【40代独身が「サイドFIRE」を目指す、本当の理由。】 「会社を辞めたい」のではありません。 「この会社を辞められない」という、選択肢がない状態が苦しかった。 病気、親の介護、急な出費—— 40代で何かが起きたとき、 今の給料だけが頼りという現実。 その閉塞感が、 ずっと心の奥に引っかかっていました。 だから、動き出しました。 固定費を見直し、 新NISAを整え、 月1〜3万円の副業をつくるための行動をする。 会社の給料以外に「別の柱」を立てて、 いつでも人生を【選べる状態】にする。 それが私の、サイドFIREを目指す理由です。 40代独身には、住まいも働き方も自分で決めやすいという強みがあります。 誰かに合わせなくていい。 その自由を、将来の安心のために使いたい。 大きな一歩より、続けられる小さな仕組み。 完璧な計画を立てるより、今日できることを一つずつ。 焦らず、でも確実に積み上げていきます。 同じように「選択肢を増やしたい」と思っている方、ぜひ繋がりましょう。 （note記事・自己紹介は左上のアイコンをタップしてプロフィールへ👆）

トランプがUSMCA（米国・メキシコ・カナダ協定）の終了を強く示唆。NAFTAは、終了条項が一切ない永久的な協定だったため、トランプはNAFTAを終わらせるために、USMCAという新協定を締結した。その最大の価値は、6年ごとの見直し条項を入れたことだった。これにより、協定は16年間の基本期限が設けられ、今から約10年後（2036年）に自動的に終了する仕組みとなっている。トランプはまさにこの逃げ道を活用して、協定を終了させる方向を検討している。

【6Fヘルスケア】夏嶋隆 (著) 「体の仕組みを解析し導き出された 疲れないコツ大百科」入荷してます。 大量の荷物を持って歩き続けても 10時間のスタンディングワークでも 連続ドラマをぶっ通しで見続けても 疲れない驚きの方法の数々が掲載！ 疲労回復メソッド100を紹介🙌

商談AIワークフローをアップデート。 従来の事前リサーチに加え、「予習ロープレ」を自動生成するようにしました。 営業が手でやっていた「企業 / 競合リサーチ」に加え、AIが「過去商談からの反論予測・予習ロープレ作成」を構築。 人がやると毎回30分〜1時間。これをAIオーケストレーターが裏側で自動生成し、営業は資料を読んで模擬商談を練習するだけ。 設計のポイントは3つ： ・検知と下調べ、重い生成処理を役割分担（ハイブリッド構成） ・ゼロから作らず、既存の仕組みを再利用 ・いきなり全自動化せず「価値検証 → 自動化 → 深連携」の段階構築 音声の質や応答スピード、デザインクオリティ、結果フードバックから予習ロープレ改善フローなど改善点はあるが、基盤データやフローの流れは一旦構築できた気がする

# Snowflakeの機能と実践的な使い方 🚀 「サイズを1段上げると速くなるけど、コストは大丈夫?」——Snowflakeのコスト最適化は、この問いに正しく答えられるかで決まります。Virtual Warehouseのサイズと自動停止の仕組みを押さえましょう。 📌 タイトルと機能のURL タイトル: Working with Virtual Warehouses URL: 📝 概要 Virtual Warehouseは、SQLクエリやINSERT/UPDATE/DELETE/COPYなどのデータ操作に必要なCPU・メモリ・一時ストレージを提供する計算リソースのクラスタです。起動中のみクレジットを消費し、サイズ変更や自動停止を柔軟に設定できます。ワークロードごとにサイズと自動停止を設計することが、Snowflakeコスト最適化の第一歩です。 🔧 機能の説明 ウェアハウスのサイズと課金の特徴は次の通りです。 ・サイズはX-Smallから6X-Largeまであり、1段大きくするごとに計算リソースとクレジット消費が2倍になります。X-Small=1、Small=2、Medium=4、Large=8、X-Large=16、2X-Large=32…6X-Large=512クレジット/時です。 ・課金は秒単位で、起動・再開のたびに最低60秒分が課金されます。例えばX-Largeを61秒動かすと約0.271クレジット、1時間フルで動かすと16クレジットです。 ・サイズが大きいほど大規模・複雑なクエリは速くなりますが、小さく単純なクエリは必ずしも速くなりません。 ・標準ウェアハウスのほか、ML学習など大きなメモリを要する処理向けにSnowpark-optimizedウェアハウスもあります。 🛠 実践的な使い方 ・`AUTO_SUSPEND`(既定で有効)で一定時間アイドルなら自動停止、`AUTO_RESUME`(既定で有効)でクエリ到着時に自動再開させ、待機中のクレジット浪費を防ぎます。 ・`CREATE WAREHOUSE etl_wh WAREHOUSE_SIZE = XLARGE` のように作成し、アドホック分析用は `WAREHOUSE_SIZE = SMALL AUTO_SUSPEND = 60` で「使った分だけ課金」にします。 ・`INITIALLY_SUSPENDED = TRUE` を付けると、作成直後は停止状態にできます。 ・ウェアハウスは稼働中でもサイズ変更でき、重い処理の直前だけ一時的に大きくする運用も可能です。 🎯 ユースケース ・日次バッチをX-Largeで一気に終わらせる。1段上げると速度約2倍・所要時間半分になるため、同じクレジットでも処理時間を短縮できます。 ・アドホック分析用ウェアハウスをSmall + AUTO_SUSPEND=60秒にし、誰も使っていない時間は課金ゼロにする。 ・データロード用は小〜中サイズで十分なケースが多く、ファイル数・サイズに応じて見直す。 ⚠️ 注意点 ・再開のたびに最低60秒課金されるため、極端に短いAUTO_SUSPEND(数秒)はかえって起動・停止を頻発させ非効率になることがあります。 ・大きいサイズは小さなクエリには無駄です。「遅いクエリにはサイズアップ」が基本で、すべてを大きくすればよいわけではありません。 ・データロード性能はウェアハウスサイズよりファイルの数とサイズに依存します。サイズアップ前に並列化を検討します。 #Snowflake# #DataEngineering#

