登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 レビュー不要 
レビュー不要  コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
レビュー不要  を含む検索結果
イヤホン Bluetooth #モニターキャンペーン# 【期間限定】レビュー不要🎧🎤 こんな方におすすめ👇 🎧最新ガジェットが好き 📱操作性の高いイヤホンを探している ✨人と差がつくアイテムが欲しい 応募方法👇 ①@tuoyoo2018 ② この投稿をリポスト
もっと見る
SpaceXSIのpotetoさんのトーク、必聴な気がする。めちゃくちゃ良かった。以下は少しだけメモ。 ・AIエージェントに自律的に開発させるには、環境への投資による信頼の構築が不可欠 ・poteto氏は6か月の投資を経て、寝ている間にも数千件のPRをリリースできる状態に到達した ・信頼(Trust)を高めるには、まず型システムやLint、テストなど決定論的な制約でコードベースを固める必要がある ・その上に実行時検証や形式検証を重ね、AGENTS.mdのような自然言語のルールは最小限に留める ・エージェントは既存のコードベースのパターンをそのまま模倣する ・コードベース内の回避策や技術的負債は、庭の雑草のようにあっという間に全体へ広がるリスクがある ・だからエンジニアの仕事はコードを書くことから庭の手入れへと変化している ・GraphbotではElectron向けフレームワークDuneに過去の教訓をLintルールとして組み込んでいる ・扱いが難しいReactのuseEffectはプロダクトコードで全面禁止にした ・また、ディレクトリをメインとレンダラーに分けて、インポートを依存関係解析で禁止している ・これにより、スレッド間の誤った参照による画面のカクつきが構造的に防止可能になった(そうじゃないとsetTimeoutみたいなコードを乱発する) ・エージェントはMarkdownやコードコメントを「正しい実装を避ける言い訳」として悪用する ・Cursor開発時には、応急処置のタイマー処理を正当化するコメントが量産され、アプリが重くなった ・なので、Graphbotではコードコメントの99%を禁止して根本原因の修正を促すLintエラーに置き換えた ・修正のたびに決定論的なチェックへ落とし込むことで、最終的に人間のレビューが不要にしていく ・レビューの焦点はコード自体から、動画やスクリーンショットなどの検証成果物の確認へと移行している ・実行時検証(Runtime Verification)では、機能マップ(Feature Map)や専用CLIを整備しトークンを削減している ・さらにTLA+やLeanを用いた形式検証や、Bombadilによるproperty basedテストも導入した ・現在、1日のトークン消費量の約70%がこうした検証プロセスに費やされている ・この環境構築の結果、チームは月間11,000件ものPRを本番へリリースできて、毎日安定版をリリースしている ・227人ものContributorがいても、PRのrevert率はわずか0.5%と極めて低い ・Electronアプリでありつつ、起動やチャット切り替えなどの動作速度もローンチ当初より向上した ・まずはコードベースの改善と検証基盤を固めることが、高品質かつ高速な自動開発の前提条件 (一通り聞いて、これは人間に高い技術力がないと作れないと思った)
もっと見る
《異国のルミナリア レビュウ情報🎤》 12/12(土)「サワソニ89」 夢咲/みるき/鮎沢/星吹/成宮/葉月の6名で出演🎤✨ 【会場】namco TOKYO 【時間】OPEN18:45/START19:00 【料金】入場無料+ドリンク飲み放題¥2000 🎫予約不要
もっと見る
《異国のルミナリア レビュウ情報🎤》 12/12(土)「サワソニ89」 夢咲/みるき/鮎沢/星吹/成宮/葉月の6名で出演🎤✨ 【会場】namco TOKYO 【時間】OPEN18:45/START19:00 【料金】入場無料+ドリンク飲み放題¥2000 🎫予約不要
もっと見る
