はてなブックマーク

ジェネラティブエージェンツの西見です。 Googleが発表した拡散モデルを利用した言語モデル「Gemini Diffusion」があまりにも爆速で動作していたのは記憶に新しいです。 deepmind.google そんな中、2025年7月15日に拡散モデルベースのオープンウェイトのLLMである「Dream-Coder」が公開されたのを見て、ローカルでどのぐらいの速度が出してくれるのかが気になり、検証してみました。 github.com Dream-Coderとは Dream-Coderは、香港大学NLPグループが開発した拡散モデルベースのコード生成LLMです。従来の自己回帰モデル（左から右への逐次生成）とは異なり、discrete diffusion modelingという手法を採用しています。 discrete diffusion modelingとは、画像生成で使われる拡散モデルをテキ

ジェネラティブエージェンツの西見です。 Claude Codeなどのコーディングエージェントを活用するためには、的確な指示だけでなく、エージェントが生成したコードの誤りを自律的に検知・修正する仕組みが重要となります。誤り検知には自動テストやLinterが有効ですが、本記事では、仕様書とコードの「意味的な整合性」を検証するツール「Semcheck」に着目し、その性能を複数のLLMで比較評価します。 Semcheckとは Semcheckは、LLMを利用して、仕様書（Markdown形式）とソースコード間の意味的な整合性を検証するGo言語製のツールです。構文やスタイルを対象とする従来の静的解析ツールとは異なり、「仕様書で定義された要求事項がコードに正しく実装されているか」という観点から検証を行う点に特徴があります。 OpenAI、Anthropic、Gemini、Ollamaなど複数のLLMプ

ジェネラティブエージェンツの遠藤です。 Amazon Bedrock AgentCoreは、まさに「これ欲しかったやつ！！」の塊で、テンションが爆上がりしています・・・！ そんな勢いで始めた『一通りさわり倒してみる』シリーズ、今回はAgentCore Memory編をお届けします。 前回はAgentCoreがいかに熱いかの感想と実際にAgentCore Runtimeを触ってみたまとめになっているので、ぜひそちらもご覧下さい。 blog.generative-agents.co.jp Memoryに関する第一印象としては「よくぞこの仕組みをマネージドにしてくれた！」という感じですね。 エージェントとのやり取りを短期記憶としてAWSに渡しておくと、それを利用して非同期ジョブで自動的に長期記憶化して保存してくれるのは面白い方向性なんじゃないかと思います。 ただ、現時点だと以下の点がまだ見えない

ジェネラティブエージェンツの遠藤です。 7月にジョインしたばかりなので初めましての方が多いと思いますが、今後ともよろしくお願いします！ 発表されたばかりのAmazon Bedrock AgentCore (Preview)のドキュメントを一通り読んだところ、「これ欲しかったやつ！！」ってなってテンションが爆上がりしています。 勢いに任せて全部触ってまとめようと思ったのですが思ったより量が多いので、まずは全体の感想とAgentCore RuntimeでLangChainを動かしてみた所をまとめてみました。 aws.amazon.com ざっくりの感想として「遂にエージェントのためにAWSが本気で作ってくれたやつがでたな・・・！」って感じがしています。 LLMアプリケーションのインフラを考え始めると色々と悩ましい点が多いのですが、Agent Coreにはそれらの困りどころを解決するためのサービ

ジェネラティブエージェンツの大嶋です。 「AIエージェントキャッチアップ #41 - Awesome Claude Code」という勉強会を開催しました。 generative-agents.connpass.com アーカイブ動画はこちらです。 www.youtube.com Awesome Claude Code 今回は、Claude Codeに関するOSSなどをキュレーションした「Awesome Claude Code」をキャッチアップしました。 Awesome Claude CodeのGitHubリポジトリはこちらです。 github.com 今回のポイント Awesome Claude Codeとは Awesome Claude Codeは、いわゆる「Awesomeリポジトリ」の1つです。 Claude Codeのスラッシュコマンド、CLAUDE.mdファイル、CLIツール、その

ここのところ、MCP（Model Context Protocol）が大きな話題になっています。 「AIエージェントを開発してます。外部サービスの連携にはMCPを使うといいですか？」という質問をよくいただくため、この記事でMCPを使うべきかの判断基準を整理します。 注意事項 MCPの概要はこの記事では説明しません。 MCPの用途はTools機能（外部サービスをLLMの判断で呼び出す機能）がほとんどのため、この記事の議論もMCPのTools機能を前提とします。 結論：MCPを使うべきかの判断フローチャート まず結論として、AIエージェントの開発者の視点で、MCPを使うべきかの判断フローチャートを示します。 ※このフローチャートでは「AIエージェントの開発者の視点」だけを考慮しています。「外部サービスの開発者の視点」については、あとで補足します。 フローチャートの説明 ここから上記のフローチャ

