AI関連ブログ記事まとめ
@songchong /
- AIエージェントに「しないで」と頼んでも守られないことがあり、代わりにコマンドを書くのが効果的
- 禁止だけの指示は強度1・2で51回中1回問題が発生、代わりのコマンドまで書くと強度2で問題なし
- 強度3以上の設定や許可リストで制限する方法を重ねる必要がある
@masanork /
- Radeon VIIでROCmを動かし、Qwen3.8-Flash-NextをOpenCodeにつなぐ環境を構築した
- ROCmのnightly版とStrataのソースビルドで gfx906向けに構成、Q2_0量子化モデルをローカルAPIで動作
- ROCmのnightly版はAMDの通常保証対象外で、環境依存の設定が必要なため、アップデート後の動作保証はない
@shalXXXX /
- 防御側のLLMでログ分析やアラート対応を行う際、ログに仕込まれた指示文がモデル出力を歪める
- ログの要約でIPやユーザー名が元データと異なる、アラートの無害判断で誤検出、IoC抽出で原文にない値を生成
- モデル出力と元ログを突き合わせて不一致を検出、自動判断は優先度上げる方向に限定する
@ssfujita /
- Oracle AI Database 26aiのDB RU 23.26.4でGraphRAG機能が利用可能になり、PDFからナレッジグラフを自動生成できるようになった
- DBMS_AI_GRAPHRAGパッケージでエンティティと関係性を抽出し、ベクトル検索とグラフ検索を組み合わせた検索が可能、Graph Studioで可視化も可能
- GraphRAGはエンティティ間の関係性を検索に活用できるが、検索結果はドキュメントの内容や構造に大きく影響するため、ユースケースに応じた検索方式の選択が重要
@eiji-noguchi /
- Strataを使ってMac mini(32GB)でQwen3.8-Flash-Nextを動かす方法を紹介
- SSDから読み込みながら動かすMoEモデルと、ターミナルでの接続設定がポイント
- 32GBのメモリでも100B超えのモデルが動くが、処理速度は遅い
@jksoft /
- AI時代のエンジニア評価でコードの量やPR数をやめ、3つの力を見ることにした
- 変化に対応する力、良いことを広める力、仕組みを作る力、AIの出力に名前を書ける範囲
- 評価軸を「コード量」から「AIの出力に責任を持てる範囲」に変えることで、チーム全体の生産性向上を狙う
@Tom /
- DeepSeek は Super-agent という AI エージェントの構想を公開し、会話と作業の振り分けを Router と Worker で分担する設計を提案した
- Router は会話と仕事の振り分けを担当し、Worker は個々の作業を実行し、GitHub やチャットの通知を処理する
- Worker をクラウド側に置くことで自宅PCとの接続やGUI・ブラウザ操作の安定性が課題となる
@u-hyszk /
- LLM GatewayとSDKによるトレーシング基盤を構築し、実行履歴を自動収集する仕組みを整えた
- LLM Gatewayでインフラレベルのテレメトリーを自動送出、SDKとSkillで業務上の意味付けデータを手動計装
- FDEの開発負荷を軽減し、評価に必要な実行履歴を確実に収集できるようになった
@sai029 /
- ClaudeCodeに調査を任せたが、目的が曖昧で無駄な結果に
- 目的を絞らずにデータを収集し、時代の違いとAIの違いを混同した
- 調査の前に目的を明確にし、データの適合性を確認する必要がある
@Takashi_Masumori /
- 生成AIの活用が進む中で、人材育成が経営の重要課題になる
- AIを活用するためのマネジメント能力と、成果を評価する専門性が重要、新人の経験を積む機会が減る
- AIに任せた成果を評価し改善できる人材を育てることが、組織の持続可能性に直結する
@songchong /
- Claude Codeでcompactを使うと、トークン代が57%減るが、使いすぎると2.75倍になる
- 作業が一段落して1時間以上あける前にcompactする、Contextのusedが75%以上でcompactする
- compactの使いすぎは費用が増えるため、作業の区切りで1回だけ使うのが効果的
@kikuziro /
- DecisionRAGは判断モデルを使ってRAGの検索を改善した
- 階層構造で検索を絞り込み、Jevで確からしさを評価する
- 階層データの保守コストと鮮度が回答精度に直結する
@Sicut_study /
- AI時代にエンジニアの質とスピードのトレードオフが顕在化している
- 品質を犠牲にしたスピードは短期的で、保守性の低下が長期的な遅延を招く。設計に向き合う時間の削減が教育の欠如を生む
- AIを使う前に設計を自分で考える習慣をつけることで、スキルの成長と質の維持が可能になる
@ryo33 /
- Tautoという言語でAI生成コードの正しさを証明できるようにした
- 命題として性質を記述し、証明をコードで書くことで機械が検証、依存型で制約を追加
- 証明の対象外のコードはテストなどで確認する必要がある
@OH-GY /
- RAGは資料検索を一切行わず、作り話の返答をしていた
- 埋め込みモデルが文類似度用で検索用ではなかった、資料の主語が不明で取り違えが起きた
- 資料に主語を明記し、1位と2位の距離の比でしきい値を判断する必要がある
@PharaohKJ /
- プロンプトインジェクションの実践を通じてガードレールの仕組みを学んだ
- LLMのAPIをcurlで叩く演習と、ガードレールの実装例を確認した
- ガードレールはプロンプトだけでなく結果の加工・操作を拒否する実装も含むことがわかった
@taka_yayoi /
- Omnigentによるメタハーネス入門の全3巻が刊行され、組織での統治を扱うエンタープライズ編が追加された
- 個人・チーム・組織の3段階でAIエージェントの利用を管理するポリシー設計、コスト可視化、サンドボックス運用、認証と監査が中心
- 組織での導入を検討する担当者は3巻から読み始められ、用語は序章で整理されている
@ShozoTanaka /
- 16GB RAM・6GB VRAM のノート PC で gpt-oss-20b を動作させた
- 専門家は CPU に残し、それ以外を全層 GPU に載せる。CPU の重みはファイルを写したまま読む
- モデルは 1 つだけ開くことで RAM と VRAM の使用量を抑える
@satouyoshiaki /
- AIアシスタントの利用で9.5億トークンを消費したケースを棚卸しした
- 入力トークンが99.5%を占め、メモリ圧縮で1ターンあたり1,131トークン削減
- 毎ターンの読み込みコストはメモリと要約に依存し、プロジェクト一覧の削減が効果的
@chomado /
- GitHubはAIエージェントに開発全体を任せることを推進
- Copilot Fusionでモデル選択・協調、Copilot Projectsで複数リポジトリの作業を並行実行
- Copilot Projectsはパブリックプレビューで、リポジトリ横断検索でエージェントに文脈を与える