はてなブックマーク

コスパじゃなくなりそう 前回の記事で、GitHub Copilot の最大の強みはコスパだと紹介しました。 しかし、6月1日から、GitHub Copilot の課金体系が変更されるようです。 本日(2026/4/28)日本時間の午前1時頃、Githubから公式に発表がありました。 現在の「プレミアムリクエスト」から「トークンベース」に変更されるとのことです。（恐れていたことが現実に…。） そうなると、前回の記事はすぐに意味のないものになってしまい、 私はオクトキャットフィギュアをいただけなくなってしまいます。 それは困る！まじで欲しいのに！ ということで、個人的に助かっている GitHub Copilot の機能的な強みを紹介していきます。 VSCode との統合 散々言われていることかもしれませんが、GitHub Copilot は VSCode と非常に密接に統合されています。 正直

はじめに AIが書いたコードでバグが出た。さて、誰の責任だろうか？ 「AIが適当なことを出力したから」はプロの世界では通用しない。 そのコードをマージし、デプロイする決定を下した「あなた」の責任だ。 AIコーディング全盛期において、私たちは単なる「コードを書く人」から「AIという部下をマネジメントする意思決定者」へと変化した。 では、この部下の仕事にどう責任を持ち、どう信頼関係を築けばいいのだろうか。 この記事では、自分なりのマインドセットをまとめてみる。 1. 仕事を振るということ AI最大の武器は圧倒的な「スピード」だ。 しかし、AIの出力したコードの1文字1文字を疑い、手作業で修正していては、そのメリットは完全に死んでしまう。 新人に仕事を振る時を思い出してほしい。 手取り足取り教えるくらいなら自分でやった方が早いが、「とりあえずいい感じにシステム作っといて」と丸投げするマネージャー

では、これらをどのように実装すればいいのでしょうか？ 1. タスクの管理 タスクの管理は、実は超簡単です。 GitHub Copilotのツールに、todoというものがあります。 エージェントがこのツールを使える状況であれば、勝手に自分のタスクを分解・管理してくれます。 その上、VSCode ChatのUI上にtodoリストが表示されるので、ユーザもタスクの進捗を簡単に確認できます。 2. 細かい確認 これも同様に、ツールを利用します。 GitHub Copilotのツールに、vscode/askQuestionsというものがあります。 これは、エージェントがユーザに質問するためのツールです。 質問をVSCodeのUI上に表示し、ユーザに回答してもらうことができます。 選択肢を提示したり、自由記入させたりでき、基本的にはどんな質問でも可能です。 しかし、エージェントがこのツールを使える状況

はじめに 最近はAIを使った自立開発の流れが加速していて、Zennでも「仕様駆動開発」とか「ハーネスエンジニアリング」とか、皆さんそれぞれAIを使った開発スタイルを布教する記事が増えてきましたね。 でもみんながみんなそんな高度なAI活用術をすぐに実践できるわけじゃないし、そもそもGithub Copilot Chatの基本的な機能を使いこなせていない人も多いんじゃないかなと思います。 そこで今回は、Github Copilot Chatを最大限に活用するためのToolsの基礎知識を紹介します。 カスタムエージェントやエージェントスキルで高度なAI活用術を実践する前に、まずはToolsの基礎をしっかり押さえておきましょう。 Toolsを理解しよう Skillsは嫌というほど記事があるので、皆さん多少理解していますよね？ でもToolsに関しては、あまり知らない人も多いんじゃないでしょうか。

はじめに：「自己評価、来月末までに提出してください」 毎年この時期になると、エンジニアのTeamsに静かな絶望が漂います。 「自己評価、来月末までに提出してください」 本業のコードは書けます。設計もレビューもできます。でも「この半年間の自分の貢献を、評価者（上司）が判断しやすい形で言語化してください」というタスクには、異常なほど手が止まります。 理由は明快です。人間の記憶は、アーカイブではなくキャッシュだからです。 半年前にこっそり直した型定義の整理、リリース直前に発見して修正したバグ、レビューで何度も指摘した設計の一貫性——これらは、記憶の彼方に消えています。残るのは「なんとなく頑張った」という感覚だけ。 そして人は、感覚で評価票を書きます。 今期、自分はそれをやめました。そして、AIを使うこと自体が「評価される行動」になりつつある時代に、その判断は結果的に正しかったと思っています。 「

