はじめに Anthropic といえば、最近はコード生成ツールが大きな話題になっていますよね。 ＡＩ企業アンスロピック、今年の売上高30億ドルに急増へ 売上高を牽引しているのはコード生成機能です。グーグルの親会社であるアルファベット（[GOOGL.O](https://jp.reuters.com/markets/companies/GOOGL.O)）や、アマゾン・ドット・コム（[AMZN.O](https://jp.reuters.com/markets/companies/AMZN.O)）が支援しているアンスロピックは、コンピュータープログラミングに特化した AI として知られています。 このコード生成機能を活用する際に使用するのが、CLI コマンドの claude です。このツールの完成度は非常に高く、最近ではコード生成時に積極的に利用するエンジニアも増えてきています。 この cla
AIコーディング前提の開発プロセスを仕組み化 はじめまして。松尾研究所の中川です。 AIコーディングを前提に、提案から開発・運用までを一気通貫で進めるスタイルは増えつつあります。弊社のプロジェクトでも、AIコーディングは単なる「補助」ではなく、開発プロセスの中核として扱われる場面も多くなってきました。 私も小規模体制で開発速度と品質を両立するために、Claude Codeの運用における 並列化・プロンプト運用・レビュー自動ループ・ナレッジ一元化・インストラクション（Skills） の5点を“仕組み”として作っています。 この記事では、Claude Code中心のAIコーディング手法をまとめます。 開発対象 Claude Codeの実務運用で開発したWebアプリ構成です。 フロントエンド： React + Vite + TypeScript バックエンド： FastAPI 非同期処理ワーカー
注目すべきなのはそれぞれが完全に独立しており、共通のタスクリストを持ちながら自己調整を行っていく事です。 この点がこれまでになかったポイントで、Sub Agentは用意されたエージェントにタスクを任せたら「結果を報告」という形での一方通行ですが、Agent Teamsはそれぞれが自律的にタスクを担当しながら「ここまで終わった、そっちはどう？」という双方向のコラボレーションを行います。 これは原始的なメールのような仕組みを使っていて、Agent Teamsが動いたあとの~/.claude/teams/[チーム名]を見ると面白いのですが、お互いが通信した履歴を見ることができます。 たとえば以下は上述の歯科医のランディングページをAgent Teamsで作ってもらった際のチームリーダーの受信箱（inboxes）を覗いたものです。 コーダーが最初のタスクを終わって、ディレクターやデザイナーの作成待
Serena MCPはClaude Codeを救うのか？
Serena MCPはClaude Codeを救うのか？ 「Claude Codeがアホになる問題」が勃発している最中、SerenaというMCPサーバーが「Claude Codeのコンテキスト消費を削減し、応答を改善する」という評価でユーザーたちの間で注目されています。 筆者も実際にSerenaを使ってみたところ、確かにコンテキスト効率の改善（入出力トークンの減少を指します）を実感できました。詳しく調べてみると、このツールは非常にユニークな発想で設計されており、一過性の流行として消費されるには惜しいと感じました。 そこで、本記事では、この機能の背景にある技術的な仕組みを詳しく解説したいと思います。実際の検証も交えながら、Serenaのアーキテクチャとその効果を分析していきます。 現在のコーディングエージェントが抱える課題現在のコーディングエージェントの多くは、コードを単なるテキストファイル
1. はじめに年末年始は仕事や転職活動で忙しく、恥ずかしながらAnthoropicの発表したMCP (Model Context Protocol)についてはあまり踏み込まずに簡単に眺めているのみに留まっていたモグリです。 色々と落ち着いてきたため、やっとMCPについて勉強しています。 MCPを用いると例えば、現在(2025/03/24)まだ日本では導入されていないWeb検索やBrowser Useの機能をClaudeに組み込めてとても便利だなと思います。 一方で、Claudeにより複雑な作業をさせたいと考えると、Web検索やBrowser Useの機能をもったDeep Researchエージェントを自前で組んで、その結果だけ返すMCPサーバーを建てた方が良い作業が出来るのではないかと考えます。（API利用料は置いておいて。） Claude Desktop + Deep Research
Claude CodeでMCPツール（Context7、Serena、Cipher）を活用してAIコーディングを次のレベルへ - Qiita
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? Context7、Serena、Cipher で得られるメリット 開発効率の大幅な向上 Context7：最新のAPIドキュメントを自動取得し、古い情報によるエラーを防止 Serena：IDEレベルのコード理解により、大規模リファクタリングを効率化 Cipher：過去の解決策を記憶し、同じ問題への対処時間を削減 コスト削減効果 ツール利用料0円：すべてオープンソースツール 注意：Claude APIやOpenAI APIの使用料は別途発生します API使用量の削減：Cipherのメモリ機能により、重複する質問を回避 デバッグ時間の短縮：
