きっかけ Federico Castagna らの論文「Critical-Questions-of-Thought」(CQoT) を読んだ。要するに、LLM に回答を生成させた後、その回答を批判的に検証させるステップを挟むと精度が上がる、という話だ。 論文では Toulmin の議論モデルに基づいた批判的質問（Critical Questions）を使って、LLM の推論プロセスを検証している。具体的には、以下の 8 つの質問で推論の妥当性をチェックする： 推論は明確な前提から始まっているか？ 前提は証拠や事実で裏付けられているか？ 前提と結論の間に論理的なつながりがあるか？ その論理的つながりは妥当か？ 推論は論理的誤謬を避けているか？ 結論は前提から論理的に導かれているか？ 推論は既存の知識や原則と整合しているか？ 推論の結論は妥当で合理的か？ これらの質問に対して、AI 自身が Pa

fukabori.fmのtwadaさん回、面白いなー分かるなーって思いながら聞いて、今の自分の頭の中を書きだしてみようと思ったので書いておく。 どのくらい生成AIに任せているかをあらわす指標 どのくらい生成AIに任せているかをあらわす指標は、こうかなぁと僕は思っている。 「生成されたコードを自分が読んでいない割合」 どれだけたくさん生成AIにコードを書いてもらっていたとしても、生成されたコードを自分が全部読んで理解している場合は、主導権は自分にある。逆に、生成されたコードを全く読んでいなければ生成AIに主導権がある。 右のほうが生産性は上げやすい AIにどれだけたくさんコードを生成してもらったとしても、全部読んで理解しないといけないなら人間がボトルネックになる。右側にいけばいくほど、生成AIに任せられるので生産性は上げやすい。 ただ、右側にいけばいくほど自分がコードを理解していないし、構造

Safetensors とは Safetensors は HuggingFace が開発している、主にテンソルを安全・高速に読み書きできるファイルフォーマットと、それを扱うためのライブラリです。 提供されている Python ライブラリでは、PyTorch や Tensorflow などとの互換性があるほか、pickle 形式のような任意のコードを実行する機能がなく比較的安全なため、最近の深層学習系のモデルはこの形式で配布されることが多くなりました。 構造 Safetensorsのファイル構造の説明 [1] Safetensors はシンプルな構造をしています。大きく分けて ヘッダーサイズ領域 (8 bytes)、ヘッダー領域 (N bytes)、バッファ領域 (残りの部分) に分かれています (それぞれの領域の公式名称が不明なので、この記事では勝手に呼びやすい名前で呼んでいます)。ヘッダ

はじめに 生成AI（ChatGPT、Claude、GitHub Copilotなど）でコードを書く機会が激増している中、開発スピードは劇的に向上していますが、「動くコード」と「安全なコード」は別物です。 特に本番環境では、パフォーマンスやセキュリティ、保守性まで考慮する必要があります。 AIが特に書きがちな（または書いたら嫌な）危険パターンを15個 厳選してみてみました。それぞれに「何が危険か」と「修正例」をセットにしています。 【 この記事の対象読者 】 ◇ 生成AIを使ってPythonコードを書いているエンジニアとか ◇「動くけど本番に載せて大丈夫？」と不安を感じたことがある人とか ◇ チーム開発でAI生成コードを安全に活用したい人とか とりあえず、「覚えておいたら便利かも！」ってところです。

新たに生まれた専門職。AIが作ったコードのバグをお直しするプログラマー2025.09.16 17:0022,729 Lucas Ropek - Gizmodo US ［原文］ （ そうこ ） AIが進化し、普及し始めたことで、いろいろなものが｢生成｣できるようになりました。 画像、動画、文章はもちろん、デジタル世界の裏を支えるコーディングもAI生成が可能。AIに文章で作りたいものの指示を出し、コードを書いてもらう｢Vibeコーディング｣が誕生。アイデアさえあれば、1人でもアプリやサービスを生み出せると大きく注目されています。 が、まだまだAI生成コードフル活用は考えが甘かったようです。 AI生成コードをお直しするために人間を雇う企業が増えている傾向にあると、ネタ元の404 Mediaが報じています。 お直し専門職404 Mediaいわく、AI台頭で生まれた新しいプログラミングのジャンルがあ

