2026/03/25 本番提供できる品質へ：SaaSにAI機能を実装するまでのリアル での発表資料です。

生成AIはさまざまな場面・目的で利用可能な便利なツールです。 本ページでは、今後の生活の中で生成AIに触れうる国民の方（初心者）向けに、 ① 生成AIの基礎知識 ② 生成AIの活用場面や入門的な使い方 ③ 生成AI活用時の注意点 をご紹介する教材を掲載しています。 生成AIをご自身で利活用できるリテラシーを身に付けるために、ぜひご活用ください。 本教材を活用して講座を開催される方向けに、PPTXのデータのノート欄に、各スライドで話す内容の参考となるメモを記載していますので、必要に応じてご活用ください。また、講座の実施時間や進め方などに応じて内容を編集していただけます。その他、技術やサービスの進展などに伴い、必要に応じて、本教材の更新を行う場合があります。 ＜本教材に関する問合せ先＞ 総務省 情報流通行政局 情報流通振興課 電話：03-5253-5748（直通）　e-mail：joryu-k

更新履歴2026-02-20: 初期バージョン（v0.1）を公開。性能20BモデルGPT-OSS Swallow 20B RLの性能を以下のLLMと比較しました。評価には大規模言語モデル評価フレームワークであるswallow-evaluation-instructを用いました。なお、この評価結果はSwallow LLM Leaderboard v2でもご覧いただけます（その他のLLMを比較に追加できます）。 Gemma 3 27B IT（非推論型ではあるが規模がやや大きいモデル）Qwen3-14B（規模が近い推論型モデル、深い推論はon）gpt-oss-20b（継続学習元、深い推論のレベルはmedium）gpt-oss-120b（規模がワンランク大きいモデル、深い推論のレベルはmedium）GPT-OSS Swallow 20Bの日本語タスクでの性能GPT-OSS Swallow 20Bの

2月13日、karpathy氏が「microgpt · GitHub」と題したGistを公開した。 このコードは、GPTの動作原理を外部ライブラリに頼らずPythonのみで記述した、最小構成の実装となっており、その読みやすさと理解のしやすさから注目を集めている。 以下に、これからこのソースコードを読み解こうとする方に向けて、GPTがどのように動き学習するのか、その大まかな流れと主要な概念を解説する。 コードリーディング・ガイド：microgptを読み解く 本プログラムは、大きく分けて「微分の自動化」「情報の変換」「予測と修正」の3つのパートで構成されている。 1. 「学習」を支える自動微分（Valueクラス） ニューラルネットワークが学習するためには、予測の誤りを数値化し、それを元に各パラメータをどの程度調整すべきかを計算する必要がある。本実装の冒頭に登場する Value クラスは、この「

はじめに 頭の中には手順や判断のポイントがあるのに、それを明文化出来ていない。 その結果、関係者間で前提が共有されないまま話が進み議論がすれ違ってしまう、ということがあると思います。 これは、暗黙知が言語化されていない状態です。 そしてこれは、 AI ≒ LLM を使う上でも同じ課題に直面します。 頭の中にある暗黙知を明文化しないと、 LLM から良い回答は得られません。 この記事で紹介するのは、そういった状態をプロンプトエンジニアリングの力を使って、解決する方法です。 結論 暗黙知の言語化には、"AI に答えさせる"のではなく、AI に質問してもらう（インタビュー型プロンプティング）のが有効です。 なぜなら、自分がまだ言語化できていない前提・判断基準・制約を、AI の質問であぶり出して メタ認知（自分の思考を一段上から見ること） を起こすことができるからです。 本題 なぜ「指示」より「質