Blender MCP を試す｜npaka
「Blender MCP」を試したのでまとめました。 1. Blender MCP「Blender MCP」は、「MCP」を介して「Claude」を「Blender」と直接対話できるようにします。この統合により、プロンプトによる3Dモデル作成や操作などが可能になります。 2-2. Claude Desktop AIアシスタントのClaudeを利用するためのデスクトップアプリケーションです。 ・Claude Desktop 2-3. Python 3.10以降 + uvPythonは、公式サイトから適切なバージョンをインストールします。 uvのインストール手順は、次のとおりです。 ・Mac brew install uv・Windows powershell -c "irm https://astral.sh/uv/install.ps1 | iex" set Path=C:\Users
LSP を活用してセマンティックなコード検索・編集能力を提供する MCP サーバー Serena の導入・使用方法を紹介。Claude Code でのオンボーディングからリファクタリングまでの実践的な活用例を解説します。 Serena はセマンティックなコード検索・編集能力を追加するオープンソースのツールキットです。MCP（Model Context Protocol） サーバーとして動作しているため、Claude Code や Cursor, VS Code のように MCP に対応しているクライアントであれば利用できます。またエージェントフレームワークとして Agno を使用しているため、特定の LLM モデルに依存せずに動作します。 Serena は LSP（Language Server Protocol）を使用してセマンティックなコードを解析するのが特徴です。LSP はコードの構
はじめに つい昨日に以下の記事を書いたのですが、VS CodeのStable版もほぼ同日にエージェント機能が追加されました。以下の記事ではClaude Desktopを使いましたが、VS Code + GitHub Copilot でも awslabs/mcp を試してみます。 なお、部分的に前回の記事に飛ばすとわかりにくかったので、手順については重複する部分もこちらの記事に載せています。 前提 環境 Mac OS 14.5 VS Code March 2025 (version 1.99) GitHub Copilot 準備 awslabs/mcp はPythonで書かれており、公式の手順ではパッケージマネージャーの uv が必要になります。 uv のインストール（Astral公式ドキュメントまたはGitHub参照） Python 3.10 以上 （公式では uv python inst
🚀 はじめに このチュートリアルでは、OpenAIの最新モデルGPT-OSS 20BをGoogle Colab L4 GPU（22GB VRAM）でファインチューニングする方法を解説します。UnslothライブラリとLoRAを使用することで、効率的にモデルを訓練できます。 <div class="align-center"> <a href="https://unsloth.ai/"><img src="https://github.com/unslothai/unsloth/raw/main/images/unsloth new logo.png" width="115"></a> <a href="https://discord.gg/unsloth"><img src="https://github.com/unslothai/unsloth/raw/main/images/Dis
MCP（Model Context Protocol）を活用したJグランツ補助金検索システムの実装例｜デジタル庁
デジタル庁プロダクトマネージャーユニットの土岐竜一です。事業者の手続システム総括班で、Jグランツを含む事業者向けシステムなどを担当しています。 この記事では、デジタル庁が運用する補助金電子申請システム「Jグランツ」のAPIを、Anthropic社が提唱するModel Context Protocol（MCP） によりラッピングし、LLMから利用可能なシステムのサンプル設計および実装について説明します。 具体的には、Pythonで簡単に実装できるFastMCPフレームワークを利用し、Jグランツの補助金検索や詳細の取得などの実用的な機能を備えたMCPサーバーを例として実装します。なお、本記事におけるコードはGitHubよりダウンロード可能です。 本実装例で実現できること今回紹介するMCPサーバーを利用すると、LLM（Claudeなど）を通じて、以下のような自然言語によるJグランツの補助金検索や
uv × DockerでのPython開発環境構築方法
