#AIエージェント
@HERP TechHub /
- HERP Hire開発で複数のissueを並行して進める仕組みが導入された
- AIによる補助とセッション管理で打席を増やし、issueやPRの識別子で戻る場所を管理する
- 打席を増やしても抱えきれない場合はリリースして次の人に渡すことが重要
@Ivan Mehta /
- OpenAIはChatGPTのチャットタブとワークタブを統合した
- チャットタブとワークタブを1つの画面に統合し、ファイルとプラグインを活用できるようにした。Codexは別途利用可能
- トークンの使用制限が同じになるため、利用頻度が高いユーザーはリセット待ちが必要になる可能性がある
@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
@Ryo Hirayama /
- Tautoを使って型付け規則から証明付きの検査器を生成する方法を紹介している
- inductive_syntax!で構文木の型を生成、@mode!で型検査器と証明を自動生成
- 型検査器の健全性と完全性を定理として証明し、評価器の型安全性を別途証明する必要がある
@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
@xiaoy /
- AIコーディングツールの導入で開発速度は5倍になったが、エンジニアの疲労度は10倍になった
- ジェボンズのパラドックスで開発コスト低下がゾンビ要件を増やし、AI生成コードのレビューが人間の負担になる
- AIの作業スコープを厳格に制限し、人間の思考リズムを保つことが重要
@oanda2 /
- Claude Code Desktopアプリの画面構成とAIに依頼する基本の型を解説
- 左サイドバー・メインペイン・入力欄・右下の設定の4パーツと、/clear・/compact・/modelコマンド、作って・変えての依頼フォーマット
- 許可ダイアログは「一度だけ許可」を基本にし、安全な操作のみ「常に許可」を選択すること
@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
@akira0g /
- DGX SparkにDeepSeek V4-Flashを載せたローカルLLMでSlackボットを構築し、調査Q&Aは実用可能と判断
- プロンプトキャッシュを活用して応答時間を短縮、コード生成はClaude Codeに委譲、承認ボタンで書き込みを制御
- プロンプトの先頭を固定することでキャッシュ効果を最大化、コード生成はローカルLLMでは不向き
@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
@wfukatsu /
- 生成AI時代のインフラセキュリティを4層で防御し、週次で脆弱性対応を自動化する
- 供給網・入口・シークレット・実行時の4層防御と、依存関係スキャン・イメージ署名・CI権限分離の具体的手法
- AI生成の修正MRはレビューで確認し、Criticalな脆弱性はパイプラインで止めることを運用に組み込む
@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
@oddgai /
- データサイエンティストは生成AIによってデータサイエンスに強いフルスタックエンジニアになる
- データサイエンスの専門性とエンジニアリングのスキルを併せ持つことが求められる、バックエンドやフロントエンドの境界を越えた開発が増える
- 現場にデータの価値を届けるためにはプロダクト開発まで含む幅広いスキルが必要で、専門性を活かすには越境する姿勢が重要
@yosuke-suzuki /
- Claude Codeを日常業務に活用するための実践的なノウハウがまとめられている
- モノレポの構築やセキュリティ対応、半自動化の流れが具体例とともに説明されている
- AIに任せられる業務の範囲を広げるための初期設定がシンプルで実践的
@にっくる /
- ISUCON2026でCodexを活用した環境構築と最適化を試みた
- 作業サーバー構築、プロファイラー導入、DB索引追加、ロック範囲の見直し
- AIの自律ループでは上位を目指すには限界があるため、人間の判断が必要だった
@mazrean /
- ISUCON2026にツールを使わずコーディングエージェントにすべてを任せた
- 1セッションで全てを任せ、Agent Skillで改善を自動化、ベンチマーク自動化に playwright-cli を利用
- 人間の監視が不十分で致命的なミスを見逃した、状況把握の可視化が重要
@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
@torifukukaiou /
- Qiita記事作成にnoteの番号で進むプロンプト構成を応用したスキルを公開した
- 10段階のステップで素材や文体を指定し、TODOで不足事実を残す仕組みとV9王者の設定がある
- 不足事実をTODOで明示することで書き手が埋めるべき部分が明確になる