2025年5月13日から5月14日にかけてサンフランシスコで開催されたAIエージェント開発のテックイベント「LangChain Interrupt」。Day 2のプロダクトキーノートに続き、AIエージェント開発における最重要課題の一つである「評価 (Evaluations、以下Evals)」に焦点を当てたセッションが行われました。 スピーカーは再びLangChainのCEOであるHarrison Chase氏が務め、なぜEvalsが重要なのか、そしてLangChainがこの分野でどのような取り組みを進めているのかについて、解説を行いました。 品質こそが最大のブロッカー Harrison Chase氏は、約6ヶ月前に実施したAIエージェントビルダー向けの調査結果から話を始めました。その調査で、より多くのAIエージェントを本番環境に導入する上での最大のブロッカーとして、圧倒的多数が挙げたのが「

2025年5月13日から5月14日にかけてサンフランシスコで開催されたAIエージェント開発のテックイベント「LangChain Interrupt」。Day 2の幕開けは、LangChainのCEOであるHarrison Chase氏によるプロダクトキーノートでした。 Generative Agents Tech Blogではこれから複数回に分けて、イベントでのスピーチの模様をお届けします。 はじめに Harrison Chase氏は、LangChainのマスコットキャラクターであるオウムが宇宙を目指すユーモラスなAI生成ビデオと共に登壇。 「我々がこれをするのは、それが容易だからというわけではありません。むしろ、当初は『これなら容易だろう』と我々が考えてしまったからなのです。目指すのは、かつて誰も、いかなるオウムも、足を踏み入れたことのない未知の領域です。」 (We do this no

日本時間2025年5月14日から15日にかけて、サンフランシスコにてAIエージェント開発に特化したテックイベント「LangChain Interrupt」が開催中されています。 ジェネラティブエージェンツはLangChainアンバサダーとして本イベントに現地参加しています。 interrupt.langchain.com 本記事では、現地参加して得られたDay 1の模様をダイジェストでお届けします。Day 1は、メールエージェントを題材に、LangChainエコシステムの各コンポーネント（LangGraph, LangSmithなど）を駆使して、アイデアから本番稼働可能なエージェントを構築していく過程を体験する、ハンズオン中心の一日となりました。 本日のハンズオンは、公開されている次のリポジトリの内容にのっとったものとなっています。ぜひリポジトリとあわせて記事をご覧ください。 github

はじめに ジェネラティブエージェンツの西見です。 今回は（なぜか）Ruby on RailsアプリケーションのDevinへのオンボーディングをしてみたので、その内容について紹介します。 Ruby on RailsアプリケーションをDevinにオンボーディングしようとしたときに困るのは、そもそもDevinにrubyがプリインストールされていないことです。 この問題は、開発環境をDev Containerで構築していれば解決できます。DevinからはDev Container CLI経由でRails環境を操作できるようにしておけば、Devinのワークスペース上に特別なセットアップをする必要がなくなるからです。幸い、Dev Container CLIを動作させるために必要なNode.jsは、最初からDevinのワークスペース上で利用することができます。 一方で、多くのRails開発者はpuma-

こんにちは、ジェネラティブエージェンツの西見です。 「完全自律型AIエンジニア」という触れ込みと、その印象的なティザー動画で一躍有名になったDevinが、2024年12月10日にGAしました。 www.cognition.ai それからしばらく経ったこともあって、X上でもチラホラと日本企業におけるDevin採用報告が聞こえてくるようになり、「こんなタスクには使えた😆」「簡単なタスクにハマり続けて使えない、金もったいない😭」といったポストがよく見られるようになりました。 正直なところ、月500ドルは高いなぁ・・・*1なんて思っていたのですが、弊社も多分に漏れず猫の手も借りたい状況なのもあって、2025年1月22日からDevin（猫の手）を採用してみました。それからちょうど1ヶ月が経ったので、弊社の開発状況にどんな変化があったのかを振り返って、レポートしてみたいと思います。 GitHubア

ジェネラティブエージェンツの西見です。 この記事はkintoneアドベントカレンダー2024の12月9日の記事です。 qiita.com 去年は「AIエージェントにkintoneへのデータ登録を代行してもらうCopilotの可能性」ということで、kintoneとAIエージェントを接続する話を書いていました。AIエージェントという言葉がそんなに広まっていない中で、なかなか早まった記事を書いたと思っております。。 note.com qiita.com 今年は逆にもう少し落ち着いて、kintoneにDifyを繋ぐとかなり便利ですよ！という話をしようと思います。 そもそもDify、皆さまご存知でしょうか。Difyとは、ノーコードで大規模言語モデル（LLM）による処理を繋げたワークフローを作成できるツールです。 このツールを使うと、こんな感じでWebページの情報をまとめたり、 企業調査をしたり、 X