松尾研究所では、Python開発における標準ツールとしてuvを推奨しています。uvはPythonのパッケージ管理ツールで、依存関係の管理や仮想環境の構築を自動化し、高速で再現性のある開発を可能にすることが特長です。 Pythonパッケージだけでなく、Node.jsやブラウザ周りのツールなど他の依存も扱うときには、uvとDockerを併用するケースもあるかと思います。Dockerのコンテナ上でuvを使用する方法について社内で話題になったとき、調べたところいくつか方法があることが分かったので、それぞれの方法の違いと松尾研究所推奨の環境構築方法についてまとめました。 推奨方針まとめ Python開発はuvを標準とする Docker運用はAstral公式のuv+pythonイメージの使用を推奨 Astral公式のuvイメージ、または公式インストーラ（install.sh）によるuvの直接インストー
みなさんこんにちは、XI本部エンジニアリングオフィスの佐藤太一です。 このエントリでは、私がRustで実装したJava用バージョンマネージャであるKopiを紹介すると共に、実装の過程で得た生成AIを使ったソフトウェア開発に関する知見を共有します。 Kopiのソースコードとドキュメントは全てClaude Codeによるものです。私自身は開発環境の構築とメンテナンスをしながら、プロンプトによる指示のみで、約2か月弱の期間に約四万行のRustコードと約六千行のMarkdownを書き上げました。行数の計測においては、コメントや改行は除いています。 成果物は全てオープンソースソフトウェアとして公開していますので、興味を持ったら是非、公式サイトに来てください。 https://kopi-vm.github.io/ Kopiの紹介 ここでは簡単にKopiを紹介させてください。 Java用バージョンマネー
簡易版はこちら Pythonのパッケージ管理はこれまで pip、venv、poetry などで行われてきましたが、最近 uv が注目を集めています。 本稿では uv をシステム開発で使うための詳細な情報、特に、poetry、venv、pipからの移行手順を解説します。 uv公式ドキュメント uv (github) 1. uvの概要 1.1 uvとは？ uvは 高速な動作、クロスプラットフォーム対応のロックファイル、ツール管理、Python自体のバージョン管理を統合した、現代的なPythonプロジェクト＆パッケージマネージャーです。Rustで記述されており、従来のツール（pip, poetry, pip-toolsなど）の機能を単体で置き換えることができます。 1.2 uvのアーキテクチャ uvはRustで実装されており、高いパフォーマンスとメモリ安全性を誇ります。Rustの並行処理能力を活
Pythonプロジェクトでflat layoutではなくsrc layoutが推奨される理由を理解する - 肉球でキーボード
本文中コード github.com flat layoutとsrc layoutについて Pythonプロジェクトのディレクトリ構成について調べてたところ、flat layoutとsrc layoutという2種類のディレクトリ構成が存在することを知りました。 src レイアウト対フラットレイアウト - Python Packaging User Guide flat layout flat layoutはパッケージフォルダをプロジェクトのルート直下に配置するスタイルです。 flat layoutの有名なpythonプロジェクトだと、 pytorch, django, tensorflow があります。 . ├── README.md ├── pyproject.toml └── my_package/ ├── __init__.py └── module.py src layout 一方、
Dev Containerを使ってステップバイステップで作るPythonアプリケーション開発環境 - 電通総研 テックブログ
みなさんこんにちは、電通総研コーポーレート本部システム推進部の佐藤太一です。 この記事では、VS CodeのDev Containerを使ってOSに依存しないPythonの開発環境を構築する方法をステップバイステップで丁寧に説明します。 VS Codeの利用経験があり、またPythonによるアプリケーション開発に興味のある方を想定読者として記述しています。Pythonの初心者から中級者向けを意識して書いていますので、意図して冗長な説明をしています。 すでにPythonによるアプリケーション開発に十分に詳しい方は、まずはまとめだけ読んでみてください。私自身それほどPythonのエコシステムに詳しいわけではありませんので、知識の抜け漏れは恐らくあるでしょう。そういった事に気が付いたら、XなどのSNSでこの記事のURLを付けてコメントをしていただけると幸いです。 はじめに 事前の準備 最小限のD
本記事では、RAGの基本的な仕組みを理解するために、Pythonを使ってゼロからRAGを実装する手順をざっくり解説します。 株式会社ナレッジセンスは、「エンタープライズ企業の膨大なデータを掘り起こし、活用可能にする」プロダクトを開発しているスタートアップです。 この記事は何 この記事では、非エンジニアでも、手元のPCで「RAG」を動かせるというところまで解説したいと思います。 こんな感じでRAGを構築できます。入門から解説します 最近、非エンジニアでも、RAGに興味を持つ方が増えました。 ただ、一方で、RAGの「基本」についての記事は、だいぶ減っています。このままだと、「RAGに詳しい人だけが、さらに詳しくなっていく」という状態になってしまいます。 そこで今回は、入門者向けに、「やってみた」形式で、RAG技術のざっくり解説をしていきます。なるべく簡単に行きます↓ そもそもRAGとは？ RA
