公式PDF「The Complete Guide to Building Skills for Claude」 本記事はAnthropicが公開している33ページ・6章構成の公式ガイド「The Complete Guide to Building Skills for Claude」を主要参照源としています。特にCh3（Testing and Iteration）、Ch4（Distribution and Sharing）、Ch5（Patterns and Troubleshooting）の内容を日本語でまとめ直し、筆者の実際のSkill事例で補完します。 公式PDFからの情報は要約・再解釈して引用しており、原文の丸写しは行っていません。公式ドキュメントの最新情報は Anthropic公式サイト で確認してください。 想定読者と前提知識 Claude CodeでSkillを1つ以上作成した

You signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert

はじめに RAG（Retrieval-Augmented Generation）システムを構築していると、「なぜか精度が上がらない」という壁にぶつかることがあります。 本記事では、社内規程文書を対象としたRAGシステムで、回答精度を73.3%から100%に改善した過程を紹介します。検証した複数のチャンキング戦略の中で、意外にも最もシンプルな解決策が最も効果的だったという結果になりました。 また、「Re-rankingを導入すれば精度が上がる」と思っていたのですが、逆に精度が下がるという予想外の結果も得られました。その理由についても考察します。 プロジェクト構成 技術スタック レイヤー 技術

しばらく前に Gemini のソース情報として NotebookLM を指定可能になりました。 tbpgr.hatenablog.com 今回は、その新機能を利用して NotebookLM をソースとした Gemini の Gem で問題定義サポーターというツールを作りました。 Gem は公開設定にしてあり、皆さんも利用可能にしてあります。 できること 整理したい問題について Gemini のチャットで問いかけると、問題の理想と現実を整理し、要因の分析をし、課題を明確にし、それに対する解決策を検討する一連の流れをサポートしてくれます。Gemini のチャットでやりとりをしていると Gemini が話した内容を元に問題の内容を Canvas に整理してくれます。一通り整理が終わったら、 Google ドキュメントにエクスポートすることもできます。 問題定義サポーター サンプル 利用サンプルは

はじめに：大規模プロジェクト復帰とレビュー負荷の課題 こんにちは、DevRelの大熊です。本記事では、育休復帰直後という制約の大きい状況の中で、AIを活用したコードレビューの仕組みを構築し、週6時間の業務削減とレビュー品質の向上を同時に実現した事例を紹介します。 お話を伺ったのは、リサーチプラットフォーム「LINE Surveys」の開発を担うソフトウェアエンジニア、上土井涼馬です。約1年の育休を経て復帰した先に待っていたのは、歴史が長く、レガシーコードや複雑なSQL（Structured Query Language）が多い大規模なプロジェクト。育児と仕事を両立しながら成果を出し続けるという、大きなチャレンジでした。 そんな状況の中、Claude Code、Model Context Protocol（以下、MCP）、NotebookLMなどを組み合わせて「AIレビュー」の仕組みを構築。

全くゲーム開発をしたことがない私が、たった11日間、スキマ時間にほぼスマホから指示を出しただけで、ゲームを作ることができた。 そのゲームがこれだ。 実際にプレイしてみてほしい。 gacha-survivor.sho-shimauchi.workers.dev 以下はPC版のスクリーンショットだが、モバイルにも対応している。 国際化対応もしていて、英語や中国語など8か国語でもプレイ可能だ。 ゲームとして面白いかと言われると微妙だろう。 レイアウト崩れなどのバグもまだまだある。 しかし、単なる思いつきをここまで形にできるなんて想像もしなかった。 Claude Code + Opus 4.5 は、ITエンジニアのライフスタイルを激変させるほどの革命的なプロダクトかもしれない。 ちょっとした新機能などにも「革命的」なんていう宣伝文句が乱発されるようになった昨今、「革命的」などと言ってしまうと返って

結論 「テストして」って言っただけなのに、AIが自分でバグ見つけて、自分で直して、「違反は切腹」ってルールを自分で追加してきた。 人間、何もしてない。 何を作ったか Claude Code × tmux でホワイトカラー向けマルチタスクツールを作った。 名前は multi-agent-shogun。 戦国時代の軍制をモチーフに、将軍1名・家老1名・足軽8名の階層構造でAIエージェントを統制する。 上様（人間） ↓ 「やれ」 将軍（Claude Code） ↓ 「家老、タスクを分解せよ」 家老（Claude Code） ↓ 「足軽ども、並列で実行せよ」 ┌──┬──┬──┬──┬──┬──┬──┬──┐ │1 │2 │3 │4 │5 │6 │7 │8 │ ← 8人同時に動く └──┴──┴──┴──┴──┴──┴──┴──┘ 足軽（Claude Code × 8） とにかくshogunにぶち

先日、Claude Codeの開発者でありAnthropicのエンジニアでもあるBoris Cherny氏が、「初期のClaude CodeではRAG＋ローカルベクターDBを使っていたが、最終的にAgentic Searchの方が圧倒的に良いと分かった」 という発言がありました 私はBoris氏のこの投稿を見たとき「やっぱ、そうだよな」と思いました。なぜなら私もRAGで検索システムを作った際に似たようなことを考えていたからです。この記事ではこの騒動の背景を整理しつつ、なぜClaude CodeがRAGを捨ててAgentic Searchを選んだのかを説明します。 Boris Cherny氏について Boris Cherny氏はAnthropicのエンジニアであり、Claude Codeの創設者 でもあります。また『Programming TypeScript』の著者でもあり、複数の技術系ポ