はてなブックマーク

こんにちは。AlgomaticでソフトウェアエンジニアをしているGo（@53able）です。 AIでPR説明、設計メモ、障害報告、技術記事を書くことは、もう珍しくありません。私も下書きや情報整理にAIを使います。 ただ、レビューする側に回ると、読みやすいのに判断できない文章に出会います。何を変え、何で確認し、どこにリスクが残っているのか。最後に誰が判断したのか。それが見えない文章です。 この記事では、その状態を便宜上「AIっぽい文章」と呼びます。文章から 根拠、検証、限界、判断主体 が抜け落ちることを問題にします。 AI支援で文章を書く開発者、テックリード、エンジニアリングマネージャーに向けて、レビューでどこを直せばよいかを見る基準をまとめます。 読みやすい文章でも、承認できるとは限らない 「それっぽい文」は、判断材料を増やさないことがある AI関与が見えると、信頼の見え方が変わることがあ

こんにちは。Algomatic VPoEの坂本(ikki0006)です! Googleは2026年4月、新規コードの75%がAI生成になったと発表しました。2025年後半は50%だったので、半年でのこの伸びはかなり急です。Microsoftも2025年時点で、リポジトリ内コードの20〜30%が「ソフトウェアによって書かれている」とCEOのNadella氏が語っています。 もちろん、各社の数字の定義はバラバラです。補完の受け入れ数なのか、エージェントが生成した分なのか、承認済みのものだけを数えているのか。なので厳密な横比較にはあまり意味がありません。それでも、方向性としてAIが書くコードの総量が増えていくことは疑いようがないと思っています。その中でAIがコードを速く書くこと自体は、もう競争軸にはなりにくくなってきました。 だとすると、全員が速くなったはずのこの1年で、なぜ成果の出るチームと出

想定読者: AIエージェント用のスキルを自作したい人、記事やドキュメントの図解づくりをAIに任せたい人 実装: skills/zukai-creator/SKILL.md こんにちは。AlgomaticでソフトウェアエンジニアをしているGo（@53able）です。 最近は、自作したエージェントスキルをSlackで共有して、社内の人に触ってもらうことを続けています。大きな取り組みというより、日々の小さな配布です。それでも、自分の作ったスキルが誰かの作業の型になったり、少しでも手間を減らしたりするなら、けっこう意味があるなと感じています。 今回は、テキストから図解案を作るエージェントスキル zukai-creator を作った話です。 私は長くフロントエンドエンジニアをしてきました。UIを作る仕事では、実装そのものだけでなく、状態、データの流れ、ユーザーの理解をどう整理するかをよく考えます。最

こんにちは、Algomatic AXカンパニー所属の大塚です。 本日は、LLMアプリケーション開発に欠かせない技術となったRAG（Retrieval-Augmented Generation：検索拡張生成） について、その誕生から最新動向までを論文とともに振り返っていきたいと思います。 RAGは2020年に提案されて以来、様々な改良が加えられてきました。単純な検索と生成の組み合わせから始まり、自己反省機構の追加、グラフベースの構造化、エージェント型アーキテクチャへと進化しています。そして現在、RAGは「コンテキストエンジニアリング」というより広い概念の一部として位置づけられています。 今回の記事では、RAGを全体像から理解することを目的として、13本の主要論文とともにその歴史を時系列でたどっていきます。 この記事のサマリー 2020年：REALM、DPRが検索と言語モデル統合の基盤を作り、

こんにちは。Algomaticの大塚です。 今回はDifyやn8nといったAIアプリケーションのWorkFlowを自動で作成する取り組みをご紹介します。 はじめに：ノーコードツールの限界 Dify、n8nといったノーコードツールは非エンジニアでも触れる点がプログラミングとの違いと言われています。しかし、実務の観点から見ると状況は異なります。 プロンプトを1行変更するだけでも、GUIの操作手順を覚える必要がある 作ったWorkFlowのテストは手動でやるしかない エラーが起きたら、どこが悪いのか特定するのに時間がかかる 結局、非エンジニアでも触れるはずのツールが、専門知識を持った人しか運用できない矛盾が生まれています。 社内の取り組み そんな課題を解決するために、社内でWorkFlowを自動で生成するシステムを開発しています。このシステムは自然言語からWorkFlowを自動生成するツールです

