はてなブックマーク

表題の文句「してみむとおもひて」は、土佐日記(紀貫之)の冒頭としてよく知られる「⋯してみんとてするなり」とはやや異なりますが、こちらを見るとそのように書いてありました。とは言え、「としのしはすのしはすの廿日」などとあってなんだか怪しいので、誤って伝わった文章か、書いた方が誤ったかのどちらかのように思えます。普通に土佐日記を読むならこちらの方が紙面の状態も良く、ふりがなも丁寧でよさそうです。 Zedはコードエディターの一つであり、Rust製というところからも、その性能に期待を寄せる声をたびたび目にしたものでした。しかし永らくWindows非対応だったこともあり、「VSCodeで充分だろう」と、個人的にはそこまで興味を持っておりませんでした。 ところが(記事投稿時点から)約一か月前、Windows版が公開されたようです。風の噂でなんとなく知ってはいましたが、最近になって漸く使ってみました。 イ

はじめに 私はMac Studio（M2 Ultra 128GB）、EVO-X2（Ryzen AI Max+ 395 128GB）とRTX 3060を搭載したデスクトップPCを所有しており、RTX 3060機の後継をずっと検討していた。具体的には下記の4つで悩んでいた。 DGX Spark（128GB）：60万〜80万 RTX 5090（32GB）：40万〜50万 RTX PRO 6000（96GB）：135万〜150万円 RTX 5070 Ti Super（24GB？）：未発売、15万円程度？ 悩みに悩んだ結果、私はRTX 5090を選択した。本記事ではその理由を備忘録的にまとめる。 三種の神器 まず、当初私はDGX Sparkを第一候補に考えていた。理由はMac Studio、Ryzen AI Max+ 395が両方ともユニファイドメモリ128GBを備えていて、DGX Sparkが御三

はじめに TypeScript（および JavaScript）でよく使われる「アロー関数（arrow function）」と「関数宣言（function）」は、どちらも関数を定義するための構文であるが、内部的な「スコープ（this の扱い）」が異なる。 本記事では、両者の違いを具体例とともに解説する。 スコープとは スコープ（scope）とは、変数や関数がどこまで有効であるかを示す範囲のことである。 function test() { const message = "Hello"; console.log(message); // ここでは使用できる } console.log(message); // エラー（スコープ外） この場合、message は test() 関数内でのみ有効である。 このようにスコープは「関数の中だけ」や「ブロックの中だけ」など、変数の有効範囲を決めるルールで

重要な変更点(2025年8月28日〜) We are also expanding our data retention period to five years if you allow us to use your data for model improvement, with this setting only applying to new or resumed chats and coding sessions. If you don't choose this option, you will continue with our existing 30-day data retention period. 出典:Anthropic公式:Updates to our Consumer Terms つまり、Claude Pro(個人の有料プラン)でも プライバシー設定でオプトアウ

はじめに みなさん、C#書いてますか？ TIOBE Indexの2025年11月の見出しは「Is C# going to surpass Java for the first time in history?」でした。 11 月の見出し: C# は史上初めて Java を追い抜くことになるのか? Pythonに代わって、プログラミング言語C#が最も急成長を遂げています。C#がこのペースを維持できれば、2025年のTIOBEプログラミング言語オブザイヤーになるかもしれません。C#はどのようにしてこれを達成したのでしょうか？ https://www.tiobe.com/tiobe-index/ なんか注目されてるらしいです、C#。ホントかなぁ？ C#は互換性を重視した慎重な言語なので、10年・20年前のコードがそのまま動いちゃう言語です。ところが同時に、C#は変化が激しい積極的な言語[1]でも

はじめに 近年、ソフトウェア開発の現場では「ドメイン駆動設計（DDD）」という言葉を耳にする機会が増えてきた。 概念は理解しているが、実際の現場でどのようにドメイン知識をモデル化し、設計に落とし込むか悩む人も多いのではないだろうか。 そんな中で出会ったのが Vlad Khononov 著、増田 亨、綿引 琢磨 訳「ドメイン設計をはじめよう」という本である。 この本は、いわゆる「DDD の完全ガイド」ではなく、ドメイン設計という考え方を現場レベルで理解し、実践するための本になっている。 理論よりも実際の開発者視点で、トランザクションスクリプト、アクティブレコード、ドメインモデルといった設計手法を、どのような状況で使い分けるべきかを丁寧に解説してくれている。 本記事では、この書籍を読んで印象に残ったポイントや、自分の理解を整理するためのメモを兼ねて内容をまとめていく。 「ドメイン設計に興味はあ