プログラマーの世界では昔から「お前がコピペしたコードはお前のコード」というならわしがある(多分)。つまり、たとえばコードレビューで他の人から指摘が入ったときに、「隣にある別のコードをコピペして作ったからそうなっている」というのは言い訳にならないということだ。ペーストした瞬間からそれは自分が責任をもつべきで、そのためにはそのコードを自分で理解して説明できる必要がある。ジュニアプログラマーはこういった意識が薄いことが多いが、レビューする側のプログラマーとしては、ジュニアプログラマーが責任を持った振る舞いをしてくれないと非常に疲弊するので、こういう哲学は早めに教え込むことが多い。 これに似た話として、最近、プログラミング以外の事例も含めて、生成AIに作らせたものを隅々まで自分で理解しない・説明できない (つまり責任を持てていない) ままそれを成果物として他人に見せるケースがあまりに多すぎるように

はじめに 最近は AI、特に LLM の発展がまさに日進月歩ですね。毎週、下手したら毎日のように新しいニュースが飛び込んできます。 中でも自分が注目しているのは Anthropic 社が提唱している MCP（Model Context Protocol）です。 解説にあたり、事前に簡単な MCP サーバのサンプルを実装しました。実装は GitHub に上がっているのでこれを変更しながら動作を確認してみてください。 今回はこの MCP サーバの実装を元に MCP の動作のさせ方について解説していこうと思います。 MCP とは まずは簡単に MCP について触れておきます。 MCP は Anthropic 社が提唱しているオープンなプロトコル仕様です。ドキュメントから引用すると以下のように説明されています。 MCP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オープンプロ

OpenAIは、生成AIを用いたコーディング支援ツール「Windsurf」の開発元であるWindsurf（旧Codeium）社を買収することで両社がほぼ合意したと、Bloombergが報道しています。 OpenAI has agreed to buy Windsurf, an artificial intelligence-assisted coding tool formerly known as Codeium, for about $3 billion, marking the ChatGPT maker’s largest acquisition to date https://t.co/ZhWgEHGXVc — Bloomberg (@business) May 6, 2025 買収金額は30億ドル（1ドル145円換算で4350億円）で、OpenAIにとって過去最大の買収になると

https://kichijojipm.connpass.com/event/347729/ 吉祥寺.pm38【オンライン】　で行った登壇資料です。 株式会社ジェイテックジャパン CTO・Microsoft MVPの高丘知央が、AIコーディングの“理想＆現実”を実体験ベースでお話しします。Cop…

現時点で個人の感想です。流動的なので、明日にでも意見は変わってると思います。 モデル Claude-3.7-sonnet コーディング性能が圧倒的に良い。迷ったらとりあえずこれを使っておけばよい だいたい1ファイル1000行ぐらいが管理できる限界 Gemini 2.5 今なら無料で使える。今のうちに使い込んでクセを把握するといい。 巨大コンテキスト理解ができるので、「大量にコードを読んでちょっとだけコードを書く」つまり一般的な業務プログラミングに向いてる。 リリースから一週間は負荷が高くて不安定だったが、最近安定してきた さすがに単純なコーディング性能は Claude-3.7-sonnet に劣る deepseek-chat Cline で使うには遅すぎて役に立たない AIツール作るときの壁打ちに使っている。雑に巨大データ送りつけても安くて安心 コーディングエージェント/拡張 Cline