要するに、「変更したい場所だけ変更できる」コードを書くための指針です。Vibe コーディングで動くものを作りつつも、この原則を意識するだけで後からの保守コストが大きく変わります。 そこで今回は、GitHub Copilot のカスタムスキル solid-review を使って SOLID 違反を自動検出し、改善案まで提示する仕組みを作ってみました。 本記事では以下の流れで進めます。 solid-review スキルとは何か（定義ファイルの中身も公開） 5原則すべての違反を含むデモコード（C#）を作成 スキルを実行してレビュー結果を確認 リファクタリング案を紹介 solid-review スキルとは GitHub Copilot のカスタムスキル機能（.copilot/skills/）を使って定義した、SOLID 原則レビュー専用のエージェントワークフローです。5 原則それぞれについて、チェ

本ページはプロモーションが含まれています 1. ざっくり言うと？（要約） グーグルが「TurboQuant」という圧縮技術を発表。AIが使うメモリを最大6分の1に削減しながら、処理速度を最大8倍に高速化できる。しかも精度はまったく落ちない。 「メモリが減るなら需要が落ちるのでは？」と思いきや、逆にAI活用が身近になることでメモリ需要は増えるという、逆転の発想がポイント。 次の大きな波は「AIエージェント」の自社導入（オンプレミス）。TurboQuantはその扉を大きく開く技術として、ビジネス現場への影響が非常に大きい。 2. もっと詳しく！（深掘り） TurboQuantって何をするの？ 想像してみてください。あなたが大きなスーツケースに荷物をパンパンに詰めて旅行に行こうとしている。でも、スーツケースが重すぎて持ち運びが大変。そこで「完璧な圧縮袋」が登場し、荷物の量はそのままなのに、体積が

はじめに ソフトウェア開発において、ユニットテストの役割は変化しています。特にAIを活用したコーディングが普及した現在、ユニットテストの目的を再定義し、設計を見直す必要があります。 AIによるコード生成は開発速度を向上させましたが、「生成されたコードが意図通りに動くか」を開発者が検証する作業の比重を増加させました。これにより、実装の過程で処理の動作を確認するためのテストの必要性が高まっています。 しかし、現在の開発現場では、テストの目的が混同されるケースが散見されます。 例えば、ログイン処理のユニットテストにおいて、「ログインに成功すれば OK」という仕様確認と、「内部で正規表現が何回呼ばれたか」という実装確認が同じテストに書かれている、といったケースです。 本来最も重要である「仕様の確認」を目的としたユニットテストと、「実装レベルでの動作の確認」を目的としたユニットテストが区別されずに記

0. 元にした記事・リポジトリ 日本マイクロソフトの Kazuki Ota さんによる 図形フル活用の PowerPoint を GitHub Copilot に読ませてみた https://github.com/runceel/github-copilot-excel-lab を自分の環境で実行してみたところ、動作させる際に詰まる点がいくつかあったので、備忘録として記載する また、GitHub Copilot がどのような処理を行うことで曼荼羅のような複雑な図形を Mermaid に変換しているのかを確認する 1. 環境構築 自分のローカルの WSL には dotnet の実行環境が無かったため、以下の手順で環境構築を行った https://code.visualstudio.com/docs/devcontainers/containers に記載されている手順で Docker と拡張

はじめに VS CodeのCopilot Chatで .agent.md を使ったカスタムエージェント、便利ですよね。 特に runSubagent を使い、複数の専門エージェントをオーケストレーションする構成は、 VS Code公式ドキュメントでも推奨ユースケースとして紹介されています。 Subagents公式ドキュメント https://code.visualstudio.com/docs/copilot/agents/subagents 一方で、実際に高度な構成を組んでみると、 「サブエージェント側（.agent.md）で指定したモデルが無視され、親エージェントのモデルが強制的に使われる」 という挙動に直面します。 つい昨日（2026年3月25日）リリースされた最新のVS Code 1.113.0でも検証しましたが、残念ながらこの挙動は変わっていません。 この記事では、現在発生してい

上記の質問をエージェントに投げてみると↓ エージェントがSkillsを認識して推論を進めていることが分かります 実際にSkillsの中身を見てみる 先ほどエージェントが参照していたSkillsであるskills/microsoft-foundry/SKILL.mdの中身を確認してみると、、、 中身としては、Microsoft Foundryに関する調査・実装・設計の参照ガイドで、あくまでどの内容をどのドキュメントで確認するかを整理したものになってなってますね！