AIコードレビューでトークンを燃やしていませんか?🔥 コードを構造グラフ化して、関連ファイルだけ読ませることで、トークンを中央値82倍削減するツールです。 タイトル: tirth8205/code-review-graph URL: 🔥 概要 Tree-sitterでコードベースの構造マップ(グラフ)をローカルに永続化する、ローカルファーストのコードインテリジェンスツールです。AIアシスタントが、リポジトリ全体ではなく文脈的に関連するファイルだけを読んでレビューできるようにします。 ❓ 解決する課題 AIコードレビューツールは、レビューのたびにコードベースの大部分を読み直し、大量のトークンを無駄にします。 ・特に大規模モノレポでは、コンテキストが膨れ上がりコストもレイテンシも悪化します ・変更の影響範囲をスキャンするのに、プロジェクト全体を読む必要がありました 💡 方法論と仕組み 3段階のパイプラインで動きます。 ・パース:Tree-sitterがASTを作り、関数・クラス・import・呼び出し関係を抽出 ・グラフ保存:ノードとエッジをSQLiteに永続化(外部DB不要) ・分析:変更時に影響範囲(blast-radius)分析で、影響する呼び出し元・依存先・テストを辿り最小限の文脈を返す 多言語対応、増分更新は2秒未満、MCP連携(30ツール)、GitHub Action、D3.js可視化を備えます。 📊 実験結果 / 実績 ・トークン効率:38倍〜528倍の削減(6リポジトリで中央値約82倍) ・影響予測のF1スコア:平均0.71 ・CLI例:フル文脈12,921トークン→グラフ文脈762トークン(約94%削減) #コードレビュー# #AIエージェント#
もっと見る
# Codexの機能と実践的な使い方 🔍 PR を開いたら、ノイズではなく「本当にヤバい指摘だけ」が返ってくる。Codex の GitHub 統合は P0/P1 の高優先度リスクに絞ったコードレビューを自動投稿します。 🏷️ タイトル: PRレビュー(@/codex review) 🔗 URL: 📘 概要 Codex の GitHub 統合は、Pull Request の差分を AI がレビューして高シグナルなフィードバックを投稿する機能です。あえて P0・P1 の深刻な問題だけに絞ることで、レビューコメントが高優先度のリスクに集中するよう設計されています。 ⚙️ 機能の説明 ・手動レビューは PR に `@/codex review` とコメントします。Codex は 👀 でリアクションした後、GitHub のコードレビューを投稿します。 ・設定で Automatic reviews を有効にすると、PR がオープンされた時点でメンション不要の自動レビューが走ります。 ・レビュー観点はリポジトリ最上位の `AGENTS.md` に書いた「Review guidelines」セクションで制御できます。Codex は変更ファイルに最も近い `AGENTS.md` の指示を適用するため、ディレクトリ階層を使ってパッケージごとに観点を変えられます。 ・`@/codex review` 以外で `@/codex` をメンションすると、その PR を文脈としてクラウドタスクが起動します。例えば `@/codex fix the CI failures` のように指示できます。 🛠️ 実践的な使い方 ・まず の Code review 設定で対象リポジトリのトグルを有効にします(Codex cloud のセットアップが前提)。 ・観点を固定したいときは `AGENTS.md` の「## Review guidelines」セクションに「PII をログに出さない」「全ルートを認証ミドルウェアで包む」などの観点を箇条書きします。 ・1回だけ観点を変えたいなら `@/codex review for security regressions` のようにコメントに直接添えます。 ・レビュー後に修正まで任せるなら `@/codex fix the P1 issue` とコメントすれば、Codex がクラウドタスクで修正に着手します。 💡 ユースケース レビュアーが多忙なチームで、まず Codex に一次レビューを通させて P0/P1 を潰してから人間レビューに回すと、レビュー往復が減ります。セキュリティや PII 取り扱いなど絶対に外せない観点を `AGENTS.md` に明文化しておけば、全 PR で機械的に確認されます。 ⚠️ 注意点 ・利用にはリポジトリで Codex cloud のセットアップとコードレビューの有効化が必要です。 ・手動レビューのトリガーは厳密に `@/codex review` という文字列です。 ・自動レビューはトグル設定が正しくないと動きません。導入時に設定を確認しましょう。 #OpenAICodex# #CodeReview#
もっと見る