＿＿＿ ／ ＼ / ✨ノ ヽ､✨ ＼ / （◕） （◕） ＼ Excelを手でつくる時代が | （**人**） | ついに終わったおーーー！！ ＼ ｀ ⌒´ ／ / ヽ ┏━━━━━━━━━━━━━━━━━━━━━━━━┓ ┃ Gemini CLI × Excel MCPで「手作業Excel」終了！ ┃ ┃ 調査→整理→Excel出力まで全自動！！ ┃ ┗━━━━━━━━━━━━━━━━━━━━━━━━┛ ٩(◕‿◕)۶ やったーー！！ ＡＩ時代キタ━━━━(◕‿◕)━━━━!! ＼ ／ ＼ Excel手作り終了わーい！ ／ ＼ ／ (◕‿◕)/(◕‿◕)/(◕‿◕)/ ∩＿∩ ∩＿
大河ドラマ「豊臣兄弟！」を楽しむ 【グラフDB×グラフRAG×マップアニメーション】｜朝日新聞社 メディア研究開発センター
はじめにこんにちは、ニュースメディア開発部の杉野です。4月にメディア研究開発センター（M研）から異動となり、新しい環境で奮闘しているところです。 最近、NHK大河ドラマ「豊臣兄弟！」にハマっています。毎週、豊臣秀吉と弟の秀長が知恵と義理で戦国の世を渡っていく様子をワクワクしながら見ています。 しかしいかんせん日本史の知識が乏しく、歴史上の有名人が登場するたびに「この人は何者？」「この人は敵？味方？」「この後どれだけの城を攻略するの？」と史実が気になってきました。 そこでふと考えたのが 「この複雑な人間関係、グラフデータベース（DB）で整理したら理解しやすそう」 「天下統一の道のりを日本地図でアニメーションにしたら、物語の流れも追いやすそう」 ということです。 というわけで本記事では、Wikipediaから取得したオープンな歴史テキストを題材に「グラフDB構築 → 可視化 → グラフRAG
お疲れさまです。とーちです。 こちらの記事を読んで、MCPサーバーすごそうとなったのでMCPについてキャッチアップしたくなりました。 また、こちらの資料を読んでいて知ったのですが、MCPサーバーを作るクイックスタートが公開されているようです。これは良さそうだと思ったのでクイックスタートをやってみることにしました。 やさしいMCP入門 クイックスタートのURLは以下になります。 For Server Developers - Model Context Protocol MCPとは？ そもそもMCPとは？といった部分については上記の資料等をご確認いただければと思いますが、自分なりに理解したことをまとめると以下のようになります。 MCPとは アプリケーションが LLM にコンテキストを提供する方法を標準化するためのもの MCP は、AI アプリケーション用の USB-C ポートのようなもので、
Claude Codeで開発していると、こんな問題に遭遇しませんか？ CLAUDE.mdに「uvを使って」や「uvの具体的な環境構築ガイド」を書いても、ルールを無視してpipを使われてしまう 仮想環境をアクティベートするのを忘れ、Python実行でエラーが頻発する。そして別のActivateされていた環境が汚される 長いやり取りの途中で、AIがプロジェクトのルールを忘れてしまう CLAUDE.mdに詳細な環境構築手順やuvパッケージマネージャーの使用を記載していても、Claude Codeが一貫してそのルールを守ってくれることはなかったです。 しかし、Claude Code Hooksを使うことで、指示忘れの問題を解決できました！ この記事では、実際にPython環境のパッケージマネージャーを強制的にuvに統一するためのHooksスクリプトを公開し、Hooksのメリット等を解説します。 例
はじめにこの記事では効率的な合成データ生成からそのデータを学習したモデルのGGUF変換、OllamaやLM Studioでの推論まで行います。 データ合成にはSDG LOOM、学習にはUnsloth Studio、推論にはLM Studioを用います。 これを理解すれば誰でもオリジナルのLLMを作成することができます。 今回は「小説生成ローカルモデル」を例に挙げて作成を行います。 それでは初めて行きましょう。 合成データの作り方このステップでは、LLMを用いた合成データを作ります。 オリジナルのLLMを作成するにあたって、1番大事なのは合成データです。 どのようなデータを作り、そしてそれを用いてどのような大規模言語モデルを目指すのかを決定するのがこのフェーズになります。 合成データを作るにあたって、以下の3つの点が大切だと個人的に思っています。 ・データの品質 ・コストパフォーマンス そし
福田（@JunyaFff）です。今月の「Python Monthly Topics」は、Python 3.13の新機能「free threading」について解説します。 はじめに 2024年10月にリリースされたPython 3.13。その中でもっとも注目すべき実験的な新機能の「free threading」について紹介します。本記事ではfree threadingについて紹介するにあたり、避けては通れない「Global Interpreter Lock（以下GIL）」というCPythonのロック機構の基本を説明して、free threadingについての概要と動作検証した結果を紹介します。 Python 3.13での他の新機能については先月の記事「Python 3.13で更新された機能の紹介」をご参照ください。 なお、今回の記事を書くにあたり参考にしたドキュメントは下記になります。