はじめに 皆さんは、WEB 上で動作する AI Agent を活用していますか？ Local環境と完全に分離されているので、上手く活用できると非常に便利な反面、実装時の制約も存在します。 例えば、下記のような悩みを抱えている方も多いのではないでしょうか？ 実装前の計画を立てられず、思うようなアウトプットが得られない AIが提案する設計書の妥当性を判断しづらい ローカル環境との連携がスムーズにいかない Codex Cloudを上手く活用すると、これらの制約を回避しつつ開発を進めらます！ 同様の機能を持つDevinはかなり優れたツールで、上記の悩みも解決してくれますが、従量課金または$500/月のコストがかかるため、導入に躊躇される方も多いかもしれません。（もちろん、それを上回る価値はあります！） 一方、Codex CloudはChatGPTの有料サブスクリプションがあれば利用できるため、コス

はじめに みなさんはDockerfileを書いていますか？ 近年はAIによる支援でDockerfileをスクラッチで書く機会が減っていると考えられます。 しかしながら、AIに書かせる場合でも良い書き方を知っていることで、その後の修正が容易になります。 この記事では、Node.jsアプリケーションのDockerfileを作成する際に、私ならこのように書くという提案をします。 作成するDockerfileとディレクトリ構造 初めに、完成形のDockerfileとディレクトリ構造を示します。 以降のセクションで実装のポイントを解説していきます。 実行可能なサンプルコードはGitHubで公開しているので、必要に応じてこちらも参照してください。 Dockerfile 各種バージョンは記事執筆時点での最新版です。 # syntax=docker/dockerfile:1.20.0 FROM node:

概要 分子動力学シミュレーションの結果を可視化する際に、隠線処理をする必要がありました。隠線処理とは、こんな感じに3次元の立体を2次元に描画するときに線が隠れるようにする処理のことです。 本稿では、この隠線処理のうち、法線ベクトル法の説明をします。Pythonによるサンプルコードは以下にあります。そのままGoogle Colabで試すことができるサンプルもあります。 https://github.com/kaityo256/hidden-line また、この隠線処理を実装したシミュレーション可視化コードは以下にあります。 https://github.com/kaityo256/trj-render はじめに 3次元の物体を2次元に射影することを考えます。例えば立方体を描画するとこんな感じになります。 ここでは立方体の辺が針金でできているかのように全て見えていますが、もしこの物体の中身が詰

■概要 LangGraphは、ステートフルなAIエージェントやマルチエージェントアプリケーションの構築を支援するライブラリです。LangChainのコアライブラリ上で動作します。 従来のLangChainは、タスクが一方向に進むDAGワークフローに特化していました。自律的なエージェントは、計画、行動、評価、修正といったループ処理を必要とします。LangGraphは、周回可能なグラフ構造により、このループ処理を実現します。 開発者は、ツール呼出、結果判断、再実行といった複雑な制御フローを明示的に定義できます。LangGraphは、低レベルなオーケストレーションフレームワークとして機能します。開発者は、エージェントの内部動作ロジックを詳細に制御できます。 ■特徴 LangGraphは、複雑なエージェントシステムを実現する以下の主要な機能を備えます。 周回可能なグラフ ループを含むグラフ構築。自

はじめに 最近、Slack に「前日のデータサマリ」を貼るのが地味に面倒になってきました。 クエリ実行 → CSV 出力 → グラフ化 → Slack 投稿。 誰でもできるけど、誰もやりたくない定例作業ですよね。 そこで今回は、Cursor × Snowflake × Slack を使い、自動で分析レポートをSlackへ投稿する仕組みを作ってみました。 cursorの自動レポートによるアウトプット 1. 全体構成 流れ SnowsqlとCursor CLIをセットアップし、CursorからSnowflakeを分析するための準備を行う。 SQL クエリを作成し、Snowflake からデータを取得 YAML でレポート定義を作成し、AIにMarkdownレポートを生成させる GitHub Actions で定期実行し、Slack Webhook に投稿 補足：SnowSQL について Sno

Anthropic社の「Code Execution with MCP」が示す未来 ―― ツールコール時代の終焉と、エージェント設計の次 はじめに MCP（Model Context Protocol）はすでに多くの人が触れ始めていますが、 本当に重要なのは「MCPそのもの」ではなく、Anthropicが示した “Code Execution × MCP” という新しい設計思想です。 MCPは外部ツールの標準化という基礎として重要ですが、Anthropicの最新記事が示したのは明確です。 「ツールを直接叩く時代は終わる。」 「エージェントはコードを書いて実行し、その中でツールを扱う時代になる。」 この記事では、この“設計思想の転換点”を広く浅くまとめます。 1. MCPは“軽く”おさらいだけ MCPは一言でいうと、 AIに“USBポート”のような標準化された外部接続点を生やすプロトコル。

