話題のmicrogptを早速試してみる
2月12日にkarpathy氏がGistに投稿した以下のmicrogptをご存知でしょうか。 この記事を執筆してる時点で一週間が経過していますが、なおも修正が行われているこれは、GPTの構造をPythonで簡易的に実装したソースコードになります。GPTの構造を理解するのにも役立つ内容となっており、その行数は最新（2/18 11時時点）で、200行という短さです。 加えて、プログラムファイルの先頭にあるDocstringの通り、Pythonの標準ライブラリのみを使用して実装が行われているため、他の複雑なライブラリを理解することなく、たった200行でGPTを知ることができる内容だということです。すごいですね。 The most atomic way to train and run inference for a GPT in pure, dependency-free Python. 2/2
DSPyの基礎と構成（プログラムの実行と最適化）
はじめに 今回は、DSPyの基本的な構成とその使い方について記事にしました。 以下の流れで解説していきます。 1. DSPyとはなにか 2. DSPyの構成要素（それぞれの使い方と概要） 3. DSPyの構成（プログラムとコンパイル） 4. 複数あるLLMとシグネチャの設定方法について 5. プログラムとコンパイル（プロンプトの最適化）の実行例 DSPy（ドキュメント） DSPy（Github） 作業環境（バージョン） Python： 3.11 DSPy： 3.1.2 DSPyとは DSPy（Declarative Self-improving Python）はLLMアプリケーションを構築するフレームワークの一つです。名前の通り 宣言的(Declarative) な設計で 自己改善(Self-improving) を行うことができます。 「・・・えっ、何が宣言的なの？自己改善ってなに？？」
Pythonを書くなら、Ruffのルールページは最高の教材だと思う（AI時代の学び方）
この記事は LayerX Tech Advent Calendar 2025 23日目の記事です。 Ai Workforce事業部 プロダクト部 FDEグループ エンジニアの 堤 です。 本記事では、プログラムを書き始めたばかりの頃に Pythonの静的解析ツールである Ruff のエラー修正を通じて学んだ経験と、それを踏まえて作った ruff-tutor-mcp というMCPサーバー、そしてAIコーディング時代の学び方について書きたいと思います。 最近、エンジニアのみなさんはコーディングエージェントを使っているのではないでしょうか。特に、Claude Codeがリリースされてからその流れが加速したように感じます。私自身も、特にClaude Opus 4.5が出て以来、本当に自分でコードを書くことが減りました。Claude Codeにコンテキストとして与える要件をマークダウンで書く時間が圧
[Browser Use] 触ってみた結果と感想
# 必要なライブラリをインポート from langchain_openai import ChatOpenAI # OpenAIのチャットモデルを利用するためのライブラリ from browser_use import Agent # エージェント機能を提供するライブラリ import asyncio # 非同期処理を使うためのライブラリ # 非同期関数mainを定義 async def main(): # Agentのインスタンスを作成 agent = Agent( task="Zennで小倉さんというユーザーの最新記事を教えて", # エージェントに対するタスク（質問） llm=ChatOpenAI(model="gpt-4o", api_key="xxxxxxxxxxxxxx"), # GPT-4oモデルを使う（APIキーは仮の値） ) # エージェントにタスクを実行させ、その結果
![[Browser Use] 触ってみた結果と感想](https://cdn-ak-scissors.b.st-hatena.com/image/square/27a6a4206c6ccf3936294efcfba85be9ce922f90/backend=imagemagick;height=288;version=1;width=512/https%3A%2F%2Fres.cloudinary.com%2Fzenn%2Fimage%2Fupload%2Fs--41ff8_pi--%2Fc_fit%252Cg_north_west%252Cl_text%3Anotosansjp-medium.otf_55%3A%25255BBrowser%252520Use%25255D%252520%2525E8%2525A7%2525A6%2525E3%252581%2525A3%2525E3%252581%2525A6%2525E3%252581%2525BF%2525E3%252581%25259F%2525E7%2525B5%252590%2525E6%25259E%25259C%2525E3%252581%2525A8%2525E6%252584%25259F%2525E6%252583%2525B3%252Cw_1010%252Cx_90%252Cy_100%2Fg_south_west%252Cl_text%3Anotosansjp-medium.otf_37%3A%2525E5%2525B0%25258F%2525E5%252580%252589%2525E3%252581%252582%2525E3%252582%252593%252520%252Cx_203%252Cy_121%2Fg_south_west%252Ch_90%252Cl_fetch%3AaHR0cHM6Ly9zdG9yYWdlLmdvb2dsZWFwaXMuY29tL3plbm4tdXNlci11cGxvYWQvYXZhdGFyL2FhZTc3ZDA0MzcuanBlZw%3D%3D%252Cr_max%252Cw_90%252Cx_87%252Cy_95%2Fv1627283836%2Fdefault%2Fog-base-w1200-v2.png)
PythonでAIシミュレーションプラットフォームOpen AI Gym を利用して遊ぶ (DQN編) - Qiita
どうも、オリィ研究所(http://orylab.com/) の ryo_grid こと神林です。 今回はOpen AI Gymで遊んでみたので、それについて書いてみます。 Open AI Gym (https://gym.openai.com) とは AI開発者が自分のAIを動かすことのできるシミュレータを提供してくれる環境です。 Python向けにはライブラリを提供しています。 AI GymによりAI開発者やAI研究者はAIの学習ロジックの研究開発に専念でき、その可視化やシミュレーションを行う手間が省けます。また、同じシミュレーションを複数のユーザが競い合って解いているので、参加者全体でのアルゴリズムの性能向上が期待されます。 主なターゲットは強化学習によって構築されるAIです。Deep Q-Learning Network(DQN)を代表とする深層強化学習と呼ばれる手法が少し前から話
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
CodeAct in Agent Framework: Faster Agents with Fewer Model Turns | Microsoft Agent Framework
GitHub - google/budoux
browser-use やばいです - Qiita