この記事はuvのバージョンがv0.3.0の時に書かれました。 uvの開発は活発であり、ここで紹介したコマンドやベストプラクティスが大きく違う可能性があります。 最新のuvの使い方を参照するには公式ドキュメントを参照してください。 チューリングのE2E自動運転チームの岩政(@colum2131)です。 2024年8月20日にuvのマイナーバージョンが0.3.0にアップデートされました。元々、pipの代替として設計されていたuvが、Pythonのバージョン管理からパッケージ管理まで行えると発表されました。 以前の2024年7月にまとめた記事では、 将来的には、uvがRyeに代替されるよう と書きましたが、実際、RyeやPoetryなどの代替としてuvのみでPythonのプロジェクト管理が可能になりました。Ryeで行っていた操作同様にuvで実行できるようになった印象もあります。 チューリングのメ
![[v0.3.1] uvだけでPythonプロジェクトを管理する](https://cdn-ak-scissors.b.st-hatena.com/image/square/dc56c7b24cfb9a29529b7e0173377d97c88a67c7/backend=imagemagick;height=288;version=1;width=512/https%3A%2F%2Fres.cloudinary.com%2Fzenn%2Fimage%2Fupload%2Fs--5dOd_Vna--%2Fc_fit%252Cg_north_west%252Cl_text%3Anotosansjp-medium.otf_55%3A%25255Bv0.3.1%25255D%252520uv%2525E3%252581%2525A0%2525E3%252581%252591%2525E3%252581%2525A7Python%2525E3%252583%252597%2525E3%252583%2525AD%2525E3%252582%2525B8%2525E3%252582%2525A7%2525E3%252582%2525AF%2525E3%252583%252588%2525E3%252582%252592%2525E7%2525AE%2525A1%2525E7%252590%252586%2525E3%252581%252599%2525E3%252582%25258B%252Cw_1010%252Cx_90%252Cy_100%2Fg_south_west%252Cl_text%3Anotosansjp-medium.otf_34%3Acolum2131%252Cx_220%252Cy_108%2Fbo_3px_solid_rgb%3Ad6e3ed%252Cg_south_west%252Ch_90%252Cl_fetch%3AaHR0cHM6Ly9zdG9yYWdlLmdvb2dsZWFwaXMuY29tL3plbm4tdXNlci11cGxvYWQvYXZhdGFyL2VhNmQ4MDk1OGQuanBlZw%3D%3D%252Cr_20%252Cw_90%252Cx_92%252Cy_102%2Fco_rgb%3A6e7b85%252Cg_south_west%252Cl_text%3Anotosansjp-medium.otf_30%3ATech%252520Blog%252520-%252520Turing%252Cx_220%252Cy_160%2Fbo_4px_solid_white%252Cg_south_west%252Ch_50%252Cl_fetch%3AaHR0cHM6Ly9zdG9yYWdlLmdvb2dsZWFwaXMuY29tL3plbm4tdXNlci11cGxvYWQvYXZhdGFyL2RhZDZiMjhmMmEuanBlZw%3D%3D%252Cr_max%252Cw_50%252Cx_139%252Cy_84%2Fv1627283836%2Fdefault%2Fog-base-w1200-v2.png%3F_a%3DBACAGSGT)
Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? データ分析・機械学習においてjupyter notebookは広く利用されています。EDAやモデルの学習、教育など多くのユースケース利用されてきましたが、notebookは以下のようなデメリットがあります。 Jupyter Notebookのつらみ 再現性の担保が難しい 共有されたnotebookを実行してもエラーが出て上手くいかない https://marimo.io/blog/introducing-marimo JetBrainsがGithub上の1千万のnotebookを分析したところ、36%のnotebookに再現性がなかった
tl;drJSON Schema で指定したフォーマットで出力を制御可能になったよ cURL / Python / JavaScript のそれぞれで試してみたよ 具体的な実用例があったのでそれも動かしてみたよ 使う上での tips や今後どんな機能が追加されるかまとめたよ 公開されたブログの流れに準拠しつつ、意図がズレない範囲で翻訳、解説、コードの実行をしていきます。チュートリアルになっているので、よかったら手を動かして試してみてください。 Ollama が structured outputs をサポート。JSON Schema で定義したフォーマットに LLM の出力を制御するすることが可能になりました。Ollama の Python と JavaScript のそれぞれのライブラリにおいてもサポートするよう更新。 ブログでは structured outputs のユースケースとし