GitHubは、生成AIがプログラミングなどを支援してくれる「GitHub Copilot」の新機能として、「GitHub Copilotコードレビュー」が正式版になったことを発表しました。 コードレビューは開発に欠かせないが時間がかかる コードレビューは、新しくコードを書いたときや変更するときなどさまざまな場面で、そのコードにバグなどの問題がないか、目的に沿った内容や表現になっているか、などのチェックや評価を行う作業です。 チームでシステム開発を行ううえでコードレビューは欠かせませんが、コードレビューは基本的にレビューを行うプログラマ（レビュワー）がコードを目視で読み取り、チェックしていくことになるため、レビュワーにとって負荷の高い時間のかかる作業となっています。 最低限のコードレビュー作業を生成AIが代行 GitHub Copilotコードレビューは、GitHub Copilotに作業

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article?

社内勉強会向け

AIによるコーディングアシスタント、コーディングエージェント、アプリケーション自動生成サービスまとめ（2025年3月版） アプリケーション開発の生産性向上において、AIによるプログラミング支援サービスは欠かせないものになろうとしています。 そして市場にはプログラマが入力するコードの補完からコードやテストの自動生成、アプリケーションそのものの自動生成までさまざまなツールやサービスが登場しています。 ここでは多数のツールについてそれぞれの主な機能や目的が分かりやすいように、「コーディングアシスタント」「コーディングエージェント」「アプリケーション自動生成／Text to App」の3つに分類して紹介しましょう。 もしもここで紹介されていないプログラマ向けのAIツールなどがありましたら、X/Twitterやブックマークのコメントなどで教えてください。 AIが、人間のプログラマが書くコードの補完や

GitHubは2025年1月15日（米国時間）、レガシーコードを扱うときにAI（人工知能）コーディングアシスタント「GitHub Copilot」がどのように役立つかや、GitHub Copilotを用いてレガシーコードを文書化したり説明したりする方法、これらを実施する際に留意すべきベストプラクティスを公式ブログで解説した。 GitHubは、GitHub Copilotが話題に上るときは、新しいコードの作成に焦点が当てられることが多いが、GitHub Copilotは既存のコードを理解するためにも同様に役立つと述べている。GitHub Copilotの自然言語処理機能を利用して、複雑なロジックを文書化したり、分かりにくい関数を説明したり、可読性を高めるための改善点を提案したりできるという。 レガシーコードを扱うときにGitHub Copilotがどう役立つ？ 関連記事 OpenAIの「o1

生成AIが人間の介在なしに自律的にソフトウェアテストを生成し実行、バグや脆弱性を発見してくれるAIテストエージェント「Spark」登場 ドイツに本社を置き、コード分析ツールなどを提供するCode Intelligence社は、起動すればあとは生成AIが人間の介在なしに自律的にソフトウェアテストを生成し実行することで、対象となるソフトウェアのバグや脆弱性などを発見してくれるAIテストエージェント「Spark」を発表しました。 An exciting milestone in software security testing: ???? ???????????? ???????? ?????, ??? ?? ???? ????? ???? ????? ???? ??????? ????? ???????????! Read the PR: https://t.co/wfuautln8i#AI

とにかくケチりたい、そんな気持ちで作ったツールの話です。 元々開発にCline(Claude Dev)やAiderなどの開発ツールを駆使していました。 ただ、APIの料金が常に心配で、できる限り安く済ませたい気持ちもあり、Claude Proを契約してWeb版にファイルを1つ1つアップロードする日々を過ごしていました。 ある日それが面倒になってきて「全部1ファイルにしたらいい感じに読み込んでくれるのでは？」と思い、作ってみたら思いのほかうまくいったので公開しました。 百聞は一見にしかずということで、 こちらのデモにお気に入りのGitHubリポジトリ(例: honojs/hono)を入力してみてください。 Claudeが得意とするXMLっぽいフォーマットで出力し、そのままClaudeにアップロードすることができます。 完全にAIバブルの波に乗ったとも言えるのですが、多くの競合がいる中でスター