個人開発は楽しいですが、ゼロからすべて作ると週末だけではなかなか終わりません。 今回は、UI生成AI「v0」と「Claude Code」などを活用し、従来なら2日では終わらなかった開発を土日だけでリリースできた工程を紹介します。 このアプリの約9割はLLM（コーディングエージェント）による実装です。 人は仕様や品質ルールを考え、実装はAIに任せる――そんな進め方で短期間リリースを実現しました。 作ったのはこちら この記事では、使ったツールのセットアップから完成までの流れをまとめます。 また、コードやプロンプトの詳細より「どう進めて短期リリースしたか」という工程に絞って紹介してます。 作りたかったもの 一言で言えば、自分だけのおすすめ商品をまとめた比較サービスです。 日頃から「それの何が良いのか、買ってどうだったのか」を人に話すことがあり、その記録を Notion に溜めていたのですが、「公

はじめに Gmailは太古の昔からモバイルアプリも提供されており、高い完成度を誇っている。 iOSエンジニアしか気づかないすごいポイントがあるので紹介したい。 Gmailアプリのすごさ Gmailアプリのすごさは、メールをiPhoneで受信したあとの挙動にある。 普通に通知が届く 他の端末でメールを既読にすると、通知センターから通知が消える どこがすごいのかわからないですよね プッシュ通知は世の中の多くのアプリで利用されているけど そのほとんどは プッシュ通知を送りっぱなしで、ユーザーが通知をタップするか手動で消すまで残り続ける。 通知が「他デバイスの操作」によってリアルタイムに更新される仕組みは作れるけどほとんど実装されてない。 これシンプルに見えて実はかなり難易度が高い。 一般的なプッシュ通知の仕組み まずは普通の通知の流れから。 iOSアプリでプッシュ通知を受け取るには、 Apple

はじめに GovTech東京 AI・イノベーション室の本城博昭です。 先日、GitHubが公開しているOSSプロジェクトSpec Kitに、Codex CLIサポートを追加するPull Request（#14）を送り、無事マージされました。本記事では、Spec Kitとは何か、なぜこのPRを送ったのか、そしてコミュニティとの議論を通じて得られた学びについて共有します。 Spec-Driven DevelopmentとSpec Kitとは Spec-Driven Development（仕様駆動開発）は、AIコーディングエージェントを活用する際に詳細な仕様を定義してから実装に進むという開発手法です。これにより、事前設計を重視しない直感的な開発、いわゆるVibe Codingで起きがちな手戻りや品質のばらつきを防ぎ、より体系的で効率的な開発が可能になります。 Spec Kitは、GitHubが

チームのCLAUDE.mdが勝手に育つ - Hook機能での自動化 はじめに 前回の記事では、スラッシュコマンドを使ってAIに会話履歴を分析させ、CLAUDE.mdに書くべきルールを提案してもらう仕組みを紹介しました。 スラッシュコマンドを使う方法は、この仕組みのことをよく知っている人が使う分には便利です。でも、チーム全体で確実に運用するとなると課題があります。 コマンドを実行し忘れる 新しく入ったメンバーは存在すら知らない ベテランメンバーはCLAUDE.mdに書く内容を当たり前に思えてしまう 結果として、やっぱりCLAUDE.mdの更新がされずに、新メンバーが困る...ということになりがちです。 解決策：Claude CodeのHookで自動実行 そこで、Claude CodeのHook機能を使って、会話履歴の分析を完全自動化しました。 Hookとは、Claude Codeの特定のイベ

「Web制作」でも状態管理が必要か？ 従来のWeb制作では、静的HTMLやアニメーションをjQueryなどで実装することが多く「状態管理」という概念が必要になる場面はほとんどありませんでした。 しかし近年では、AstroやReactを用いたSPA（Single Page Application）やSSG（Static Site Generation）の構成でWebサイトを構築するケースも増えています。 そのような構成では、CMSとAPI連携を行い、複数のUIコンポーネント間で状態（たとえばフィルター選択やテーマ切り替えなど）を共有する必要が出てきます。 ただし、Webアプリケーションのように複雑なロジックを持たないWebサイトでは、Reduxのような重量級ライブラリを導入するのはオーバースペックであり、学習コストも見合いません。 そういった「中間層」のニーズにフィットするのが、nanost