（上記、Github の README.md を一部日本語に翻訳して引用） Unsloth の良い点としては、学習の高速さやVRAM消費量が小さいことに加え、学習の効率化において近似計算を一切使用していないことから、精度低下がゼロと自信を持って書かれていることや、Huggingface において様々な動的量子化/GGUFモデル等を公開していることが挙げられます。 また、Unsloth を用いてLLMのダウンロードを行うと、謎の仕組みで高速に進みます。(Unsloth: Fast downloading is enabled と出てくるので多分早くなっている) インストールは以下のコマンドで行えます。 余談ですが、Unsloth の公式ドキュメントに書かれた LLM のファインチューニングガイド、どのモデルを使うべきか？、LoRA のハイパラのガイド は情報が綺麗にまとまっていて個人的にかな
Skip to the content. 2025/03/06に公開 Set up virtual environments Management tools How to use uv (a simple introduction) Manage Python versions Manage Python package dependencies Project code structure Keep readable Follow coding regulations Type hinting ArrayLike Objects 3rd party tools Static type checking install usage Formatter and Linter install usage Pre-commit file checking install usage Keep
DeepSeek-OCRを試す｜shi3z
DeepSeek-OCRが、普通のOCRとはちょっと違う文脈で話題になっていたので触ってみた。 これのミソは、単にOCR(光学文字認識)ができることではなく、光学的(視覚的)に文章を理解することでより長い文脈に対応できると主張されているところ。 なので、わざと長い文章を画像にして読み取れるか試してみるという意地悪なことをしないとこのモデルの真価は分からない。 今回はKaraageさんの記事を参考にuvにして試してみた。 使用したのはDGX Sparkではなく普通のA100で試した。そんなにVRAM使わないと思うけど。 $ git clone https://github.com/deepseek-ai/DeepSeek-OCR.git $ cd DeepSeek-OCR $ uv venv -p=3.12.9 $ uv pip install torch==2.6.0 torchvisio
8GBメモリでOK！Raspberry Pi 5で使える日本語対応ローカルLLM一覧 - uepon日々の備忘録
以前のエントリなどでも触れていましたが、Raspberry Pi 5（8GB RAM）でリアルタイム対話可能な日本語LLMは実現可能となりつつあります。それも、特別なハードウェアを使用することなしにです。 これは、1B〜3Bパラメータのモデルでもかなり優秀になってきているからです。そのなかでもGemma3:1b、TinySwallow-1.5B（日本語特化）、Qwen2.5:1.5b〜3bといったモデルが有力な候補となるでしょう。 （7Bクラスは動作はしますがかなり遅く実用性に難あり） また、プラットフォーム的な話としては、llama.cppはOllamaより10〜20%高速ですが、セットアップの容易さではOllamaが優れています。Ollamaで試してみて、更なる高速化が必要となればllama.cppに乗り換えるというのがいいかもしれません。 今回想定しているハードウェア・OSの要件 R
こんにちは。バクラク事業部 機械学習・データ部 データグループの@civitaspoです。最近、アルコール度数の低いお酒にハマっています。飲んでも意識がハッキリしているので、趣味の時間を長く確保できるようになってハッピーになれます。僕的には「正気のサタン」がおすすめです。 yonasato.com さて本記事では、最近バクラクのデータ基盤管理リポジトリで導入した Taskfile.dev を紹介しようと思います。 これまでバクラクのデータ基盤では、非エンジニア職のPC環境でも問題なく動作するように、可能な限りMac標準でインストールされているコマンドのみでスクリプトを書いていました。しかし、aquaを導入したことにより、非エンジニア職のPC環境にも「容易に」「セキュアに」指定バージョンのバイナリを配れるようになったため、利用ツール群の刷新を進めています。Taskfile.devはその刷新の
uv の使い方｜npaka