はじめに こんにちは。Algomatic AI Transformation(AX) のsergicalsix（@sergicalsix）です。 本記事では大規模言語モデル(LLM)を用いたアプリケーションないしAIエージェントの構築において切っても切り離せない「コンテキストエンジニアリング」について2025年10月時点での知見を備忘録としてまとめます。 コンテキストエンジニアリングとは コンテキストエンジニアリングとは、LLM に与える情報(コンテキスト)を制御する技術です。 コンテキストエンジニアリングはよくプロンプトエンジニアリングと対比されます。 プロンプトエンジニアリングとコンテキストエンジニアリング (Effective context engineering for AI agents) プロンプトエンジニアリングはあくまで特定のタスクに特化したエンジニアリング手法であるのに

こんにちは、Algomatic AXの大塚（@ootsuka_techs）です。 本記事では、いま話題の仕様駆動開発（Spec Driven Development; SDD）を調べ、社内で試した学びをまとめます。 今回は以下の4つのツールを使用し、それぞれの特徴や使い勝手を詳しく検証しました。 Kiro Spec Kit spec-workflow-mcp cc-sdd 比較した結果は以下の通りです。 機能比較表 機能 Kiro Spec Kit spec-workflow-mcp cc-sdd 日本語対応 △ △ ○ ◎ 承認フロー ○ ○ ◎ ○ プロジェクトガバナンス ○ ◎ ○ ○ IDE統合 ○（専用IDE） ○ ○ ○ オープンソース × ○ ○ ◎ エンタープライズ対応 ◎ ○ ○ ○ 学習コスト △ ◎ ○ ◎ カスタマイズ性 △ ○ ○ ◎ 以降は仕様駆動開発（Spec

こんにちは。Algomatic AI Transformation(AX) の柗村@yu_mattznです。 私は7月にAIプロダクトエンジニアとして入社し、今はネオデザインAIの開発責任者をしています。プロダクト出身でAIについての深い知見はないため、日々AIエンジニアの方々の投稿からキャッチアップできて最高な環境です。 今回は、Claude Codeをチームで使う際、プロンプトを共有するのが今後大事になってくるのではないか？と考えたきっかけとその取り組みを紹介します。 Claude Codeを導入してみて Claude Codeが出た時、部署では一瞬で使用を許可していただきました。(爆速。感謝) 使ってみて、フロントもバックエンドも一通して開発させることができ、実装スピードは跳ね上がりましたが、バックエンドは自身が使用してきた言語ではなかったのもあり、コードレビューがボトルネックになり

はじめに GoogleからGeminiをコマンドラインで対話的に利用できる「Gemini CLI」が登場しましたね！ 基本的な使い方については、すでに多くの方が素晴らしい解説記事を公開されていますので、ぜひそちらもご覧ください。 参考 zenn.dev この記事では、Gemini CLIが備える機能の中でも、Claude Codeにはない「サンドボックス」機能に焦点を当てます。 リポジトリはこちら github.com この記事でわかること Gemini CLIのサンドボックス機能がなぜ必要なのか サンドボックスが有効になると、具体的に何が起きるのか -sフラグを付けるだけの簡単な使い方 macOSとコンテナベース、2つのサンドボックス方式の違い 1. なぜサンドボックスが必要なのか？ コーディングエージェントは、その強力さゆえに、意図しない挙動によるリスクを持ち合わせています。 例えば、

