スライドやダッシュボードをAIにコードで作らせると、だいたい「正しいけど残念な見た目」になりがちです。 コード生成モデルはテキストや表の内容を正確に扱えますが、完成形をキャンバス上で確認しながら書いているわけではないため、配色やレイアウトの美しさまでは追いつきません。一方、画像生成モデルは見た目こそ美しいものの、文字を読み間違えたり、編集も検証もできないただの画像を出力してしまいます。 Yale UniversityとMicrosoftの研究チームが発表した論文『AesCode: Aesthetic Code Generation with Decoupled Cross-Modal Rewards』は、この2つのモデルの強みを組み合わせる発想を提案しました。画像生成モデルが同じプロンプトから作った参考画像を「美的ガイダンス」としてコード生成モデルに渡し、実行可否・テキストの正確性・表やチャートの構造・レイアウト・余白といった7種類の報酬信号を、設計グラフという構造化表現に基づいて個別に正規化しながら強化学習(GDPO)で最適化します。 300項目のベンチマークでは、8Bモデルが訓練だけでOverallスコアを42.39から82.94まで(+40.55)引き上げ、32BモデルはGPT-5.5(81.28)やClaude Opus 4.8(80.39)を上回る85.89を達成しました。しかもテキストの正確性(95.34%)やチャート/表の検証精度(90.37%)ではフロンティアモデル群を上回り、見た目の美しさだけでなく内容の正しさも両立しています。 「見た目はいいけど内容が怪しい」か「内容は正しいけど見た目がさみしい」かの二択から抜け出す、実務的に刺さる一手だと感じます。 URL: #コード生成# #デザインAI#

TL;DR Claudeによるコード生成が増えすぎてGitが限界に達したため、Anthropicは社内ソース管理システムをゼロから作り直しました。わずか7人のチームが5ヶ月で成し遂げています。 タイトル: Redesigning source control at Anthropic URL: ポイントはこちらです。 ・📈 1日あたりのマージ数が5ヶ月で2,500件から30,000件以上と10倍以上に急増 ・⚠️ 従来のGit運用を素朴に続けると日次トラフィックが600PBに達する計算に ・🖥️ 「クライアントは常時オンライン」を前提にサーバー集約型の新システムScionを設計 ・🗂️ Changesetという軽量データ構造でpackfiles不要の即時取り込みを実現 ・⚡ 3層キャッシュ構成で各層99%以上のヒット率、チェックアウトは分単位から秒単位に ・💾 インフラのCPU・メモリ使用量を200倍削減、CIのCPUも25%削減 ・🤖 Claude自身が設計支援・コード生成だけでなく、特定コンポーネントを見張る監視役も担っている Gitの前提そのものを疑って作り変える判断と、それをClaudeと一緒に5ヶ月で実装してしまう速さの両方が印象的です。 #Anthropic# #ソフトウェア開発#

BigQuery が進化！ 自然言語によるコード生成、複雑なクエリの要約、データ探索や準備を劇的に簡素化する BigQuery 最新機能を解説。 エージェンティック時代のデータ活用最前線をぜひチェックしましょう🙌 Data & AI Summit '26 Spring 🟦 5 月 29 日（金） 13 時〜

✍️ AIが秒間何百行もコードを書ける今、開発者の仕事は「書く」から「読んで検証する」へ変わりました。だとすれば、言語選択の基準も変わるはずです。 Why Go is an Ideal Language for AI-Assisted Software Engineering 🔍 概要 GoogleのGoチームが発表した「AI補助開発時代の言語選択論」。コード生成のボトルネックが「書くこと」から「レビュー・検証すること」に移った今、読みやすさと保守性を軸に設計されたGoがいかに理想的かを論じています。 ⚠️ 解決する課題 ・LLMは型の不一致や存在しないプロパティを頻繁に生成する ・動的型付け言語（Python等）では型エラーが実行時まで検出されない ・AI生成コードが古いパッケージや脆弱な依存関係を参照するリスクがある ・繰り返しリファクタリングで精度が劣化する（初回約95%→低下） 🛠 Goのアプローチ ・gofmtによる完全自動フォーマット：AI生成コードの構文が常に予測可能 ・静的型付け＋高速コンパイル：Java/C#/Rustより桁違いに速くエラーを弾く ・govulncheck：呼び出されるシンボルだけを対象とした低ノイズ脆弱性スキャン ・ネイティブファズテスト：境界条件バグを継続的に発見 ・15年間の完全後方互換：Go 1.0のコードが今も無修正で動作 📌 逆説的な結論 「開発者が書くコードが減るほど、言語選択はより重要になる。」AIの大量出力を安全に吸収するには、決定論的なガードレールを持つ言語基盤が必要。Goはそのために設計されていた。 #Go言語# #AIエンジニアリング#

