先週、Macアプリ「MTP File Transfer」を公開した。 この開発では、Xcodeのコーディングエージェント統合を使ってみた。Xcodeのコーディングエージェントは、Xcode内蔵のツールや追加ドキュメントを使えるようになっていて、それのおかげか妙に性能が良いように感じる。Xcodeに含まれるプロントらしき内容をちらっと見る限りでは、Xcode内蔵のツールを使うように誘導しているほか、ここ1年くらいのSDKの更新について追加のドキュメントを用意しているようだ。これはモデルのknowledge cutoffが概ね1年前くらいだとしたときに、それ以降の情報を効果的に与えることを意図したものだろうと推察される。 筆者はClaude ProとChatGPT Proのサブスクライバー。なぜならプロフェッショナルだから。Appleプラットフォームでの開発経験は2008年からの18年。 リス

こんにちは、丸山です。 先日、横浜美術館で光の表現が印象的な作品を見てきました。 仕事場にもガラス製品を置いてみたら、少し華やかになって、いい気分で過ごせています。 今回のテーマは 「Codexのサブエージェント機能」 です。 最近、Claude Code だけではなく、Codexの人気も高まってきているように感じていますが、本記事では、Codexのサブエージェント機能が実際にどのように動くのかを確認していきます。 1. Codexによるマルチエージェント構成 1.1 サブエージェントで設定できる項目 1.2 spawn_agents_on_csvとは 2. マルチエージェント構成でフロントエンド／バックエンドをまとめて開発してみる 2.1 アプリ構成 2.2 事前準備 2.3 比較検証 3. まとめ 1. Codexによるマルチエージェント構成 Codexでは、親エージェントが必要な作業

OpenAIやAnthropicが、いよいよ現場に降りてきた。 OpenAIが開発会社を立ち上げた。企業の中に入り込むエンジニア（Forward Deployed Engineer）を送り、AIを業務の中核に組み込む会社だ。AIコンサル・エンジニアリング会社も買収する予定で、約150人のエンジニアやコンサルが最初から参加するらしい。 https://openai.com/index/openai-launches-the-deployment-company/ Anthropicも同じ方向に動いている。Blackstone、Hellman & Friedman、Goldman Sachsと組んで、Claudeを企業の中核業務に入れるためのAIサービス会社を作る。Anthropic側のApplied AIエンジニアも、その会社のエンジニアチームと一緒に動く。 要するに、モデルを作る会社が、A

「deepclaude」は、Claude Codeの自律的なコーディングエージェントの使い勝手を保ったまま、裏側で使うモデルをDeepSeek V4 Proなどに切り替えるためのツールです。Claude Codeの操作感はそのままに、Anthropicのモデルを使う場合と比べてコストを最大17分の1に抑えられるのがポイントです。 GitHub - aattaran/deepclaude: Use Claude Code's autonomous agent loop with DeepSeek V4 Pro, OpenRouter, or any Anthropic-compatible backend. Same UX, 17x cheaper. · GitHub https://github.com/aattaran/deepclaude Claude Codeは、ファイルの読み取りや

2026年のソフトウェア開発を考える（2026/05版） Scrum Fest Niigata 2026 2026年5月8日（金） https://www.scrumfestniigata.org/

ITエンジニアのサイラス・ロペス氏が、クラウドAIへ安易に依存せず、端末上で動くローカルAIを標準にするべきだという記事を投稿しています。記事では、OpenAIやAnthropicのAPIをアプリに組み込む流行について、便利そうに見える一方で、壊れやすく、プライバシー面の負担が大きく、運用も複雑になると指摘しています。 Local AI Needs to be the Norm - unix.foo https://unix.foo/posts/local-ai-needs-to-be-norm/ ロペス氏の意見では、ユーザーの文章や記事本文を外部AIサービスへ送った時点で、アプリは単なる便利機能ではなく、データ保存、同意、監査、漏えい、政府からの開示要求などを抱えるサービスに変わります。さらに、外部との通信を必要とするAI機能はネットワーク状況、AI事業者のサービス障害、API制限、課金

Deleted articles cannot be recovered. Draft of this article would be also deleted. Are you sure you want to delete this article? AI 関連サービスの使いすぎでお小遣いがピンチです。贅沢に ChatGPT Pro を契約して遠慮なく使いたい所ですが、ちょっとでも節約した使い方が出来ないか思考を巡らせてみました。 最近は Coding Agent の選択肢も豊富です。そもそも Codex にこだわらなければ他にもより安価なサブスクリプションはありますが、ここではそれは触れません。私よりもお小遣いが厳しい方は私の記事を読むよりは以下のような Coding Agent を検索しても良いでしょう。 色々な Coding Agent Claude Code （高ぇ） Ope