はじめに Claude Codeがめちゃくちゃ伸びています。 この背景には、特定のIDEへの依存度を下げたいという需要があるのだと思います。 確かに特定のIDEに依存しないClaude Codeは高い柔軟性を持ちますが、CursorやWindsurfのような気の利いた機能（Diff表示やGUIでの設定管理などなど）はありません。 本記事ではこれらの課題に対する解決策として、Neovimの--listen機能を活用したClaude Codeとの効率的な連携方法を提案します。これにより、CLIベースの柔軟性を維持しながら、直感的で快適な開発体験を実現できます。 今回紹介する方法を使えば、Claude Codeの支援を受けながらNeovimを操作することができるようになるので、Vimに慣れていない方にこそ試してみて欲しいです。 主なユースケース 編集の可視化とトラッキング ユースケース： Neo

こんにちは！Algomatic ネオセールスカンパニーで営業AIエージェント 「アポドリ」を開発しているGoです。 2023年にリリースされたCursorのような大規模言語モデルをベースにしたコーディングエージェントが登場して以来、フロントエンドのUI実装を自動化する可能性が現実味を帯びてきました。しかし、単に「これを作って」と命令するだけでは、期待通りの、あるいは「使える」UIの実装がなかなか得られないことが多くあります。 とくに状態設計が不十分な場合、エージェントはデータの型や構造を推測するしかなく、これが不安定な出力や意図しないUI構造、さらにはバグの温床となります。 【目次】 【仮説】プロンプト設計の3層構造がUI実装品質を決定する 3層構造の詳細 実証的検証の概要と設定 検証環境の詳細 比較ケースの設定 【What】 UIは「状態の写像」である - スキーマ定義の効果 TinyB

はじめに こんにちは、Algomatic ネオセールスカンパニーで営業 AI エージェント 「アポドリ」 を開発している 末國 です。 apodori.ai LLMを組み込んだアプリケーション開発において、JSON出力のコントロールは時に困難を伴う課題かと思います。特に複雑な処理を行おうとすると、思った通りの結果が得られないケースも少なくありません。 アポドリの開発においても、プロンプト設計には工夫を重ねてきました。 そこで本記事では、LLMアプリケーション開発で実際にプロンプトを作成する機会のある方々に向けて、アポドリ開発において個人的に気をつけていることを3つ紹介します。 (個人的お気に入りは2つ目です) 【其の一】 CoTの出力順を間違えないようにする そもそもCoTとは？ CoT（Chain of Thought）とは、LLMに「思考過程を出力してから最終的な回答を出力する」手法で

こんにちは。Algomatic AI Transformation(AX) のsergicalsix（@sergicalsix）です。 最近OpenAI の o3, o4-mini、Anthropic の Claude 3.7 Sonnet、Google の Gemini 2.5 Pro や Gemini 2.5 Flash など、次々と新しい大規模言語モデル（LLM）が登場しました。あまりのスピードに、最新動向を追い切れず困っている方も多いのではないでしょうか。 モデルを選ぶ際は、実際に触ってみた使用感や解きたい課題・利用環境を重視するのが理想です。しかし、すべてのモデルをあらゆるシナリオで試すのは現実的に難しいです。 そこで役立つのが公開ベンチマークのスコアです。自分で全モデルを試せなくても、共通データセットで測った成績をベースラインとして押さえておけば、おおまかな実力を比較できます。

ネタバレ Dify 最大の弱点は「ワークフローの大量実行が難しい」ことです 私たちはこの問題をGoogle スプレッドシート + GAS で克服しました コピーしてすぐに使えるテンプレートを公開するので、ぜひ取り入れてみてください テンプレートはこちら。 docs.google.com はじめに こんにちは、Algomatic ネオセールスカンパニーで営業 AI エージェント 「アポドリ」 を開発している 末國 です。 前回の記事では「アポドリは 1日1万回 の Dify 呼び出しで回っている」とお伝えしました。 今回の記事では、非エンジニアでも Dify を大量実行できるようにした、すぐに真似できるワークフローの全容を紹介します。 tech.algomatic.jp Dify のワークフローは大量実行しにくい “大量実行”が前提のはずなのに…… 営業リストや商品データなど、数百行単位で同

