この本では、Claude Agent SDK (Python) を用いて、Claude Code方式の「ヒアリング → 深掘り → 成果物を出す」対話型ワークフローを持つAIエージェントを開発していきます。つくりながら学ぶことを重視し、最小限のコードでSDKを動かすところから始めて、MCP連携やサブエージェントを活用するアプリ開発まで、ステップバイステップで学べます。 旅行プランナーを題材に、ターミナルで動く対話型エージェントを開発した後は、React + FastAPI + WebSocket でWeb UIをつけてアプリの体裁に仕上げます。サンプルコードはGitHubで公開しているので、手元で動かしながら進められます。 500円と設定していますが投げ銭用です。本文は全て無料で読めます。
実例1: EchoLeak — Microsoft 365 Copilot(CVE-2025-32711、CVSS 9.3) 攻撃者が細工したメールを送るだけで、被害者のM365データが外部サーバに流出。ゼロクリック。 Copilotが受信メール(外部データ)を読み込んだ後、その指示に従って別のデータを外部URLに送信。MicrosoftのXPIA分類器、外部リンク削除、CSPをすべてバイパスしました。 根本原因: Copilotは機密メールを読んだ後も、外部への書き込み能力を保持していた。 参考: Hack The Box解説 実例2: Slack AI データ流出(2024年8月) RAGポイズニングとプロンプトインジェクションの組み合わせ。攻撃者がSlackチャンネルに悪意あるメッセージを投稿し、Slack AIが別のプライベートチャンネルの機密情報を攻撃者に回答する形で流出。 根本
はじめに こんにちは、スーパーマーケットのライフが大好きなコンサルティング部の神野(じんの)です。 Amazon Bedrock AgentCore Memory には、AIエージェントの長期記憶の抽出をカスタマイズできる「組み込みオーバーライド戦略(Built-in with Overrides Strategy)」という仕組みがあります。 デフォルトのビルトイン戦略でも良い感じに長期記憶が取得できるのですが、もしかするとカスタマイズしたいことがあるかもしれません。例えば特定の話題だけ抽出するようにしたい、任意のモデルを使いたいなど。そこで今回紹介する組み込みオーバーライド戦略が活用できます。 実際に組み込みオーバーライド戦略を使って、抽出プロンプトとモデルの変更を試し、抽出される長期記憶がどう変わるかを確認してみました! 前提 環境 使用したバージョンは下記となります。 Python
こんにちは!逆瀬川 (@gyakuse) です! Claude Code v2.1.80で待ちに待ったステータスライン用のrate_limitsフィールドが追加されました。これがないために本当にみんな頑張ってきたのです。本当につらい世界でした。 何が変わったのか 2026年3月19日リリースのv2.1.80で、ステータスラインに渡されるJSONにrate_limitsフィールドが追加されました。 changelogの記載はこうです。 Added rate_limits field to statusline scripts for displaying Claude.ai rate limit usage (5-hour and 7-day windows with used_percentage and resets_at) これにより、Claude Codeのサブスクリプションの使用量
はじめに 今年も恒例のアドベントカレンダーの季節となり、なんのテーマで記事を書こうか?と、github上を彷徨っていたわけですが、jupyter等に変わる新たなpython notebookである、marimoがちょっと流行っていそうだったので、チュートリアルを触りつつ、記事にしてみようと思います。 本稿について 本記事では、marimo の公式チュートリアルを実際に操作しながらJupyter Notebook に比べた優位性を確認します。 marimoって jupyter notebookやjupyterlabは以下のようなモヤモヤポイントがありました。 インタラクティブなUIには、別途、ipywidgets, Streamlit等が必要 それ単独では、コードアシストや保管、ヒント等が若干貧弱1 あるセルの変数を更新しても、他のセルを再実行しないと変更が反映されない pythonコードを
投資で破産しないための数学:ケリー基準を理解する はじめに:なぜ優秀なトレーダーも破産するのか 投資の世界には不思議な現象があります。勝率が55%もある、つまり負けるより勝つ方が多いトレーダーが、なぜか破産してしまうのです。一方で、同じ勝率でも着実に資産を増やし続ける投資家もいます。この違いは何でしょうか。 答えは「ポジションサイズ」にあります。どんなに優れた投資戦略を持っていても、一度に賭ける金額を間違えれば、最終的には資産を失ってしまいます。逆に、勝率がそこそこでも、適切な資金管理をすれば長期的に成功できるのです。 この記事では、1956年にベル研究所のジョン・L・ケリー・ジュニアが発見した「ケリー基準(Kelly Criterion)」について、Pythonシミュレーションを交えながら解説します。この数学的手法は、長期的に最も効率よく資産を増やすための賭け金を教えてくれます。 ケリー
調べてみた疑問に思うのは世界中同じ 下記stackoverflowに同じ質問があったので見てみる コミットメッセージに真実が書かれています https://stackoverflow.com/questions/43826134/why-is-the-bin-directory-named-differently-scripts-on-windowsとのこと いったいどんなコミットメッセージなんだい 問題のコミットメッセージhttps://github.com/pypa/virtualenv/commit/993ba1316a83b760370f5a3872b3f5ef4dd904c1コミットメッセージ: Use Scripts/ on Windows, as that seems to be the convention WindowsではなんかそういうルールらしいのでScriptsと命
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Python を使い始めると、ディレクトリの階層で分けてファイルを管理したくなります。 そこで出てくるのが __init__.py ファイル。 これは一体何者なのか。 色々と情報がころがってはいるものの、なかなか納得行くように説明しているものが見当たりません。 Python のドキュメントでも、何を参照すれば正解なのかがわかりにくい1。 ということで、__init__.py についてまとめてみました。(少し長いです) 読み物形式で書いていますので、結論(「__init__.py の役割」)だけ見たい方はスクロールして最後の方を読んでくだ
はじめに 先日、あるスタートアップがシステムを作り直すという文脈の中で「LangChain を採用」という記述があり、X で疑問を呈したところ「LangChain v1 で大幅に改善された」「批判は古い印象に基づいている」「根拠のない批判だ」という反論がありました。 では実際にソースコードを読んで確認してみよう、というのが本記事の趣旨です。 私自身、2年前は LangChain をメインで使っていました。 当時は生成 AI の最適解がまだ見えておらず、各社 SDK のインターフェースも頻繁に変わっていた時代です。そんな中で LangChain のようなラッパーは、コンテキストスイッチを減らし、プロトタイプを素早く回すには一定の価値がありました。 しかし 2026 年、状況は変わっています。 各社 SDK のインターフェースは安定してきた AI がどの SDK のコードでもすぐ生成できる 実
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
処理を実行中です
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