🧑‍💻 AIがコードを書く時代、得をするのは「コードが書ける人」ではなく「問題を深く理解している人」でした。Anthropicが約40万件のClaude Codeセッションを分析した結果が興味深いです。 タイトル: Agentic coding and persistent returns to expertise URL: 🧑‍💻 概要 2025年10月から2026年4月までの約40万件のClaude Codeセッションを、プライバシーを保護した分類器で分析した研究レポートです。コーディングエージェントが知識労働や働き方をどう変えるかを、実データから読み解いています。 ❓ 解決する課題 ・プログラマーでない人でも、複雑な技術作業を指揮できるのか ・コーディングエージェントは職業や知識労働にどんな影響を与えるのか この2つの問いに、推測ではなく大規模な実データで答えようとしています。 💡 主要な発見 ・分業：人間は計画の意思決定の約70%を担う一方、実行の意思決定は約20%だけ。目的は人間、実装はClaudeという役割分担です ・成功を決めるのはコーディング歴ではなく「ドメイン専門性」。専門家のセッションは初心者の2倍以上の行動連鎖（12対5アクション）を生みます ・職種を超えた成功：コード生成セッションでは主要職種すべてがソフトウェアエンジニアの成功率の7ポイント以内に収まり、管理職がわずかに上回る場面も 📊 注目の数値 ・検証可能な成功率は初心者15%に対し、中級〜専門家は28〜33% ・問題発生時の放棄率は初心者19%、経験者は5〜7% ・2025年10月→2026年4月でデバッグは33%→19%に減り、デプロイ・データ分析・ドキュメントへシフト。タスクの価値は約25〜43%上昇しました 🎯 意義 エージェント型ツールはドメイン専門性を置き換えるのではなく、問題をよく理解している人を報いる、というのが核心です。技術作業が職種を超えて広がる一方、ドメイン知識へのリターンは依然として強く残ります。 #AIエージェント# #ClaudeCode#

# Codexの機能と実践的な使い方 🚀 「コードを書くすべての場所に、ひとつのエージェントを」。OpenAI Codexは、生成から理解・レビュー・デバッグまでを丸ごと任せられるAIコーディングエージェントです。 🏷️ タイトル: Codex 基礎 🔗 URL: 📘 概要 Codexは、ソフトウェア開発のためにOpenAIが提供するAIコーディングエージェントです。単なるコード補完ではなく、既存のプロジェクト構成や規約を読み取りながら、自律的にタスクを進めてくれます。ChatGPTのPlus/Pro/Business/Edu/Enterpriseプランに組み込まれています。 ⚙️ 機能の説明 Codexの中心となる能力は大きく5つです。 ・コード生成: 「何を作りたいか」を伝えると、既存の構成や命名規約に合わせてコードを書きます。 ・コードベース理解: 複雑なコードやレガシーコードを読み解き、システムの構造を説明します。 ・コードレビュー: バグ・ロジックの誤り・未処理のエッジケースを洗い出します。 ・デバッグ: 失敗を追跡し、根本原因を診断して、的を絞った修正を提案します。 ・反復作業の自動化: リファクタリング・テスト・マイグレーション・セットアップを代行します。 これらを安全に動かすために、サンドボックスによる実行境界と承認ポリシーという仕組みが土台にあります。 🛠️ 実践的な使い方 Codexは「コードを書くあらゆる場所」で動くのが特徴で、複数の入口が用意されています。 ・CLI: ターミナルで `codex` を起動して対話的に作業 ・IDE拡張: エディタ内からそのまま委任 ・Web / クラウド: ローカルに無いリポジトリのタスクを並列実行 ・GitHub連携: PRに `@/codex review` でレビューを依頼 ・Slack連携: スレッドで `@/codex` にメンションしてタスク起動 まずはCLIで `npm i -g @/openai/codex` から始め、慣れてきたらGitHubやSlackに広げるのが王道です。 💡 ユースケース 未知のリポジトリに参加した初日に「このプロジェクトについて教えて」と尋ねて全体像をつかむ、レビュー前にバグを先に潰してもらう、退屈な一括リファクタリングを丸ごと委任する、といった使い方が現実的です。人間は方針決定とレビューに集中できます。 ⚠️ 注意点 Codexはファイルの読み書きやコマンド実行を伴う自律エージェントです。タスクの前後でGitのチェックポイント（コミット）を作っておくと、いつでも安全に巻き戻せます。認証はChatGPTアカウントが推奨で、APIキー認証では一部機能が制限される場合があります。 #OpenAICodex# #AIコーディング#

TL;DR LLMが自然言語の最適化問題を数式・コードに変換する際に起きる「幻覚」を、生成後に安全に直すフレームワークが登場しました。精度を最大20ポイント改善しつつ、正しかった部分を壊す「後退」は1%以下に抑えています。 タイトル: Fix What's Wrong, Keep What's Right: Hallucination Repair for LLM-Based Optimization Modeling URL: ポイント 🔍 問題文⇄数式⇄コード⇄データを5方向からチェックして、どこがなぜ間違っているかを特定します ✂️ 直す範囲を「コードだけ」「モデルの一部だけ」「全体の再構築」の3段階から証拠に基づき最小限に絞ります 📜 24種類の「修復カード」が、書き換えてよい箇所・守るべき箇所・合格基準を契約として明文化します ✅ 修復後は実行テストと監査に両方合格しないと採用せず、失敗時は元の成果物をそのまま残します 📊 6つのベンチマークと複数の生成モデルで検証し、精度を6.3〜20.1ポイント改善、後退率は最大1.0%に抑制しました 🧩 診断の仕組みを外すと救済率が24.5ポイントも落ちることが確認され、各仕組みの効果が裏付けられています 生成するだけでなく「直す」工程を体系化した発想が実務的で、最適化以外のコード生成や構造化出力にも応用できそうです。 #LLM# #最適化モデリング#