こんにちは、Algomatic ネオセールスカンパニーCTOのきくちです。 AIエージェント、話題ですね。これまではPoCやR&Dレベルと思われていたAIエージェントですが、いよいよ本格的にサービスが提供されてきました。わたしたちが提供する「アポドリ」もその1つであり、すでに「プロダクションレディな品質」が求められています。 apodori.ai 本記事では、わたしたちがアポドリという「営業AIエージェント」サービスを開発・運用する中で「プロダクションレディなAIエージェント」とするために取り組んだ工夫や、「もっとこうしたいんだよね」という伸びしろ部分も交え、実例をご紹介します。この記事によって、AIエージェント開発についてイメージを持てない方にも、AIエージェント開発の醍醐味や面白さが少しでも伝われば幸いです。 まずは「価値を生めるか」が大事 そもそもの話として、プロダクションレディ以前

はじめに こんにちは！Algomatic ネオセールスカンパニーでエンジニアをしている末國と申します。 私たちが1月にリリースした営業AIエージェント「アポドリ」では、一部機能にDifyを組み込んでいます。 一部といっても、すでに100個近いワークフローが作られていたり、1日1万回呼び出したりするくらいには利用しています。 Difyはいわゆるローコードツールであり、「コードが書けない人が使うもの」「DifyはPoCで使って、本番はプログラムを書く」という印象もあるかもしれません。 しかし、私たちはむしろ積極的に「コードからDifyへの移行」を行ってきました。 この記事では私たちが「なぜDifyを利用しているのか」「何がそんなにいいのか」について書いていきます。 そもそもDifyとは何か 理由の話をする前に、そもそもDifyとは何か、特にワークフロー機能についておさらいしておきます。 すでに

こんにちは！Algomaticネオセールスカンパニーでソフトウェアエンジニアをしている越川と申します。 1月に弊カンパニーでリリースした アポドリ はまだまだたくさんの反響を頂いております。 apodori.ai 本記事では、アポドリを開発している中で向き合ってきた、LLMのアウトプット品質をいかにして担保するか？というお話をします。ぜひ最後まで見ていただけると嬉しいです。 ※本記事内のプロンプトはサンプルであり、アポドリで実際に使われてるものではありません なぜLLMのアウトプット品質の担保が難しいのか？ 1. LLMのロジックがブラックボックスであるため 従来のシステム開発では、関数やアルゴリズムのロジックが明確で、入力と出力の関係性を追跡できました。 しかし、LLM（大規模言語モデル）は内部処理がブラックボックス化しており、同じ入力でも異なる出力を生成する可能性があります。 これは、

こんにちは、ネオセールスカンパニーCTOの菊池(@_pochi)です。 1月にリリースした 「アポドリ 」 は、大変ありがたいことに多くの反響をいただいています。本記事では、その開発を通じて得た、「作らない」ことが成功につながる理由 についてお話しします。 apodori.ai 本記事では、アポドリの開発を通じて学んだ、「いかに作らないか」という反直感的なトピックについて書いていきたいと思います。 AIエージェント開発で後回しにすべきもの 業務A、業務B、業務Cという連続する3つの業務からなる一連のワークフローを実行するエージェントの例を考えます。 AIエージェントは、上図のように人間の実行指示を受け、思考を伴う複数業務を遂行し、アウトプットを返します。図に示した要素の中で、アポドリの開発においてギリギリまで実装しなかった要素があります。それは以下の2点です。 操作画面 : 処理の進捗表示

こんにちは。NEO(x) の宮脇（@catshun_）です。 先日、弊社から 『AIエージェント』 に関するプロダクトが 2つ リリースされたのですが、本記事ではその 「AIエージェント」の一般的な解釈 について簡単に整理するとともに、AIエージェントの開発で心掛けていること について簡単に記述します。 営業×AIエージェント 採用×AIエージェント おことわり 突貫的に記述しており、解釈や引用に誤りがある場合があります。もし見つけましたらご指摘いただけますと幸いです。 「AIエージェント」に関する定義等を押し付けるものではなく、現時点での世間的な解釈を著者の視点で整理した記事となります。 AIエージェントに対する３つの解釈 『AIエージェント』という言葉は、それを想起する主体によって捉え方が異なります。例えば『🍊』という記号は、「温州みかん」「柑橘系の果物の総称」「甘酸っぱいオレンジ色

