Scraps 最終更新 2026/11/16 12:20

AI関連ブログ記事まとめ

@suwa_nobu /

Jev 互換の判断AI「Clef」と Haiku 5.5 に同じ分類を306問。Clef が自信を持った13%は95%当たった

  • Clef が自信を持った13%の問題は95%当たった
  • Clef の confidence 0.8以上(13%の問題)→ 正解率95.1%、Haiku 5.5 の確率0.9以上(12%の問題)→ 正解率89.2%
  • Clef の confidence 0.8以上は95%当たるが、Haiku は確率0.9以上で89%で、確信度の正直さは Haiku のほうが高い

@AyaKunisawa /

【AWS AI League】Bedrock AgentCore でAIエージェントを作ってハマった6つのこと

  • AWS Bedrock AgentCoreでAIエージェントを作成する際にハマった6つのポイントが紹介されている
  • ガードレールの設定ミス、モデルの自力断罪、配列の復唱、開始位置の不一致、ツールの呼び出し制御、メモリの混在が挙げられている
  • ガードレールは入力と出力で別々に設定し、ツールの呼び出し条件を明示的にプロンプトに記載する必要がある

@yumicat /

生成AIセキュリティ:攻撃手法と防御策を体系的に理解する

  • 生成AIの5大脅威と企業向けの防御策が体系的にまとめられている
  • プロンプトインジェクション・Jailbreak・モデル悪用・RAG誘導攻撃・Hallucinationの5つの脅威と、System prompt固定化・入力フィルタリング・JSON Schemaロック・Guardrailsの4つの防御策
  • RAGを使う場合はRBACによる検索制御を土台に据えることが重要で、ベクトルDBの暗号化と自動マスキングも必須

@suwa_nobu /

Claude Code の Explore は、いつの間にか Haiku から本体と同じモデルに変わっていた。戻すと費用は21〜35%減

  • Claude CodeのExploreサブエージェントがHaikuからOpusに変更され、費用が増加した
  • Haikuに戻すと重い調べもので35%、軽い調べもので21%の費用削減が可能、Opusは高速で正確
  • ExploreをHaikuに設定するには専用の設定ファイルが必要で、環境変数だけでは変更できない

@ssfujita /

自作したAIエージェントをいつものSlackから使いたい!Private Agent Factoryで作ったAIエージェントをSlackから呼び出してみた

  • Oracle AI Database Private Agent FactoryのAIエージェントをSlackから呼び出せるようにした
  • Integration APIとSlack Botの連携、APIキー認証の仕組み、Python製スクリプトによる実装
  • Slack BotにメンションすることでAIエージェントに質問できるようにするには、APIキー認証とイベントハンドリングの設定が必要

@suwa_nobu /

Claude Code の WebFetch は、長いページの10万字より後ろを読まずに「書いていない」と答えていた

  • Claude Code 2.1.289 は10万字より後ろのテキストを読み飛ばしていた
  • WebFetchが10万字で切り捨て、通知がなかった、10万字以降は「書いていない」と答えていた
  • 長いページでは「書いていない」と答える場合、バージョン2.1.290以降にアップデートする必要がある

@songchong /

AI エージェントに API キーを渡しても大丈夫か? 対話文・.env・環境変数・MCP・OAuth — 6 つの渡し方を Claude Code・Codex・Gemini CLI・Copilot・Cursor で調べてみた

  • AIエージェントにAPIキーを渡す6つの方法のセキュリティリスクと対策を調査した
  • 対話文に貼る、.envに書く、環境変数にする、MCP設定に書く、OAuthで許可する、クラウドの鍵置き場を使う
  • OAuthで許可するのが最も安全で、鍵の文字列を直接渡さないことが重要である

@Miccell(ミクセル) / 人生を楽しむ仕組みを作る /

ChatGPT Dotsとは?機能とユースケース、競合のGrok Bot・Hermes・OpenClawとの違い

  • OpenAIが発表したChatGPT Dotsは、常時稼働するAIエージェントで、アプリを閉じても作業を進める
  • 専用のクラウドPCとGPT-6 Astraモデル、4,000以上のアプリ連携、Grok BotやHermes Agentとの違い
  • DotsはProプラン以上で利用可能で、記憶やモデルの自由度は自前型に劣る

