TL;DR: Issueやコミット履歴を使わず「ソースコードそのもの」だけから、コーディングエージェント用のRL訓練タスクを5,545件も自動生成するパイプラインが登場しました。しかも量より質を優先した設計です。 タイトル: CodeMidas: Scaling Agentic Coding RL Environments from Code Itself URL: ポイント 🏗️ 3,185リポジトリ・23言語・15ドメインから5,545タスクを自動構築 🧪 リファレンス実装を実行して期待値を記録する「実行に基づくテスト」で検証器を自動生成 🛡️ リーク検査・解答一致確認・難易度フィルタの3段構えで環境の質を保証 📈 DeepSWEで+11.7pt、ProgramBenchで+17.0pt、Terminal-Benchで+8.5ptと大幅改善 🔍 フィルタ済み5kタスクがフィルタなし8kタスクを一貫して上回り「質が量に勝る」ことを実証 🧠 訓練後は探索・自己検証の頻度が増加し、外部ベンチマークにもその挙動が転移 開発履歴がなくても、コードさえあればRL訓練環境を作れるという発想がシンプルで実用的だと感じました。 #CodingAgent# #強化学習#

🧠 コードは変わるのに、Wikiの説明は変わらない。そんな「ドキュメントの陳腐化」を自動で検出し、自己修正するメモリの仕組みが登場しました。 タイトル: Building Self-Correcting Memory in OpenWiki URL: OpenWikiは、Wikiの各主張をソースコードのエビデンスと紐付け、コード変更を起点に陳腐化を検出・修正する「自己修正メモリ」を導入しました。注目ポイントは次の3つです。 📎 クレーム単位のエビデンス紐付け Wikiの主張ひとつひとつを「statement（内容）」と「evidence（裏付けとなるコード箇所）」のペアとして明示的に記録します。主張と根拠が常にセットで管理される点が特徴です。 🔍 決定的な陳腐化検出 エビデンスとして参照したソースのバージョンと現在のバージョンを比較し、差分があればモデル呼び出しなしでクレームを「陳腐化」とフラグ付けします。陳腐化は誤りではなく「再確認が必要な状態」として扱われます。 📈 実証された自己修正効果 2,000件のクレームを評価したところ、陳腐化クレームは80件から9件へ約89%削減、幻覚的なクレームは15件から0件に完全解消しました。あるチェックポイントでは陳腐化率が17%から次の更新で0%まで回復しています。 「何を信じていて、なぜ信じているのか」を語れるメモリシステムへ。忘れることを削除ではなく信頼性の再評価として捉え直す発想が印象的です。 #AIエージェント# #ナレッジ管理#

配信ありがとう～！ 夏は暑さがアレだけど、曲は素敵なものばかりだ！ sabio曲コード難しすぎてギター技術不足ゆえ弾けない問題、これ深刻です でもあのコードが曲を神にしているんだよ～

Codexは、コードを書くAIではない 最初にCodexを見た時、俺には関係ないと思った。 プログラミングは分からない。黒い画面も苦手。英語のエラーが出たら、その時点で試合終了や。 でも実際に使って分かった。 Codexは「コードを書くAI」ではない。 こちらの曖昧な要望を整理して、必要なファイルを作り、動くところまで作業を進めるAIや。 俺の仕事は、複数店舗の売上管理、商品開発、販促、会議資料、部下への指示。毎日、細かい仕事が雪崩のように来る。 そこで最初に作ったのは、立派なアプリではない。 「毎日繰り返している仕事を洗い出す表」だった。 大事なのは、いきなり作らせないこと。 俺が部下に仕事を頼む時も同じで、最初に目的、現状、困っていること、完成形を伝える。AIにも、この順番が効く。 まずは、自分の仕事をCodexに棚卸しさせてみてほしい。 【今日のプロンプト】 私は［役職・担当業務］です。 日常業務には［主な業務］があります。 この中から、繰り返しが多い、転記が多い、確認に時間がかかる、ミスが起きやすい業務を抽出してください。 各業務を「すぐAI化」「一部AI化」「人が担当」に分類し、理由と削減できそうな時間を表にしてください。 不足情報があれば、結論を出す前に私へ質問してください。 プログラミングを学ぶ前に、仕事を言語化する。 俺はここから始めた。

「今日もプログラミング頑張ったよ(^▽^)」 日本で一人暮らししてると、コード書くのがちょっとした癒しになるんだよね～ 最近はAIとかWeb3も勉強中だけど、つい「あれ？変数名なんだっけ？」ってなる(笑) でも、たまにエラーに泣かされながらも楽しい！ プログラミング初心者 日本生活 AI女子 (๑•̀ㅂ•́)و✧