こんにちは。Ai Workforce事業部 FDEグループエンジニアのkoseiと申します。 以下本文は、以前インターンとして一緒にプロジェクトを進めてくれた @kimu さんが在籍中に執筆したものです（冒頭のみkoseiが追記しています）。 本ブログで紹介したアルゴリズムにより精度が向上し、お客様に高い価値を提供することができました。（本手法については特許出願済み） そこに至るまでの開発の様々な学びが詰まっているので、是非じっくりとお読みください！ はじめに こんにちは！LayerX Ai Workforce 事業部 FDEグループで2025年3月から11月まで約8ヶ月間インターンをしていた@kimuです。インターンでは主にFDE（Forward Deployed Engineer。顧客課題に密着してプロダクト実装まで担うエンジニア）として、生成AIプラットフォーム「Ai Workfor

2025.12.05 イベントレポート AIエンジニアが本気で作ったLLM勉強会資料を大公開 〜そのまま使えるハンズオン用コード付き〜 by Tomoki Yoshida #ai #llm #rag はじめに こんにちは、2020年に新卒入社してからDeNAでAIエンジニアをしている吉田（ @birdwatcherYT ）です。 いつもは Qiita に技術記事を発信しているのですが、今回は社内の取り組みとしてエンジニアリングブログを書くことにしました（入社6年目でなにげに初執筆です）。 それでは、2025年12月1日に渋谷オフィスでのオフライン開催とオンラインのハイブリッド形式で開催した社内勉強会の開催レポートをお届けします。 3時間の講義&ハンズオン形式のLLM勉強会を実施 新規AIプロダクトを開発しているPdM&エンジニア向けに、AIをコアとしたプロダクト作りのために必要な知識を詰め

AI導入だけでは価値提供が速くならない ― Findy Team+活用でわかった、アウトカムにつながる土台とプロセス再構築のポイント

AIコーディングにおいて「Vibe Coding」から脱却し、確実な成果を出すための「Spec-Driven Development (SDD / 仕様駆動開発)」について、その理想的なフローと現場で直面する現実（Specの巨大化、検証の難しさ）を紹介。 OSSの仕様駆動開発ツール「cc-sdd」…

おしゃべりAIサービス Cotomo (https://cotomo.ai/) の開発のために必要な、ステートフルなAI agentを作る技術についてお話します。 「LLM」と「AI agent」の決定的な違いはなんでしょうか。そもそも「AI agent」の定義が人それぞれなので一概には言えま…

こんにちは、LayerX CTOの松本（@y_matsuwitter）です。 この度、書籍を刊行することになりました。題して『生成AI「戦力化」の教科書』です。 この2年半、正確にはChatGPTが利用できるようになった日からずっとLLMに関する取り組みに心血を注いできました。その過程で、R&DやAi Workforceの開発・展開などを通じてLLM・Agentを中心にした事業づくりの知見も数多生まれてきています。それらを元に、ここ半年ほど個人でLLMとエージェント活用の本を書いてきました。 本書の立ち位置本書は専門的な技術書でも入門的な事例集やプロンプト集でもなく、LLMやAgentを現実的に活用するための方法・知識を、企業の業務の多くを占めている文書関連業務を中心に整理したものです。経営者やデジタル化に取り組まれる大企業の方々、スタートアップでプロダクトに関わる方など幅広くお手にとって

はじめに Heroku社が提唱した「12-Factor App」は、クラウドネイティブなアプリケーション開発のベストプラクティスをまとめたものです。これをAIエージェント開発に応用して、dexhorthy氏がまとめたものが「12 Factor Agents」です。 この12 Factor Agentsを読んでみて、かなり学びがあったので、この記事では12 Factorの概要を簡単にまとめておきます。 なお、自分用にまとめて補足や所感を追加しているので、詳細はぜひ原文を参照してください。また、この記事は50%を人が書いて、50%をAIが補完しています。 12 Factor Agents の背景 「AIエージェントを作ろう！」 そう思って意気揚々とLangChainやCrewAIなどのフレームワークを使い始めた開発者は多いのではないでしょうか。 最初は順調に進みます。デモは動くし、簡単なタスク