こんにちは。NEO(x) の宮脇（@catshun_）です。 先日 OpenAI から 12 Days of OpenAI がありましたが、同時に Google のリリースも注目されていたのでこちらにまとめます。 Gemini 2.0 1. パフォーマンスの大幅な改善 2. マルチモーダル I/O の対応 3. ネイティブツールの呼び出し 4. Gemini 2.0 Flash Thinking Exp モデルのリリース Gemini 2.0 を使用するプロジェクト例 1. Project Astra 2. Project Mariner 3. Jules 4. Data Science Agent Deep Research Veo 2 Imagen 3 Whisk NotebookLM Plus Android XR Google Agentspace 1. 企業全体での情報発見 2.

こんにちは、シゴラクAIカンパニーCTOの菊池 (@_pochi) です。 この記事は、Algomatic アドベントカレンダー2024の15日目の記事です。 algomatic.jp シゴラクAIカンパニーでは、「シゴラクAI」という法人向け生成AI活用プラットフォームの開発運用に加えて、新たな事業領域でのチャレンジを進めています。 新規事業立ち上げという、最大限に不確実性が大きい事業フェーズ において、エンジニアリングによって事業価値向上に最大限寄与するにはどうしたらいいか？を試行錯誤してきました。 本記事では、そんな試行錯誤の過程である、現在のシゴラクAIカンパニーの開発スタイルについてご紹介できればと思っております。 「開発速度」より「変化への即応性」を重視しています 開発速度は非常に大事ですよね。ソフトウェアによって課題を解決する事業運営において、ソフトウェアエンジニアの開発速度

こんにちは。NEO(x) の宮脇（@catshun_）です。 2024年もあとひと月程となりましたね。 今年は多くの企業から RAG に関するリリースが発表され、同時に AIエージェント の研究開発が盛んに行われた年だったかと思います。 現時点での AIエージェント の市場認知は未だ低いですが、OpenAI, Google, Anthropic の動向を見ると、2024年は技術者に認知され、2025年は事業開発者に認知され、2026年はマーケターに認知される という流れになるのでは、と社内でも話しています。 とはいえ、新しい技術を独学でキャッチアップするのは大変ですよね...。 ということで今回は、今後も盛り上がりが期待される RAG/AIエージェント をキャッチアップするのにちょうど良い実践本について紹介します 🦜📕 LangChainとLangGraphによるRAG・AIエージェン

はじめに こんにちは。Algomatic CTO室 でインターンしている藤巻（@makiart13）です。 普段は、さまざまな業務の改善やPoCを行っています。 弊社Algomaticでは、定期的に技術系ミートアップやカンファレンスを開催しています。イベント運営は開催の1ヶ月前から準備を始め、登壇者とのコミュニケーション、会場手配、資料作成など多岐にわたるタスクが発生します。これらの作業は運営側のマインドシェアを恒常的に割きがちです。これら問題を解決するために、LLMの活用はもちろん、Slack、Notion、GASなどを活用した、イベント準備効率化ツールを作成、運用しています。 本記事では、そのイベント準備効率化ツールの中から、いくつかをピックアップして紹介します。 対象読者 イベント開催や定期にコミュニティを運営するDevRelの方 作業効率化について興味のある方 イベントの運営をして