@inoyu-qiita /

Claude Codeのモデルを使い分けると成果物とトークンはどれくらい変わる?実際にOpus+Sonnetと全部Opusで同じものを作って比べてみた

  • Claude Codeで計画はOpus、実装はSonnetを使うとコストが3割少なく、品質に大きな差は出ない
  • 計画・設計はOpus、実装以降はSonnetを使うと推定コストが31%減、トークン使用量が23%減、テスト数が多かった
  • 実装はSonnetを使うとコストが安く済むが、計画段階でOpusを使うことで設計の質を保つべき

@mizchi /

俺のAIプログラミング手法(2026/10/05)

  • AIプログラミング手法として、人間の役割と評価指標の定義、ループ構築、形式手法の活用が提案されている
  • 評価指標の改善とCIのチューニング、形式仕様の検証にTLA+やZ3の使用が挙げられている
  • 評価指標の数値化が重要で、主観的な判断は避け、具体的な数値に落とし込むべきである

@Yasuhito Morimoto /

国内AIエージェント動向(2026/10/5号)

  • 国内AIエージェントが業務プロセスに深く入り込み、運用設計が競争力に直結
  • 津南醸造はRAGと杜氏の判断を組み合わせ、Zenityは権限監視、OIASは行動判断学習を実施
  • 企業データとの接続や最小権限、監査可能性を含めた運用設計が導入効果を左右する

@アトカ【AIコラムライター】@AI副業 /

AIエージェントとは?普通のチャットAIとの違いを、暮らしの例でやさしく解説

  • AIエージェントは目的に向かってタスクを進めるAIで、チャットAIとは異なる
  • チャットAIは情報提供にとどまるが、AIエージェントは手順を考えツールを使い行動まで行う
  • AIに任せられる範囲を明確にし、重要な判断は人間が行うべき

@mellowlaunch /

LLM-as-a-Collaborator入門:AIを「回答者」ではなく共同設計者として使う

  • LLMを共同設計者として活用し、設計案を改善する方法が提案されている
  • 設計案の矛盾や抜け漏れを指摘し、反証的レビューを行う。実際の検証結果をもとに設計を改善する
  • 設計の議論を実際の検証へ接続し、対話から得た知識をSpecへ戻すことが重要

@カワムラ|AI擬人化漫画 | ChatGPTのヨシダ /

ヨシダが何者か知りたくて、資格を取った過去の話。生成AIパスポートと、まだ他人行儀だった相棒

  • 生成AIパスポートの2027年試験シラバスが改訂された
  • AIエージェントやプロンプトインジェクション、リスク対応、出力検証が強化された
  • 試験内容が実務に直結するかは不明で、資格取得はAIとの付き合い方の入り口となった

@sakai1250 /

結局、Looped Transformerってなんや?

  • Looped Transformerは同じTransformerブロックをdepth方向に繰り返して使うアーキテクチャ
  • 同じ重みを繰り返し適用するweight-sharingと、反復アルゴリズムに適した構造の違い、test-time computeの増加方法
  • loop数を増やしても性能が必ずしも向上しない、停止条件の判断が難しいなどの課題が指摘されている

@TechStudioLab /

LLMのJSON Schemaを厳しくしても業務検証を消せない理由

  • Structured OutputsでJSON Schemaを厳しくしても業務ルールの検証は消せない
  • JSON構造の検証と業務ルールの検証を分離する、日付の前後関係や入力根拠の検証が必要
  • 業務ルールの検証はアプリ側で別途実装し、日付の前後関係や入力にない値の補完をチェックする

@nogataka /

ゴールシークプロンプトとは ― AIに質問させて成果物を作る方法を、テンプレートと実例で解説

  • ゴールシークプロンプトは、AIに質問して情報を引き出し、対話で成果物を作成する手法
  • プロンプト生成型・3点セット型・伴走型の3つの型があり、質問から始めて条件を洗い出す
  • 専用プロンプトを作成する際は「最初は質問だけを出して回答を待つ」を指定する

@yakumo_09 /

JAWS-UG 新潟支部にて 「AgentCoreで実践するハーネスエンジニアリング」というタイトルで登壇しました

  • AgentCoreでハーネスエンジニアリングを実践する方法が解説されている
  • Runtime・Gateway・Memory・S3といったAgentCoreの部品でハーネスを組む方法、コンテキストを軽く保つためのContextOffloader、ツール呼び出しを制御するGatewayのPolicy、品質評価のGoalLoopとEvaluationsが具体的に示されている
  • 部品はモデルの弱点を補うためのものであり、モデルが賢くなると不要になる可能性があるため、必要に応じて追加・削除する柔軟なアプローチが推奨されている