TypeScriptでMCPサーバーのtool呼び出しをするはMCPクライアントでサーバーの呼び出しをシンプルに実装しました。 次はこの呼び出しをLLMに自動化してもらうというステップに進んでみます。これができると任意のプログラムにMCPサーバーの機能をアタッチできます。 以下のコードでは、MCPサーバーの情報をクライアント経由でclaude-3-5-sonnetに渡し、MCPサーバーのToolsをどう呼び出すのか計画させて、その結果をさらにMCPクライアントでコールしてまたclaude-3-5-sonnetで会話を継続します、Obsidian内の記事を要約し、その内容を記憶させるシステムを実装しています。 ポイント クライアントとサーバーは１対１です tools/list エンドポイントを使って利用可能なツールの一覧を取得します どのツールを呼び出すのか＋その引数をLLMに生成してもらい

なぜ MCP クライアント側開発の解説が必要か Model Context Protocol（MCP） は、さまざまな AI アプリケーションや LLM（Large Language Model）を外部ツール・リソース・ワークフローに接続するためのプロトコルです。これはサーバーとクライアントの 2 つの側面があるのですが、現在 Web 検索などで見つかる情報は主に「MCPサーバーの呼び出し方」と「（呼び出される）MCPサーバーの作り方」というテーマが中心になっています。しかし実際に MCP サーバーを呼び出せるのは、Claude アプリや Zed などのエディタ*1、VS Code 拡張の Cline*2 といった、すでにクライアント（ホストアプリケーション）を実装している限られたアプリケーションに限られます。 そのため、サーバーを実装するだけでは、現状対応しているアプリ(多くはCalau

Semantic Kernel(セマンティック カーネル) は Microsoft が提供するオープンソースの SDK で AI をアプリケーションに簡単に組み込むことができるツールです。AI エージェントも勿論作成できます。 本記事は Semantic Kernel(セマンティック カーネル) 超入門！簡単に概要と大まかな実装をご紹介します。 Semantic Kernel 何がすごいの？ 単なる Copilot ではなく、もっとカスタマイズができる AI エージェントを会社、製品に導入したい！でもやり方が分からない、開発に時間をかけたくないけど信頼性の高いフレームワークを利用したい、、、時に活躍するのが Semantic Kernel(セマンティック カーネル) です。 Semantic Kernel により、AI エージェントを簡単に構築し、業務の簡易化、効率化に繋げることができます

3秒まとめ コーディングエージェントはXMLベースのツール定義とツールの実装で作れる 最低限必要なツールはListFile、ReadFile、WriteFile、AskQuestion、ExecuteCommand、Completeの6つ LLMにXML形式でツールを使わせることで、プログラムと会話の融合が実現できる 実装は意外と簡単！Go言語なら数百行で基本機能が作れる サンプルコードはGoで書いていますが、特にコーディングエージェントを作るための言語依存はありません。また、サンプルコードは概要を示すためのもので確実な動作を保証するものではありませんのでご注意ください。 どんな人向けの記事？ コーディングエージェントに興味がある方 LLMを使ったコーディングエージェントを自作してみたい方 コーディングエージェントの仕組みを作りながら学びたい方 はじめに みなさん、Cline使ってますか？

Model Context Protocol（MCP）は、AI（LLM）の能力を拡張するためのプロトコルです。このブログ記事では、以下について書きます。 MCPの概要 MCPを使ってみた MCPを作ってみた MCPとは何か？ Model Context Protocolは、AI（GPTやClaudeなどのLLM）が外部システムやAPIと通信するための標準化されたプロトコルでAnthropic社が定めたものです。MCPを使用することで、AIアシスタントは以下のようなことが可能になります： インターネット上の情報にアクセスする データベースを検索する ファイルシステムを操作する 外部APIを呼び出す GitやGitHubなどの開発ツールを操作する MCPの公式サイトの紹介文には以下のような概念図があります。 modelcontextprotocol.io introductionより引用 また