ジェネラティブエージェンツの大嶋です。 運営している勉強会コミュニティStudyCoで「【LangChainゆる勉強会#15】LangChainによるプロンプト最適化 「Promptim」」というイベントを開催しました。 studyco.connpass.com アーカイブ動画はこちらです。 youtube.com 今回はLangChainの公式ブログで紹介されたプロンプト最適化ツール「Promptim」を動かしてみました。 PromptimについてのLangChain公式ブログはこちらです。 blog.langchain.dev PromptimのGitHubリポジトリはこちらです。 github.com 今回のポイント Promptimの概要 Promptimの概要は、上記の公式ブログやGitHubのREADMEに書かれています。 簡単に言えばLangSmithを使ったプロンプト最適化

ジェネラティブエージェンツの西見（@mah_lab）です。 2022年11月のChatGPT公開前夜にGPT-3.5の最新モデルtext-davinci-003が公開され、このモデルもまた人間の書いた文章と見分けがつかない自然な生成できるとされ大いに話題になりました。しかし、大規模言語モデル（以下LLM）を活用したアプリケーション開発が本格的に活発化したのは、やはり2023年3月1日のChatGPT API（gpt-3.5-turbo）の公開からでしょう。 openai.com gpt-3.5-turboの登場、検索から生成へ このAPIは1kトークンあたり0.002ドルと、text-davinci-003の1/10の価格で提供されました。チャット向けにインストラクションチューニングされているため、チャットボットを開発するのに有用です。何よりも、一世を風靡していたChatGPTのようなアプ

ジェネラティブエージェンツの大嶋です。 クラスの外部から依存を注入するDI（Dependency Injection）のPythonパッケージとしてInjectorがあります。 github.com この記事では、LangChainでDIライブラリのInjectorを使う例を紹介します。 ※LangChainを使うのはあくまで一例です。Injector自体は幅広く活用できます。 関数でChainを作成する実装 InjectorやDIの話に入る前に、なぜそのようなものがあると嬉しいのかから書いていきます。 LangChainでシンプルなRAGのChainを作成して実行する関数は、次のように実装できます。 def invoke_retrieval_chain(model: BaseChatModel, retriever: RetrieverLike): prompt = ChatPrompt

ジェネラティブエージェンツの大嶋です。 先日LangChainから、LLMアプリケーションのテストに関する決定版ガイド「The Definitive Guide to Testing LLM Applications」が公開されました。 LangChain公式によるXでのアナウンスはこちらです。 The Definitive Guide to Testing LLM Applications by LangChain Reviewing LLM app responses can be a time-consuming and daunting process, from defining criteria for style and accuracy, to spotting new regressions. After partnering with hundreds of compa

ジェネラティブエージェンツの西見です。 2024年8月8日にLayerXさんで行われたApple Vision Pro MeetupでLTをしてきました。 layerx.connpass.com こちらが当日の正装です。 正装で話している画像 本日こばさん(@AR_Ojisan)がこちらに登壇します〜！！ 「Apple Vision Proを着けて登壇することが出オチにならない。素晴らしいですね！」という言葉からスタート。たしかに…ww #AppleVisionProMeetup https://t.co/vLDaxG5Piz pic.twitter.com/njl1JHZ8vL— おはる / MESON (@spirea_xxx) 2024年8月8日 出オチにならないのは素晴らしいですね。 ジェネラティブエージェンツでは、Apple Vision Proを活用した事業は（多分）やらないの

はじめまして！ジェネラティブエージェンツの清水れみおです！ 今流行りのLLMアプリ開発プラットフォーム『Dify』についてユースケースや実装方法をみなさんに提供していきます！ 今回はJSON Parse(整形)についてです！ ※2024年8月時点の環境です。Dify Ver.0.6.16 Dify で HTTP ブロックをよく使いますよね？ API からデータを取得して色々処理したい時に便利なんですが、返ってくる result の整形がちょっと面倒に感じることはありませんか？ 特に複雑な JSON データだと、必要な情報を取り出すのにコードを結構書かないといけなかったり…。 そこで今回は、Dify の JSON Parse ツール を使って、JSON データの整形を劇的に楽にする方法をご紹介します！ 例えば、画像のように GCP Vision API から返ってきた結果からテキストデータだ