「uv」の使い方をまとめました。 1. uv「uv」は、高速なPythonパッケージ管理ツールです。 従来のpipに代わるツールとして、高速性と効率性を重視して設計されています。 特徴は、次のとおりです。 ・pip、poetry、pyenvなどを置き換える。 ・pipよりも10～100倍高速。 ・任意のバージョンのPythonのインストール・管理。 ・Pythonアプリケーションの実行・インストール。 ・インライン依存関係メタデータをサポートしたスクリプト実行。 ・ユニバーサルロックファイルで包括的なプロジェクト管理。 ・pip互換インターフェース。 ・Cargo-styleのワークスペース。 ・依存関係の重複排除のためのグローバルキャッシュ。 ・Rust・Pythonなしにcurlまたはpipを介してインストール可能。 ・macOS、Linux、Windowsをサポート。 2. インスト
uv on Docker をやっている
$ docker compose watch app $ docker compose exec app bash $ root@393b1996df7c:/app# uv run hello Bytecode compiled 1 file in 39ms # Hello World 前書き 以前、uv on Dockerをやっているという記事を投稿しました。 この時点では、「使ってみた程度」のレベルで投稿していたのですが、定期的にアクセスが来ています。今見ると色々修正したい部分があるので新しく書き直すことにしました。 ※ 本記事ではuvとは何か、uvコマンドの使い方は解説しません。GitHubのドキュメント貼るので読んでみてください。 Dockerfile 次は、開発用コンテナの設定です。(のちに本番に有効な設定を紹介します) FROM ghcr.io/astral-sh/uv:pyt
MCP Python SDK のドキュメント｜npaka
以下の記事が面白かったので、簡単にまとめました。 ・modelcontextprotocol/python-sdk 1. 概要「MCP」を使用すると、アプリケーションは標準化された方法でLLMにコンテキストを提供できます。これにより、コンテキストの提供とLLMとの実際のやり取りを分離できます。「Python SDK」はMCP仕様を完全に実装しており、以下のことが容易になります。 ・任意のMCPサーバに接続できるMCPクライアントの構築 ・リソース、プロンプト、ツールを公開するMCPサーバの作成 ・stdio、SSE、Streamable HTTPなどの標準トランスポートの使用 ・すべてのMCPプロトコルメッセージとライフサイクルイベントの処理 2. インストール2-1. PythonプロジェクトにMCPを追加Pythonプロジェクトの管理には「uv」が推奨されています。 (1) プロジェク
【いま話題】MCPサーバーを10分で構築してみた
こんにちは。 今話題のMCPサーバーを構築してみようと思い、備忘録としてこの記事にログを残していこうと思います。 MCPのイントロダクション 上記の絵がMCPの役割を簡潔に表してくれていると思います。各サービスとの連携時にMCPがハブになってくれるようです。 (エンジニアバブルの終焉は近いですね。) MCPサーバーの構築 サンプルにはPythonとNodeJSがありましたが、普段TypeScriptをよく触るので、勉強がてらにPythonで構築してみます。 環境 Python 3.10 or higher installed. You must use the Python MCP SDK 1.2.0 or higher. uvのインストール そもそもuvとは？ Rust製のpythonのパッケージ管理ツールのようです。 詳しくはこちらを参照してみてください。わかりやすく解説してくださって
はじめに 株式会社ネクストスケープ エンタープライズサービス部の小野塚です ChatGPT、Claude のDesktop版、Claude Code、Cursor、そしてBigQuery in Gemini等、色々と触ってきまして、BacklogのMCPサーバーも活用しています。 まあ、主要なところは一通り触れただろうかというところでふと見渡してみたところ、SerenaというMCPサーバーが良いという記事を以前もみかけていたのですが、スルーしていたことに気づきました。 github.com そこでちょっと試してみたいと思います。 MCPサーバーなので当然ながらClaude Code、Cursor等で利用可能です。 私がざっとX等で見た限りではClaude Codeとの組み合わせが多かったようなのですが、私は今のところCursorが主に使っているツールとなっておりますので、Cursorで試し
uv一つでPythonプロジェクトのランタイム･パッケージ管理が完結。pip/poetry/pyenv/virtualenvをまるっと置き換え! | DevelopersIO
Pythonのリンター･コード整形ツール Ruff を開発している Astral から、Pythonのパッケージツール uv の大型アップデート(uv v0.3)の知らせが届きました。 発表されたブログには「uv: Unified Python packaging(訳:統一されたPythonパッケージング)」とあり、READMEには以下の一文があります。 A single tool to replace pip, pip-tools, pipx, poetry, pyenv, virtualenv, and more. https://astral.sh/blog/uv-unified-python-packaging プロジェクトのランタイムのバージョン管理(pyenv/.python-version)、プロジェクト固有の環境(virtualenv)、パッケージ管理(pip/poetry