はじめに RAG（Retrieval-Augmented Generation：検索拡張生成）を実装してみたものの、「思ったより検索精度が出ない...」と悩んでいませんか? 実は、単に文書を細切れにしてベクトル化する「Naive RAG」だけでは限界があります。本記事では、インデックス化の工夫で検索精度を劇的に向上させる3つの手法をわかりやすくまとめました。 この記事で分かること MultiVectorRetriever、RAPTOR、ColBERTの仕組みと違い それぞれの手法がどんな場面で使えるか 実装時のコストや難易度の比較 実際に選ぶべき手法の判断基準 前提知識：そもそもRAGのインデックス化って? RAGは大きく3つのステップで動きます: インデックス化：文書をベクトル化して保存 検索：ユーザーの質問に関連する文書を探す 生成：検索結果を使ってLLMが回答を生成 この記事では、1

黎明期と静的型付けの台頭 (1970年代〜1990年代) C言語やJavaに代表されるように、初期から中期のシステム開発では静的型付けが主流でした。ハードウェアリソースが限られている中、コンパイル時に型を決定し、安全性と実行速度を強固に担保する必要があったためです。 そもそも、当時は動的型付けの概念自体がまだ広く認識されていなかったこともあり、静的型付けが圧倒的なシェアを占めていました。 動的型付け言語の黄金期 (2000年代〜2010年代) インターネットの普及とアジャイル開発の台頭により、「素早く作ってリリースする」ことが重視されるようになりました。コンパイルが不要で、記述量が少なく柔軟なRuby、PHP、JavaScript、Pythonなどが爆発的に普及し、Webの歴史を作りました。 この「開発速度の向上」というメリットは、当時のコンピュータの性能向上とも相まって、動的型付け言語が

はじめに ヘッドウォータースに入社し、初めてクラウドという概念に本格的に触れました。 業務のなかでAzureのキャッチアップを進めていましたが、理解が難しい概念がありました。 それがEntra IDです。 今回は自分なりに理解したその概念を、具体的な使い方のイメージを多めにして入門者の方でも理解しやすい記事にしてみました。 認証の「抽象化」とクラウドの全体像 クラウドやAzureを学ぶ際、最大の壁となるのが「Microsoft Entra ID（旧Azure AD）」です。 「クラウドベースのID管理サービス」という言葉だけでは、実態は掴めません。 Entra IDの本質は、「私たちが普段Webアプリで作っているログイン機能を、極限まで高度に切り出し、外部API化したもの」です。この記事では、開発者の視点からEntra IDがシステム的に何をしているのかを紐解きます。 👦利用者から見たE

1. ざっくり言うと？（要約） ChatGPTを支えるLLM（大規模言語モデル）は、専門家の間では「近いうちに時代遅れになる」と見られています。 次世代AIは「マルチモーダル」「マルチエージェント」など、まったく別の仕組みで動く新アーキテクチャへ移行中です。 AIは今、科学的発見を加速させる「バーチャル研究室」として機能し始めており、洪水予測など社会課題の解決にも活躍しています。 2. もっと詳しく！（深掘り） LLMはなぜ「絶滅危惧種」なのか？ LLMとは、膨大なテキストを学習して文章を生成するAIの心臓部です。でも考えてみてください。人間の脳は「文字を読む」だけでなく、映像・音・感触・行動を統合して判断しますよね。LLMは「文字」しか扱えない時代の産物。AI研究の第一人者ヤン・ルカンは今年のダボス会議で「LLMはまもなく時代遅れになる」と断言しました。次世代AIは複数の情報源（画像・音

Pythonの__init__.pyはなぜ必要なのか？importの安定化・API設計・pytestとの関係 概要 Pythonの開発をする中で、__init__.pyを何のためのファイルなのか、どこに配置すべきなのかが分からなかったので調べてみました。 結論は、 基本的に全てのパッケージディレクトリに__init__.pyを置くべき Webアプリ開発の場合、namespace packageが必要なケースはほぼ無い __init__.pyはアクセス制御ではなく、API設計 大規模開発・チーム開発では特に必須 __init__.pyとは？ __init__.pyは「このフォルダはPythonパッケージですよ」とPythonに教えるファイル。 __init__.pyを配置した結果、そのフォルダは importによる参照が可能になる Python 3.3以降は、namespace packag