本番で貯まったエージェントのログ、ただ眺めて終わっていませんか?そのデータを専用モデルに変える仕組みがLangSmithに加わりました。 タイトル: Introducing LangSmith Fine-Tuning URL: ❓ LangSmith Fine-Tuningとは何ですか? 本番のエージェント実行トレースを、独自インフラを組まずにファインチューニング済みモデルへ変換する `smithtune` CLIです。データセット作成・学習・評価・デプロイの4段階を一気通貫で扱えます。 ❓ どうやって学習データを作るのですか? LangSmithプロジェクトからメッセージやツール呼び出しの時系列(トラジェクトリ)を取得し、マルチエージェントのレビューでカスタムルーブリックに沿った高品質な事例だけを選別します。ツールの利用可能状態まで含めた正確な文脈を保存するのがポイントです。 ❓ 学習やデプロイはどう進めますか? LoRAによる教師ありファインチューニング(SFT)をFireworksやBasetenと連携して実行するため、GPUの用意は不要です。ベースモデルとの比較評価を経て、`smithtune deploy` でそのまま本番投入できます。 ❓ 効果はどれくらいありますか? 問題検知タスクではKimi K3がSFTでスコア90.0から96.0に向上。コードレビューでは同等以上の品質を保ちつつ、モデル呼び出しを29.8%、ツールリクエストを29.4%削減できました。 #LangSmith# #ファインチューニング#
もっと見る
# AIエージェント開発の意思決定ポイント # シングルエージェント vs マルチエージェント 🤖 🎯 ポイント マルチエージェント、かっこよく見えますよね?でも「かっこよさ」で選ぶと痛い目に遭います。 1つのLLMにすべてを任せるか、複数の専門エージェントに分割するか。この判断は「専門性の分離の利益」が「調整コスト」を上回るかどうかで決まります。「少しだけマルチ」という中間は存在しません。調整インフラを入れるか入れないかの境界は非連続です。 📋 概要 シングルエージェントは1つのLLMインスタンスがすべてのツール・文脈・権限を持ち、タスク全体を処理します。制御フローは1つのループ内で完結し、エージェント間通信は存在しません。マルチエージェントは複数の専門Worker を調整役のSupervisorが束ねる構成です。各Workerは専門領域のツールと文脈だけを持ち、Supervisorがタスク分解・予算配分・結果集約を担います。 🔍 意思決定のポイント 判定軸は2つです。 1️⃣ **タスクの変動性(task_variability)** と専門性の分離度 - ツールセットが20個以下で1つのコンテキスト窓に収まる → シングル - 専門性の軸が2つ以上に明確に分かれ、1つのコンテキストに入れるとノイズになる → マルチ - 並列実行による時短がレイテンシ予算の達成に貢献する → マルチ 2️⃣ **コスト感度(cost_sensitivity)** - LLM呼び出し回数の増加が許容できない → シングル - 調整コスト(Supervisorのトークン消費、エラー伝播設計)が分割の利益を下回る → マルチ 💡 要点と詳細 🟢 **シングルの強み**は単純さとコスト効率です。デバッグは1つのコンテキスト窓で閉じ、テストも1つのエージェントの入出力で完結します。状態共有の問題がなく、合意形成も不要。コンテキスト窓に収まる限り、すべての情報が1つの推論に利用可能で情報伝達のロスがありません。マルチ構成ではSupervisorのタスク分解+各Workerの独立LLM呼び出し+結果集約で、トークン消費が3〜5倍に膨らむことも珍しくありません。 🟡 **マルチの強み**は専門性の分離・権限の最小化・並列実行の3つです。各Workerのコンテキスト窓には専門領域の情報だけが入るため推論精度が向上します。権限もWorker単位で最小権限を付与でき、あるWorkerが侵害されても被害は限定されます。独立したサブタスクを並列処理すればレイテンシを節約できます。 ⚖️ トレードオフ | 観点 | シングル | マルチ | |---|---|---| | デバッグ容易性 | 1コンテキストで完結 🟢 | 分散トレーシング必須 🔴 | | コスト | LLM呼び出し1ループ | 3〜5倍のトークン消費 | | 推論精度 | ツール20超で低下 | 専門化で向上 | | セキュリティ | 全権限が1箇所に集中 | Worker単位で権限分離 | | 並列処理 | 不可 | 独立サブタスクで可 | 🛠️ ユースケース 🔵 **シングルが向くケース**: ツール数が限られた情報検索・要約・分類タスク。コスト重視のプロジェクト。専門性の軸が1つで済むケース。 🔴 **マルチが向くケース**: コード生成+テスト実行+レビューのように専門性の軸が明確に分かれるケース。