TypeScript はJS由来の言語仕様が根本的に不安定、Rust はアプリケーション層を書くのには低レベルすぎる、そんな不満はありませんか？ MoonBit はそういう不満を解決してくれる言語です。ただし、今はエコシステムの力を借りず、全部自力で書く前提ですが。 この記事は 2025/11 時点の MoonBit への所感になります。 2024/4 時点と比べて、ネイティブバックエンド対応、組み込みJSON型、例外のサポート、非同期サポートと大きく進化しています。 そろそろ実用できるんじゃないか？と思い、自分は MoonBit を使って React のバインディングを書いて、SPAとして動作するのを達成しました。その所感を含めての記事になります。 Moonbit のここが嬉しい MoonBit は自分がTypeScript に感じる不満の多くを解決しています。 Rust風の構文の静的型

生成AIツールが乱立する中、どのモデル・ツールを選べばいいか迷っている方も多いのではないでしょうか。本記事では、実際に使ったことのあるモデルとツールに絞って、それぞれの特徴と使い分けを紹介します。 モデルの特徴 まずは、主要な生成AIモデルの特徴を見ていきましょう。それぞれ得意分野が異なるため、用途に応じて使い分けることをおすすめします。 GPT: 発散的思考が得意で、短時間で多様なアイデアを生成できる。ブレインストーミングや企画の壁打ち相手におすすめ Codex: GPTのコーディング特化型モデル。複雑なアルゴリズムやロジックを深く推論することに長けている。熟考型タスクにおすすめ Claude: 論理的思考能力と長いコンテキスト理解に長けている。複数ファイルを跨ぐリファクタリングなど、広範囲のコードを扱うコーディングにおすすめ Gemini: マルチモーダル処理に長けている。画像理解・分

はじめに TypeScript初心者の状態から、既存のVue 3プロジェクト（JavaScript）をTypeScriptに移行する機会がありました。この記事では、実装過程で学んだTypeScriptの基礎知識と、「型を書く」という行為が設計改善につながった体験を、初心者目線で整理してまとめます。 前提条件: TypeScriptは完全な初心者 JavaScriptは一定の学習経験あり（Vue 3, Piniaなど） プログラミング言語経験あり（Python） 移行したファイル: SignalR（リアルタイム通信）のラッパーモジュール（約90行） 技術スタック: Vue 3 (Composition API with <script setup>) TypeScript 5.7 Vite SignalR (@microsoft/signalr) 最初の期待: 「.jsを.tsにリネームして

はじめに LookerはGoogle Cloudが提供するエンタープライズ向けのBIツールです。初出は2012年とすでに10年以上の歴史を持つプロダクトなため、Modern Data Stackの中ではかなり古参の部類に入ります。どれくらい古参かと言うと、BigQueryやRedshiftのようなクラウドDWHとほぼ同世代に生まれています[1]。 プロダクト名がややこしいので整理すると、現在Lookerと呼ばれるGoogleのBIツールとしては以下の3種類が提供されています： Looker：エンタープライズ向けの高機能BIプラットフォーム（本記事の主題） Looker Studio Pro：有料版のLooker Studio Looker Studio：無料で利用できるシンプルなBIツール このうちLooker Studioは、元々はGoogle Data Studioという名前でしたが、

はじめに 11月12日（日本時間11月13日）に、OpenAIが最新モデルGPT-5.1をリリースしました。 このモデルは、知性とコミュニケーションスタイルの両方で性能向上しており、より分かりやすく読みやすい応答が実現されています。 また、ChatGPTのスタイルとトーンを8種類から選べるようになり、より自分にマッチした応答スタイルを簡単に実現できるようになりました。 この記事では、論文内容の解説というタスクを例にとり、8つそれぞれの応答スタイルを比較しています。記事中では応答の全文も記載しているので、ぜひ実際の応答を眺めてみて、みなさんの自分好みの設定を見つけていただければうれしいです。 検証方法 よく使われる生成AIのユースケースとして、技術論文の内容について要約・解説してもらうというものがあります。 ただし、論文の解説と一言でいっても、どの程度数式を用いた厳密な説明を行うのか、どの程