はじめに エンジニアとして調べ物をしているときにTechLib（テックリブ）というサービスを見つけ気になったので調べてみました！ TechLibとは？ 2025年12月に正式リリースされたTechLib（テックリブ）は、ITエンジニア向けの技術書籍読み放題サブスクリプションサービスです。インプレス、エムディーエヌコーポレーション、オーム社など主要出版社10社が参加し、幅広いジャンルの技術書を提供しています。 基本情報 月額料金: 3,080円（税込） 無料トライアル: 個人10日間、法人15日間 対象ジャンル: プログラミング、クラウド、AI/ML、データベース、インフラ、資格試験対策など 提供形式: Webブラウザでの閲覧 主な機能: 全文検索、文書コピペ、ハイライト・メモ、マイリストなど TechLibの特徴 1. 主要出版社が結集 インプレス、エムディーエヌコーポレーション、オーム社

MLOpsってなんやねん。 本記事では、「個人で作成した機械学習モデルに手書きでプチMLOpsを実装する流れ」 を記載します。 MLOpsの概要記事は巷にたくさんあるのですがどれもプロダクションレベルの印象がありました。 今回私はMLOpsの一連の流れや雰囲気を掴みたいだけだったので、とても小さな規模であえてコードからやってみました。そのため、完全な運用プロセスまでは行っていません。MLOpsと呼んでいいのかわからない、MLぉ...くらいです。ご了承ください(_ _) ちなみに「MLOpsとは〜？」系の記事はこちらがおすすめ 事前準備 MLOpsを構築する前に必要な準備やサービスを整理します。 使用したデータ ビッグデータが欲しかったので以前参加したSIGNATE機械学習Beginnersコンペのデータで試してみます。テーマは「国勢調査のデータから対象データの年収を分類予測する」というよく

docker run -d -p 8000:8000 -p 9000:9000 --name portainer --restart=always -v /var/run/docker.sock:/var/run/docker.sock -v portainer_data:/data portainer/portainer-ce:lts ※今回はHTTPSを使わないので9443ではなく9000を使います。 初期設定 http://localhost:9000にブラウザでアクセスします 画面に沿って管理者ユーザーを設定 ※初期設定を済ませず一定時間経過してからPortainerにアクセスすると、再起動しろとメッセージが出ます。 初期設定を済ませると管理者でログインして下記のセットアップページに移動します。 トップページに移動したら、画面真ん中あたりの"Get Started"をクリックすると

Hugging Faceを開いたら、Microsoftから登場したVibe Voice 1.5Bモデルがトレンドに上がってました。 気になって調べてみたところめっちゃすごかったので紹介 Vibe Voice 1.5Bの特徴 1. 長尺生成 最大90分、4人の異なる話者による自然な会話が可能とのこと 2. モデルの軽さ 1.5Bとのことで軽そーとは思いましたが、GPU積んだPCで全然動くようです。 VRAMが8GBあれば十分動かせそうです。(RTX3060以上であればOK) ベースモデルはQwen2.5 1.5bモデルです。 3. オープンソース MITライセンスでHugging Faceから無料で自由に利用可能！ 4. 出力音声の品質 めちゃくちゃ自然で感情のこもった音声を出力してくれます。 従来のTTSモデルにありがちな棒読みではありません。 動かしてみる GitHubに動かすためのコー

ブラウザ操作系のAIエージェントが複数出てきたので、実装方法と動作の振る舞いを比較してみました。 computer-useについて ※紹介するのはAzureから提供されているcomputer-useモデルです。 2025年3月に登場した新しい生成AIモデルで、視覚要素を解釈し、画面上のコンテンツに基づいてアクションを実行するAIエージェントです。 このモデル単体で動くわけではなくて、Response APIを使用します。 ユーザーからの指示とスクリーンショットをcomputer-useに送信することで、取るべき「アクション」を推論し返却してきます。 そのアクションをコード上でPlaywrightを使って実行することで、ブラウザを操作します。 computer-useモデルがアクションまで全てを行うわけではなくて、アクション自体の実行はエンジニアがコードで定義しないといけない点が注意です。

IPAの資格って使える？ 先日、応用情報技術者試験に合格しました。嬉しいです。 ところで、IPAの資格の話になるとこんな声を聞くことがあります。 「実務で使わなくない？実務のほうが大事じゃない？」 「エンジニア以外必要ないじゃん？」 「基本情報とか応用情報って取る意味ある？」 確かに応用情報はじめ、IPA資格には実務に直結しづらい内容も含まれています。 ただし、資格を取得した方・取得しようとしている方の中で、 「使えるか使えないか」といった単一的な視点で考えている方も少ないと思います。 私もそんなふうには考えていませんので、 今回は上にあるような声に応えられるよう、IPA資格の価値を考えてみます。 そもそも「情報処理技術者試験」とは？ 唯一のIT特化型国家資格* IPAは、日本の ”経済産業省が所管している独立行政法人” で、 主にIT人材の育成や情報セキュリティの推進などを行っています。