はじめに Claude Codeを使い始めて数ヶ月、便利だなと思いつつも「同じ指示を何度も書いてないか？」「無駄な前置きを毎回読まされてないか？」と感じる場面が増えてきました。 AIに作業を任せるのは便利ですが、AIを使うこと自体に発生するタイムロスに目を向けると、まだまだ効率化の余地があると気づきました。 この記事では、Claude Codeを触り始めたエンジニア向けに、私が実際にやってみて効果が高かった「個人ルールの設定」をまとめます。難しい設定はなく、ファイルに数行追記するだけで作業効率がはっきり変わるものを紹介します。 読み終わるころには、自分のCLAUDE.mdに何を書けば良いかのイメージが掴めるはずです。 基礎となる知識 CLAUDE.mdとは Claude Codeには、起動時に自動で読み込まれるCLAUDE.mdというファイルがあります。ここにルールを書いておくと、毎回プロ

はじめに X 上で見かけた 「もう Markdown じゃなくて HTML でドキュメント書いた方がよくない？」 系の議論（@trq212 のポスト等）には、まったく同感です。 というのも、自分は もう半年ほど前から、Claude CodeにHTMLでドキュメント生成させています。エージェントを使えばつかうほど、その生成物を直接人間が修正することが減るからです。プランファイルがその典型で、プランがまちがっていたらそれはAIに指示して修正させるべきで手動修正するべきではないのです。その理由は手間を減らしたいからではなく、「なぜそう出力されたか」の理由にたちもどって指示しないとAIは同じ間違いをくりかえしてしまうからです。そうすることで人間はAIと思考を共有することができます。 その場合、Markdownは人間が作成も修正することはなくなるわけで、Markdown形式がドキュメントの形式として

自動テストだけでリリース判断できるチームへ - 鍵はテストの量ではなくリリース判断基準の再設計にあった https://confengine.com/conferences/scrum-fest-niigata-2026/proposal/49867

こんにちは。こんばんは。 Findy Team+ 開発のフロントエンドリードをしている @shoota です。 今回はフロントエンドからは少し離れ、AIによるプルリクエストのレビューシステムを作成した話を書きます。 Findy Team+フロントエンドの現状と課題 AIコーディング時代の新たな課題 AIによる自動レビュー（Approve）を作ろう 解決したい課題 レビューは大きく3種類ある 誰が使えるのか 何を判定するのか 判定のキモはTidy First?の分類 実装とポイント GitHub Actions Claude Code Actions ワークフローの変化とプロンプトの改善 実行コスト おわりに Findy Team+フロントエンドの現状と課題 過去のブログでも触れていますが、Findy Team+のフロントエンドは、非常に大きなモノレポで構成されています。 tech.find

コーディングエージェントが賢すぎる。誰が何と言おうと自分よりも賢い。 いますでに現実として生産性は爆上がりしていて、ここからさらにどれだけをClaude Codeに任せて仕事を回せるか、もっとうまくタスクを実行させるために私は何をすればいいのか？と考えてばかりいます。 状況を決めているのは以下の要因です。 Claude Codeは私よりも賢い Claude Codeは私に忠実に従う この状況でもっとうまくやれば仕事をしなくても成果はあがるようにできるでしょうか？ もしくはClaude Codeがもっと賢く、もっと忠実に指示に従うようになれば将来そうなる日が来るのでしょうか？ そうはならない、というのが 韓非子 主道篇 に書かれてあることです。 韓非は主道篇で、君主（主）が行うべき原則（道）について述べ、君主が優秀な臣下を使いこなして国を導いていくために知るべきことを示しています。 以下では

及川卓也×吉羽龍太郎が問う、プロダクトマネジメントの本質 これまでも数々のカンファレンスで共に登壇し、日本のプロダクト開発を牽引してきた両氏。 Tablyの代表取締役を務める及川氏は、外資系テック企業などでソフトウェアエンジニアやプロダクトマネージャーを歴任。現在はプロダクト開発支援や人材育成の第一人者として知られている。一方、アトラクタの吉羽氏は、アジャイルコーチや認定スクラムトレーナーとして数多くの組織開発を支援するかたわら、『プロダクトマネージャーのしごと』をはじめとする数々の名著の翻訳・執筆を通じて、日本におけるプロダクトマネジメントの普及に貢献してきた。 「AI時代にプロダクトマネージャーは必要か」という刺激的なタイトルを掲げた本対談。AIという技術革新は、プロダクトマネジメントの現場を、そしてそこに携わる人間の価値をどう変えていくのか。 及川卓也氏（Tably株式会社 代表取締

はじめに こんにちは。セキュリティエンジニアの@okazu_dmです。 この記事は、最近リリースされたLLMベースのセキュリティスキャンツールとしてclaude-security-scan を使ってみた所感の記事です。 先週、以下の記事を見つけました。 検出率100%という結果が紹介されており、Claude Codeに全部やらせる時代が来た、というタイトルから「楽な時代が来たな」と思ったのですが、実際のところどの程度やらせることができるのかを検証するため、より網羅的に脆弱性が仕込まれている OWASP Juice Shop で再評価してみました。本記事ではその結果と、LLMベースのセキュリティスキャンツールに対する考察をまとめます。 なお、claude-security-scan はClaude Codeのslash commandとして実装されており、ソースコード解析と依存関係チェックを