法務と技術など異なるドメイン知識が必要なケース。セキュリティ上、権限分離が必須のケース。 📌 **デフォルト戦略**: まずシングルエージェントで始めてください。マルチの調整コストは過小評価されがちです。コンテキスト溢れ・権限の粗さ・レイテンシのボトルネックが明確になった時点で、そのボトルネックを解消する最小限のWorkerを追加するのが安全な進め方です。Worker数は2〜5が目安で、それ以上は調整コストの増大を慎重に評価しましょう。 #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェントの処理が数時間、あるいは数日にわたる場合、プロセスが落ちても大丈夫ですか? Durable execution統合を使えば、長時間実行や人間承認フローを安全に実現できます。 📌 タイトル:Running agents – Durable execution integrations 🔗 URL: 🧩 概要 Durable execution統合は、エージェントの実行状態を永続化し、プロセス障害やサーバー再起動後も途中から再開できる仕組みです。人間の承認を待つワークフロー(数時間〜数日)や、長時間のバッチ処理で特に威力を発揮します。Temporal、Dapr、Restate、DBOSなどのフレームワークとの統合がサポートされています。 🛠 使い方 DBOSとAgent SDKを組み合わせた例です。`DBOS()` で初期化し、`Agent(name="approval-agent", instructions="...")` でエージェントを定義します。`@DBOS.workflow()` デコレータを付けた非同期関数 `expense_approval_workflow(report_id)` の中で、`await input=...)` で経費レポートを分析し、`await DBOS.recv(f"approval-{report_id}", timeout_seconds=86400 * 7)` で最大7日間の承認待ちを行います。`approval["approved"]` が `True` なら再度 ` で承認済みレポートを処理します。 🏗 実践的な使い方 **人間承認ワークフロー** 経費精算、コンテンツ公開、契約書レビューなど、人間の承認が必要なプロセスにエージェントを組み込む場合、承認待ちの間にプロセスが落ちても状態が保持されます。承認が来た時点で自動的に処理を再開できます。 **障害からの自動復旧** Temporal/Dapr/Restate/DBOSのいずれも、プロセスクラッシュやサーバー再起動後に自動的に最後のチェックポイントから再開する仕組みを持っています。LLM呼び出しの途中で障害が発生しても、完了済みのステップは再実行されません。 **小中規模プロジェクトにはDBOS** TemporalやDaprはインフラの構築と運用コストが高いですが、DBOSはSQLite(ローカル開発)やPostgres(本番)だけで動作します。専用のオーケストレーションサーバーが不要なため、小中規模のプロジェクトに最適です。 **段階的なエージェントパイプライン** 複数のエージェントステップを持つパイプライン(調査→分析→レポート生成→レビュー→承認)を、各ステップの完了をチェックポイントとして永続化できます。途中で失敗しても、最初からやり直す必要がありません。 💡 ユースケース 📋 経費精算の承認フロー(マネージャーの承認を数日待つ) 📝 コンテンツ公開パイプライン(エディターレビュー→承認→公開) 🔄 長時間バッチ処理の障害復旧(数百件のドキュメント処理) 🏢 契約書レビューワークフロー(法務チームの確認待ち) ⚠️ 注意点 - Durable executionフレームワークの選択はインフラ要件に依存します。既にTemporalを使っているならTemporalを、新規で軽量に始めるならDBOSを検討してください。 - 永続化される状態にLLMのレスポンス全文を含めるとストレージコストが増大します。必要な情報だけを保存するよう設計してください。 - 人間承認のタイムアウトを設定してください。無期限に待つワークフローはリソースリークの原因になります。 - DBOSのSQLiteバックエンドはローカル開発には便利ですが、本番環境ではPostgresを使用してください。 ✨ Durable executionで、プロセス障害を恐れずに長時間ワークフローを構築しましょう! #OpenAIAgentSDK# #AIAgent#
もっと見る