こんにちは。NEO(x) の宮脇（@catshun_）です。 本記事はなつやすみ特集として、これから LLM プロダクトを開発する方に向けて『LLMプロダクト開発のことはじめ』をテーマとした 5分で読める コラムを紹介します🌻 ゆるく書くつもりなので、役に立つかどうかは分かりません 🙏 📝 目次はこちら 特集の導入、問いをデザインする LLM から良い回答をえるための第一歩 プロンプトエンジニアリング👈 LLMプロダクトの評価と検証 前回までのおさらい 前回までの記事では、以下について述べました。 #01. 導入 LLM の性能を信じてまず試す タスク構造を明らかにする #02. 良い応答を得るためのプロンプトの記述 望ましい出力を得るためにプロンプトに制約を設ける ベストプラクティスに従う 前回までの話は LLM プロダクト開発における初期段階で意識したい話 でしたが、本記事から

LLM APIの最強の一角であるAnthropic Claudeにprompt cachingが実装されました。簡単に言うとプロンプトの先頭から指定の位置までをキャッシュしてくれて、キャッシュを利用できた場合はAPI使用料金と、APIでかかる処理時間が大幅に改善するというものです。 キャッシュ書き込みではコストが1.25倍（つまり25%アップ）になってしまいますが、キャッシュ読み込みではコストが1/10（ただしHaikuの場合だけは$0.25/1Mtokensが$0.03になるので厳密には違う）になります。 速度に関しても、コストのうち処理時間が支配的なLLMにおいて値段が1/10になることから察する通りの速度がでます。 LLMの使い方に依存するものの、prompt cachingを使いこなせば、少なくない事業インパクトをもたらす事は間違いありません。 Google Geminiにも同様の

はじめに はじめまして、Data Scientist の山内（@jof_5）です。 本記事では、先日、社内で開催した Dify ハッカソンの様子について紹介します。 はじめに Dify ハッカソン実施の背景 開発したLLMアプリケーションのご紹介 1. クラウドサービス見積もりくん 2. Sales Lead Generator 3. その他 Dify ハッカソンを通じて得た学び 最後に Dify ハッカソン実施の背景 先日、LLM アプリケーションをノーコードで開発できる Dify という新しいツールが登場し、LLM アプリケーション開発を大幅に簡素化できると話題になっていました。 dify.ai 社内でも話題に上がっており、Dify の実用性について興味深い議論が巻き起こりました。「本当に使いやすいのか？」「どこまでの機能が実装可能か？」「実際の開発現場でどの程度有用か？」といった疑問

こんにちは。Algomatic NEO(x) の宮脇（@catshun_）です。 本記事では弊社 podcast の「Algomaticで話題になった生成AIニュースまとめ」という回で用意している会話ネタの一つとして "Claude 3.5 Sonnet Model Card Addendum" を読んだので、その備忘を共有いたします。 なお概要については npaka 氏の以下の note 記事が参考になりますので、本記事の前にこちらを参照いただくことをおすすめします。 note.com おことわり 解釈や引用に誤りがありましたらご指摘いただけると幸いです。 本記事では詳細な解説を含みません。詳細な調査等は必ず参照元の論文等をご確認ください。 引用時の名称や図は原則として引用先の媒体で記述されているものに従っています。 プロダクト等の利用時は 必ずライセンスや利用規約を参照して下さい。 本

はじめまして！データサイエンティストの山内(@jof_5)です。 本記事では、日々、プロンプト開発されている皆様に向けて、プロンプトを効率的に開発する手法の一つである「自動プロンプト最適化」について記載いたします。 1. プロンプトエンジニアリングの必要性と課題 2. 自動プロンプト最適化について 2-0. 最適なプロンプトとは何か？☕ 2-1. 自動プロンプトの概要 2-2. 自動プロンプト最適化のアーキテクチャ ①Task Executor: LLMによるタスクの実行 ②Output Evaluator: 出力の評価 ③ Prompt Improver: 最適なプロンプトの生成 3. 実験結果と考察 3-1. 自動プロンプト最適化の有効性の検証 3-2. 最適化プロンプトの生成過程 3-3. 最適化されたプロンプトの特徴 3-4. プロンプト生成用LLM(Prompt Improver