バージョンについては2025年2月時点での数字です。UbuntuのシステムPythonの場合、同じリリースでもマイクロバージョン（X.Y.Zの「Z」の部分）についてはアップグレードされることがあります。 UbuntuではもともとPython 2を使っていました。その後、Python 3へと段階的に移行し、2017年10月にリリースされた17.10からデスクトップ版でもPython 2が標準ではインストールされなくなりました。それからもPython 2のパッケージ自体は存在したのですが、2024年4月の24.04までにPython 2関連パッケージはすべてインストールできないようになっています。 ちなみにリリースによっては、「複数のバージョンのPython」を提供していることもあります。たとえばUbuntu 22.04 LTSのシステムPythonのバージョンは3.10.6ですが、「py
それぞれのツールに関する詳しい説明は本記事では行いません。詳しく知りたい方は、ツール名のリンクから公式ドキュメント等を参照してみてください。 上記の表に挙げたツール群にはそれぞれに特徴があります。pyenv、venv、pipのように単一機能に特化したものから、Condaのようにデータサイエンスや機械学習プロジェクトで使用される複雑なパッケージの依存関係や環境管理をサポートするツール、PoetryのようにPythonパッケージインデックス（PyPI）への公開をサポートするツールなど、開発シーンに合わせて選択することができます。 uvとは uvは2024年の2月中旬に発表されたばかりの新しいパッケージ管理ツールです。Rustで書かれており、ここ最近で飛躍的に使用されるようになったRust製のPythonリンター＆フォーマッター「Ruff」を開発しているAstral社によって提供されています[1
はじめに この記事では、実際に私が使っているPythonを使った研究環境の構築方法を紹介します。 なぜ既存の方法ではダメなのか？ 従来のpipやvenv、black、flake8、mypy、Jupyter Notebookといったツールの組み合わせは、多くのPython開発者にとって馴染み深いものです。しかし、これらのツールには以下のような課題があります。 パフォーマンス: pipは依存関係の解決やパッケージのインストールに時間がかかることがあります。特に大規模なプロジェクトでは、環境構築に多くの時間を費やすことになります。型チェックツールmypyは実行速度が遅いため、開発の妨げになることがあります。 設定が複雑: フォーマッタであるblackやリンターであるflake8は、ツールが分かれているので設定が分散しがちで面倒です。 再現性の確保: Jupyter Notebookは便利ですが、
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
Anthropicで利用されているモダンなPython開発のベストプラクティス
Claude Code中心のAIコーディング運用：実務で効いた5つの型
Claude Code Agent Teamsの衝撃と実際 | gihyo.jp
Claude + MCP + Deep Researchを試そう｜はち
コーディングエージェントの能力を拡張する Serena を試してみた
MCP対応したVS CodeでAWS MCPを使う - Qiita
OpenAI GPT-OSS 20Bモデルのファインチューニング完全ガイド
実用品を作って探る生成AIを使ったソフトウェア開発の現在 - 電通総研 テックブログ
uv （pythonパッケージマネージャー）の使い方 詳細版
RAGをゼロから実装して仕組みを学ぶ【2025年版】
Excel手作業終了のお知らせ！Gemini CLI + MCPでExcel生成時代到来
MCPサーバー作成の公式クイックスタートをやってみた | DevelopersIO
Claude Codeの指示忘れ問題を解決！HooksでPython環境をpip禁止＆uv統一にする
一日でできる！ オリジナルのローカルLLMの作り方【データ合成からLM Studioまで】｜Holy_fox
PythonのGILと3.13の実験的な新機能「free threading」を知る | gihyo.jp
[v0.3.1] uvだけでPythonプロジェクトを管理する
jupyter notebookよりもMarimoが便利そう - Qiita
Ollama で structured outputs （構造化出力）を試す｜ぬこぬこ
Unsloth で始める gpt-oss のファインチューニング
Python Coding Best Practices for Researchers
Taskfile.devでシンプルにタスクを管理する - LayerX エンジニアブログ
MCPサーバー「Serena」を触ってみた - NEXTSCAPE blog
第850回 UbuntuにおけるシステムPythonと、Pythonの仮想環境を使い分ける方法 | gihyo.jp
Rust製のPythonパッケージ管理ツール「uv」を使ってみよう | gihyo.jp
uv, ruff, ty, marimoで作る！次世代のPython研究開発環境