Playwright CLI v0.1.9 で追加されたアノテーション機能は AI エージェントに視覚的なフィードバックを与えるために便利な機能です。アノテーション機能を利用すると、ブラウザの要素を選択して、その要素に対するコメントを残すことができます。AI エージェントはこのアノテーションが残された要素を簡単に特定できるため、どのコードを修正すればよいのかを判断しやすくなります。 AI エージェントを使用してフロントエンドを開発する際、どのように視覚的なフィードバックを提供するかはよくある課題です。AI エージェントは自身が書いたコードに対してテストや Lint から得られるフィードバックをもとに改善するというサイクルを繰り返すことによってコードの品質を向上させることができます。しかし、フロントエンドの開発では、例えば CSS が実際にどのように適用されているか、あるいは JavaScr

はじめに AIを使って実装することが、かなり当たり前になってきました。 画面実装、API実装、リファクタリング、テストコードの追加まで、以前よりずっと速く進められるようになっています。少し前ならそれなりに時間がかかっていた作業も、AIを使えば短時間である程度形になります。 一方で、AI駆動開発には別の難しさもあります。 それは、実装スピードが上がることと、品質を安定して守れることは別だということです。 AIはコードを書いてくれます。テストコードもそれっぽく作ってくれます。ただ、こちらが観点を渡さない限り、どうしても正常系中心の薄いテストになりやすいです。 ぱっと見では十分そうに見えても、実際には次のようなポイントが抜けがちです。 境界条件 条件分岐の組み合わせ 不正な状態遷移 例外系や失敗時の挙動 実運用で起きやすい事故パターン AI駆動開発では、テストコードを書くこと自体の難易度は下がっ

Googleが小型AIを用いて投機的予測を実行することで大型AIの処理を高速化する技術「Multi-token-prediction(マルチトークン予測)」を発表しました。 Multi-token-prediction in Gemma 4 https://blog.google/innovation-and-ai/technology/developers-tools/multi-token-prediction-gemma-4/ マルチトークン予測で Gemma 4 を高速化する  |  Google AI for Developers https://ai.google.dev/gemma/docs/mtp/overview?hl=ja 既存のAIモデルは複雑な推論と単純な推論に同等規模の計算処理を必要とします。例えば「猿も木から」に続く単語は「落ちる」であると容易に推測できますが、

はる @deepaquarouge 哲学が“概念を厳密に定義し、矛盾や前提を分析する学問”だからやろな。実際、単にコードを書くんじゃなく、この概念は何か、境界はどこか、例外は何かを整理してシステム設計するし。つまり、エンジニアは“コード記述者”というより、“構造や世界観を設計する人”で、その思考法が哲学に近いということ。 x.com/tyakachan17/st… 2026-05-06 14:22:00 🛒外注物販の鬼｜Amazon・メルカリ外注化で月150万 @outsourcePM @tyakachan17 乗っかる視点で言うと、それ逆に見ると「プログラミングは概念整理力の勝負」なんですよね。哲学は抽象概念を厳密に分解して前提を掘る訓練になる。 実務だとそれが設計力に直結して、バグは仕様の抜け漏れ。レジ並びの比喩で言えば、順番を決めるルールを作る力が強い人が強い。 2026-05-0

生成AIがプロンプトからコードを大量に生成してくれるので、出力されたものを理解する時間と引き換えに早くリリースする。この構造は技術的負債と同じなので「認知負債」と呼ばれることがある。 Margaret-Anne Storey が AI 時代のソフトウェア健全性を技術的負債・認知負債・意図負債の3層で整理している Addy Osmani は AI 生成コードでこのギャップが急拡大する現象を「理解負債」と呼ぶ Thoughtworks Technology Radar では "コードベースの認知負債" を Caution に分類している 認知負債と意図負債を分ける Storey の3層モデルの肝は、コード側の問題 (技術的負債) と人間側の問題を分けただけでなく、人間側をさらに「人の頭の中」(認知負債) と「外部化された知識」(意図負債) に分けたことにある。 table:table 種類 宿

GitHub Copilot の料金体系が 2026 年 6 月 1 日 に大改定！Premium Requests から GitHub AI Credits へ 製造ビジネステクノロジー部の小林です。 2026 年 4 月 27 日、GitHub から重要なアナウンスがありました。 2026 年 6 月 1 日より、GitHub Copilot の課金方式が大幅に変わります。 これまでの「Premium Requests（プレミアムリクエスト）」制から、トークン消費ベースの 「GitHub AI Credits（GitHub AI クレジット）」制 へ移行します。 なぜ変わるのか 従来の Premium Requests 制では、軽い質問も数時間にわたる自律コーディングセッションも、同じ「1 リクエスト」として扱われていました。そのため、実際の処理コストに大きな差があっても、GitHub