離と固定ハッシュパーティショニングで大規模プロパティグラフを実現
  • 計算/ストレージ分離、固定ハッシュパーティショニング、双方向エッジ配置、Multi Group Raftを組み合わせた設計
  • ミリ秒応答はクエリの形とハードウェアに強く依存し、スーパーノード対策が必要
NebulaGraphのアーキテクチャとユースケースのリサーチ

@D.YAMAGUCHI /

github CIでmiseを使ってsetup-goやsetup-nodeから解放された話

  • GitHub Actionsでmiseを導入し、setup-goやsetup-nodeを廃止してバージョン管理を一元化した
  • mise.tomlでバージョンを一括指定し、jdx/mise-actionでツールを自動インストール、キャッシュで実行時間を短縮
  • mise.tomlにバージョンを明示的に固定し、latestは避けることでCIの再現性を確保する
github CIでmiseを使ってsetup-goやsetup-nodeから解放された話

@いばらき /

x402の従量課金(upto)を見送り、Jevによる動的な価格付けを採用した話

  • x402の従量課金uptoを採用せず、Jevによる動的な価格付けを実装した
  • uptoは売り手の誠実性に依存し、AgentCore Paymentsの枠管理に問題がある。Jevは選択肢から選ぶ判断を得意とし、コストと速度が優れている
  • uptoは信頼に基づく仕組みで、買い手の枠管理に不具合があるため現実的でない。Jevは低コストで高速だが、今回のケースではメリットが限定的
x402の従量課金(upto)を見送り、Jevによる動的な価格付けを採用した話