ハーネスエンジニアリングのプラクティス P14. 独立した自己批評パス（生成器と批評器の文脈を分ける） 🎯 ポイント 自分が書いたコードを自分でレビューして「良さそう」と言うエージェント、信頼できますか？レビューは作者と切り離して初めて機能します。 📝 概要 実装後、別の文脈（できれば別の役割プロンプト）で差分を仕様に照らして批評させます。「自分が今書いたから正しいはず」というバイアスを避けるには、生成器と批評器が文脈を共有しないことが鍵です。 🔍 解説 人間のコードレビューが作者以外の人間によって行われるのと同じ理由で、エージェントの自己批評も文脈を分離する必要があります。同じ文脈で生成と批評を行うと、生成過程で持った「なぜこう書いたか」のバイアスがそのまま批評に持ち込まれ、問題を見逃しやすくなります。別の文脈（理想的には別のプロンプト、別のモデルインスタンス）で、変更差分と仕様だけを見せて批評させると、フレッシュな視点でのレビューが可能になります。これは計算コストが追加されますが、流出欠陥を防ぐ効果は大きいです。 🛠 実践方法 ・実装完了後に別の文脈（新しい会話セッション）を起動し、差分と仕様だけを渡してレビューさせます ・批評器には焦点を絞った役割を与えます（「仕様との乖離」「セキュリティリスク」「リグレッション可能性」等） ・可能であれば生成と批評に異なるモデルやプロンプトを使用し、視点の多様性を確保します ・批評結果を構造化フォーマットで出力させ、ハーネスが自動的に対応（修正指示の送付・人間への報告）を判断します 💼 ユースケース ・issue-to-PRエージェントが完了前に、別のプロンプトで自己レビューを行う場面 ・自律バグ修正で、修正の妥当性を別の文脈で検証する場面 ・コード生成で、セキュリティ観点のレビューを別のエージェントとして実行する場面 ⚠ 落とし穴 批評器が「何でも指摘する」設計だと、瑣末な指摘が大量に出て実装→修正→批評→修正の無限ループに陥ります。批評器には「仕様との乖離」「セキュリティリスク」「リグレッション可能性」など、焦点を絞った役割を与えることが重要です。また、批評器の品質が低いと、正しい実装を不必要に修正させるリスクもあります。 #HarnessEngineering# #CodeReview#

便利だけど知られていないGemini APIの機能 💻 コーディングエージェントをGeminiで構築したい。何から始めればいい？ Geminiの「コーディングエージェントのセットアップ（Coding agent setup）」は、コード生成・修正タスクを自動化するエージェント向けのスキルとセットアップガイドです。 📌 タイトル：コーディングエージェントのセットアップ（Coding agent setup） 🔗 URL： 🧩 概要 コーディングエージェントとは、コードの生成、修正、テスト、デバッグを自律的に行うAIエージェントのこと。Geminiのコーディングエージェントガイドは、このようなエージェントを構築するためのスキル定義、プロンプト設計、ツール連携のベストプラクティスを提供します。Code executionやfunction callingと組み合わせて、実際にコードを書いて動かすエージェントを作れます。 🛠 使い方 ガイドに沿ってエージェントのスキル（コード生成、ファイル操作、テスト実行等）を定義し、Geminiのツール機能と連携します。Code executionでコードを実行し、function callingでファイルシステムやGit操作を呼び出す構成が基本です。プロンプトにはコーディング規約やリポジトリ構造の情報を含めると精度が上がります。 🏗 本番システムへの組み込み方 ・CI/CDパイプライン：PRごとにコーディングエージェントがレビュー・修正提案を自動生成。 ・バグ修正の自動化：エラーログとスタックトレースを渡して、修正パッチを自動生成・テスト。 ・コードマイグレーション：フレームワーク/言語バージョンの移行を、エージェントが段階的に実行。 ・ドキュメント生成：コードを読んでAPIドキュメントやREADMEを自動生成。 💡 ユースケース 🔧 自動バグ修正・パッチ生成 📝 PRの自動レビュー・修正提案 🔄 コードベースのマイグレーション 📚 コードからのドキュメント自動生成 ⚠️ 注意点 エージェントが生成するコードは必ずレビューとテストが必要です。本番コードへの自動マージは人間の承認ステップを挟みましょう。また、エージェントがファイルシステムにアクセスする場合のセキュリティ境界（サンドボックス化）も重要です。 ✨ コーディングの自動化は段階的に。まずはレビュー補助や定型的な修正から始めて、信頼性が確認できた範囲で権限を広げていくのがおすすめです。 #Gemini# #LLM#