きっかけ 公開されてから1か月たちますが、WindowsのローカルPCでカンタンにエッジAIを動かせられるとのことで、興味がでたのでさわってみました。 インストール方法 PowerShellで以下を実行するだけ アーキテクチャ Foundry Local サービスの特徴として、推論エンジンを操作するための標準インターフェイスを提供する OpenAI 互換の REST サーバーが含まれており、 Foundry Local SDKを使用してアプリケーションと連携させたり、HTTP経由でモデルを実行することが可能です。 またONNXランタイムが入っており、複数のハードウェア プロバイダー (NVIDIA、AMD、Intel、Qualcomm) とデバイスの種類 (NPU、CPU、GPU) と連携が可能です。 使用可能なモデル一覧 以下でモデルカタログを確認できます。 このモデルカタログ上では、量

1. 2025年6月に登場したCopilot Notebook Copilot Notebook は、2025年6月にMicrosoftからリリースされた 長文かつ構造的に対話できる新しいAIチャットです。 Microsoft 365 Copilotの1機能として組み込まれているのですが、 従来のCopilotチャットでは難しかった以下のことが可能となっています。 過去のチャット履歴を一貫して参照する 参照する資料を随時選択・追加できる 複数資料を同時に参照できる 返信方法を指示できる 1か月近くこれを触っているのですが、これがかなり便利でして。 業務の数だけいろんなサポートの形の可能性があると思っています。 今回このノートブックの使い方や機能を紹介します。 2. Copilot Notebook＝"超簡単RAG"では？ Copilot Notebookを一言で言うと、 「誰でも一瞬で作成

プランについての詳細は公式サイトをご確認ください。 Copilotに対して多分みんなが思っていること ここからが本題です。 前職を含め、私は約1年ほどCopilotを職場の業務で使い続けてきました。 その中で多くの同僚から、同じような声を耳にしてきました。 きっと「こう考えているの私だけでは？」という方も一定いると思うため、 今回は私がみなさんに代わってZennで叫びます。 （そんなこと思ってないわ！という方はスミマセン） 「結局、何に使える？」 EdgeやMSツールでよくCopilotの文字は見かけはするけど、 結局あれで何がどれくらい便利になるのかわからない…。 何か補助してくれるらしいけど、現状の業務にそこまで不自由していないから、 結局一度も使ったことがない…。 「費用対効効果、低くない？」 月に約4,500円×ライセンス数（Copilot for Microsoft 365）払っ

7月にMicrosoftからGraph RAGが登場したものの、ナレッジグラフはどうやって可視化するのだろうと思ってました。 ドキュメントの中ではGephiを使うことを勧められてますが、できれば違う方法で実現したいです。 GraphRAGのGitHubのリポジトリを見たら可視化できるサンプルコードが含まれてました。 neo4jを使う方法とyfiles-jupyter-graphsを使う方法の２つあります。 今回は後者のyfiles-jupyter-graphsを使って試してみます。 データの用意 使用するデータ いい感じのナレッジグラフが作成されそうな、Wikipediaの「スター・ウォーズの登場人物一覧」画面のテキストを使います。 データの取り込み import wikipediaapi def get_wiki_page(search_word: str): wiki = wikipe

Browser　Useから新しいブラウザ操作系エージェントが登場しました めちゃくちゃ魅力的だったので紹介します。 従来のブラウザ操作系エージェント browser-useに限らず、従来のブラウザ操作系エージェントはユーザーからの自然言語な指令をもとにブラウザを操作します。 AIエージェントは画面キャプチャ + DOMの取得 → キャプチャを解析 → クリックすべき要素を推論 → playwrightで操作をループしてタスクを行います。 現在僕もよく使っているのですが、何点か課題があります。 どうしてもアクションに揺らぎがある 自然言語での指示である以上仕方ないのですが、「〇〇をクリックして〇〇をしてほしい」と言った細かい指示はプロンプトのチューニングが不可欠であり使用モデルの賢さにも依存します。 処理に時間がかかる 画面キャプチャ + DOMの取得 → キャプチャを解析 → クリックすべ