# ADKの便利で実践的な使い方 📜 OpenAPI/Swaggerの仕様書があれば、それだけでAPIをツール化できる — ADKのOpenAPI Toolsは、既存のREST APIを最小労力でエージェントに統合します。 📌 タイトル：OpenAPI Tools — OpenAPI仕様からの自動ツール生成 🔗 URL： 🧩 概要 ADKのOpenAPIToolsetは、OpenAPI（Swagger）仕様書からRestApiToolを自動生成します。各エンドポイントがそのままエージェントのツールになり、入力バリデーションも自動的に適用されます。`auth_scheme`と`auth_credential`を設定すれば、生成されたすべてのツールに認証が自動適用されるため、個別のツールごとに認証コードを書く必要がありません。 🛠 使い方 OpenAPI仕様からツールを自動生成する例です。 ` から `OpenAPIToolset` を、`google.adk.auth` から `APIKeyAuth` をインポートします。`OpenAPIToolset(spec_url="", auth_scheme=APIKeyAuth(header_name="X-API-Key"), auth_credential="your-api-key-here")` のように、OpenAPI仕様のURLと認証設定を渡してツールセットを作成します。認証は全ツールに自動適用されます。作成した `toolset` を `Agent` の `tools` リストに渡すだけで、各エンドポイントがエージェントのツールとして利用可能になります。 ローカルのOpenAPI仕様ファイルを使う場合: ローカルのOpenAPI仕様ファイルを使う場合は、` でYAMLファイルを読み込み、`OpenAPIToolset(spec_dict=spec, base_url="")` のように `spec_dict` パラメータに辞書として渡し、`base_url` でAPIのベースURLを指定します。 🏗 実践的な使い方 **既存APIの即座の統合**: 社内のマイクロサービスがOpenAPI仕様を公開していれば、コードを書くことなくエージェントのツールとして利用できます。API仕様の`description`フィールドがツールの説明として使われるため、仕様書の品質がそのままエージェントの精度に影響します。 複数のAPIを統合するには、ユーザーサービス用の `OpenAPIToolset(spec_url="https://user-service.internal/openapi.json", auth_scheme=APIKeyAuth(header_name="Authorization"), auth_credential="Bearer token123")` と注文サービス用の `OpenAPIToolset` をそれぞれ作成し、`Agent` の `tools` リストに `tools=[user_api, order_api]` として両方を渡します。各ツールセットに異なる認証情報を設定できるため、サービスごとのアクセス制御が可能です。 **入力バリデーションの活用**: OpenAPI仕様のスキーマ定義（required、type、enum等）に基づいて入力が自動バリデーションされるため、不正なAPI呼び出しを防げます。 **段階的な統合**: まずは読み取り専用のGETエンドポイントだけをツール化し、動作を確認してからPOST/PUT/DELETEを追加する段階的なアプローチが安全です。 💡 ユースケース 🏢 社内マイクロサービスのエージェント統合 🛒 ECサイトのAPI（商品検索、注文管理）のツール化 📊 データ分析APIの統合による自然言語クエリ 🔗 サードパーティSaaS APIの統合 ⚠️ 注意点 - OpenAPI仕様の`description`が不十分だと、LLMが適切なツールを選択できません。仕様書の品質を事前に確認してください。 - 認証情報（`auth_credential`）はハードコードせず、環境変数やSecret Managerから取得してください。 - エンドポイントが多すぎると、LLMのツール選択が不正確になります。必要なエンドポイントに絞ってToolsetを構成しましょう。 ✨ OpenAPI Toolsを使えば、API仕様書がそのままエージェントの能力になります。既存のAPIドキュメントを最大限に活かしましょう！ #ADK# #AIAgent#

会議や割り込みだらけでも普通に仕事を終わらせるエンジニアがいる。 何かコツがあるのか聞いたところ、返答が面白かった。 どうやら、Goの読み書きにほとんど頭を使わないことが大きいらしい。 その方は「Go言語を極めた」と自称している。 実際、画面共有でなにげなく見えたときのGoを書くスピードがレベチ。 日本語を書いているのかと思えるくらい、スラスラと淀みなく手を動かしている。 ここまで手に馴染んでるなら、Goを読むときの負荷もたしかに低そう。 ご本人いわく、 「たいていのエンジニアはコードを読む時、多少なりとも集中力を使う。でも俺はGoであればマンガを読むくらいの感覚で読める。だから簡単に頭を切り替えられる」 とのこと。 例えはだいぶ極端だけど、言っていることは分からなくもない。 すでにできることを「無意識にできる」レベルまで突き詰める。 そうやって、普段の作業に使う思考のリソースを減らす。 知識を広げるだけじゃなくて、「考えなくてもできることを増やす」のも、エンジニアとして1つの成長なんだなと思いました。