こんにちは、@_mkazutaka です。 今回は、Claude Codeのスキル機能を使って、過去に書いたコードをスキル化し、再利用する方法について紹介したいと思います。 背景 コードを書く際に、プロジェクトの規則、もしくはある一定のパターンに従って、コードを書くことがあると思います。例えば、弊社の場合、データストアへのアクセスのためにRepositoryパターンが使われているのですが、エンティティごとにだいたい似たような実装になることが多いです。 具体的には以下の6個の関数を定義し、テストを加えた形が多いです。 create: 作成 update: 更新 save: 更新 もしくは 作成 find: 単一のレコードを検索 list: 複数のレコードを検索 delete: 削除 これらを手動で書くには量が多く時間もかかってしまいます。なので、テンプレート化して楽に書きたくなってきます。

自分の中で今 Moonbit が熱いです。Moonbit を普段使いしたいですよね。 というわけで、js backend で FFI を駆使して React でSPAを書けるとこまで頑張ってみました。 React を書いたことがある人なら、以下のコードを見れば理解できると思います。 ///| enum CounterAction { Increment } ///| pub fn counter(_ : EmptyProps) -> @react.Element { let (count, dispatch) = use_reducer( (state : Int, action : CounterAction) => match action { CounterAction::Increment => state + 1 }, 0, ) let on_click = use_callba

はじめに Turing CTO室に所属している東京科学大学(Institute of Science Tokyo)の藤井です。 本記事は、LLM, VLM開発の裏で行われるリアルなデバッグ作業の様子を紹介します。 LLM, VLMの開発の裏には本記事で紹介するような地道なデバッグ作業が多数あるのですが、なかなかその実態が伝わっていないように思います。できるだけ詳細にデバッグ作業の様子を記しましたので、実際の現場で行われている作業を追体験いただけますと幸いです。 Background まず、デバッグ作業を行う前の背景と経緯について説明します。 学習に使用している依存関係の継続的なupdateのために、学習ライブラリが新しいversionのPyTorch、CUDA Toolkitで動作するかどうか常に検証しています。 本記事では、その作業を行う中で問題に直面し、何が問題なのか突き止めるまでの過

LayerX バクラク事業部でプロダクトマネジメント組織を管掌している飯沼(numashi)です。この記事はLayerX AI Agentブログリレー44日目の記事です。 今回はテックブログに全然テックじゃない話を差し込んでみようと思います。ちょっとくらい閑話休題ということで、LayerXにおいてAI系の機能を連続的に生み出す仕組みづくりや考え方について書きます。 ちなみに、自分自身もプロダクトマネージャーがPRD（Product Requirement Documet、要は仕様書みたいなもの）を作る際の自動化ToolであったりSpec Driven Developmentに興味あったりと色々書きたいことはあったんですが、その辺はおいおい別のブログで書こうと思います。 バクラクはLLM系機能開発が(相対的に)遅かった ブログをせっかく書くなら、まずは世の中にあんまり出回らない失敗談からいこ

生成AIでのコーディング品質は、プロンプトの具体性で大きく変わる 抽象的な指示 → 動くけど品質の低いコードが出力されがち 具体的な指示 → 要件を満たした保守性の高いコードが生成される 生成AIは「自分の中にある実装イメージを素早く具体化するツール」 理解していないコードは、品質問題に気づけないリスクが高い はじめに 日々業務する中で生成AIツールはなくてはならないものになりました。 わからなかった分野の実装も自然言語で指示するだけで勝手に実装してくれる魔法のツール！ 強靭！無敵！最強！ 足りない知識を補ってくれる最高のツールだ！ そんなふうに考えてた時期が自分にもありました。 出力されたコードは確かに動いてはいる。 確かに動いてはいるけどなんで動いているのかよくわからない。 そんなこんなで出てきたコードを"まぁええか"でレビューを出すと生成AIを使っているのに、なぜかコードレビューで大

AIコーディングややアンチ気味だったのですが、世も世なので少しちゃんと使ってみることにしました。 と言ってもGitHub Copilotのオートコンプリートとチャットモードはもともと使っており、 今回エージェントモードを使い始めた、というところです。 弊社では相談・申請すればコーディング系AI利用の費用を出してもらえるので助かります。 結論 モジュールの切り出し系のリファクタリング エラーハンドリングの統一 設定管理の統一 はagentに9割任せることにします。 背景 データ管理系の運用作業のためのStreamlit(Python)アプリを開発している。 すでに一個だけ小さめの機能が実装してある。 大きめの機能をこれから実装する予定である。 やったこと 開発中のアプリに実装済みの機能は動けば良いというつもりで作ったので、 新機能を追加することで保守性が最悪になることは目に見えていました。