🏪3COINS、「毎月700～800個」 新商品が登場する驚きの仕組みを紹介 商品開発の仕組みとして、「上司のハンコなく企画・開発・販売まで進めていける」と紹介。また、流行や鮮度を大事にしており、「約1ヶ所で商品を売り切るシステム」を採用しているとも説明した。

🔄Loop Engineeringとはなにか？ もう「AIにプロンプトを打つ」作業は終わりにしませんか？これからは、エージェントを自律的に回す仕組みそのものを設計する時代です。AIコーディングのパラダイムシフトの正体に迫ります。 💡 1. プロンプトからシステム設計への転換 従来のAIコーディング（AI-assisted Coding）は、人間がループの「中心」にいました。 👨‍💻 これまでのアプローチ: 人間がコンテキストを考え、プロンプトを打ち、AIの出力を読み、手元でテストを実行し、エラーが出たら再度プロンプトを打つ。AIは「高機能な関数」や「道具」であり、制御の主体は常に人間です。 🔄 ループエンジニアリング: 人間はループの「外側」に出て、システム全体のデザイナー（作者）になります。仕事の検知、AIへのコンテキスト注入、出力の自動テスト、進捗の記録、次のステップの判断という一連のライフサイクルを小さなプログラムに実行させます。 ここで重要なのは、AIモデルがシステムにおける「サブルーチン（部品）」へと降格し、代わりに環境（テストスイートやリポジトリの状態）からのフィードバックをループ処理する構造へ進化したという点です。 ⚙️ 2. ループを駆動する5つのコアコンポーネント＋1つの記憶 抽象的な概念を動くシステムに落とし込むため、ループは以下のコンポーネントに分解されて設計されます。 ① ⚡ 自動化（Automations） ループの心臓部であり、発火トリガーと停止条件を定義します。 ツール（Claude CodeやCodexなど）では、単に定期実行する /loop だけでなく、明確な終了条件（例：「すべてのテストがパスするまで」）を満たすまでAIを回し続ける /goal コマンドなどがこれに該当します。条件が達成されるか、ハードストップ（予算や上限回数）に達するまで回り続けます。 ② 🌳 ワークツリー（Worktrees） 複数のAIエージェントが並列で動く場合、同じディレクトリで作業するとファイルの衝突（コンフリクト）が発生します。これを防ぐため、Gitの worktree 機能を使い、エージェントごとに独立した作業ディレクトリとブランチを隔離して自動生成します。機械的な衝突を回避し、並列性を担保する基盤です。 ③ 🧠 スキル（Skills） リポジトリのルールやコンテキストをカプセル化したものです。 通常、AIは実行ごとに前回の文脈を忘れますが、SKILL.md のようなファイルに「このプロジェクトのビルド手順」「命名規則」「過去の障害から得た注意点」を明文化しておくことで、AIは毎実行時にそれを読み込み、プロジェクト固有のシニアエンジニアのような振る舞いを固定化できます。 ④ 🔌 プラグイン／コネクタ（Connectors） filesystem（ローカルファイル）しか見えないAIを、本物の開発環境につなぐ架け橋です。 Model Context Protocol（MCP）などをベースに、GitHub（PR作成やIssue取得）、Linear/Jira（チケット更新）、Slack（人間への通知）、Sentry（エラーログの取得）と接続します。これにより、AIが「修正案を出す」だけでなく「Issueを読んで、コードを直し、PRを送り、Slackに報告する」というエンドツーエンドの行動が可能になります。 ⑤ 🤖 サブエージェント（Sub-agents） 役割を分担された独立したAIインスタンスです。「コードを書く役割（Maker）」と「コードを検証・レビューする役割（Checker）」を完全に分離します。 ➕ 💾 記憶：状態ファイル（State File） 地味ですが、ループの成否を分ける最も重要な要素です。STATE.md やJSONファイル、あるいは外部のチケット管理システムに「現在どのブランチが進行中で、何が完了し、次に何をすべきか」を永続化します。「エージェントは忘れるが、リポジトリは忘れない」という原則に従い、昨日の続きを今日のループが再開できるようにします。 🕰️ 3. なぜ「ただのcron（定期実行）」ではないのか？ 懐疑派から「1975年に発明されたcronジョブのリブランド（名前の付け替え）に過ぎないのではないか」という指摘があります。これは半分正解で、半分は間違いです。 スケジュールやトリガーのレイヤーは確かにcronそのものです。しかし、従来のcronは「固定されたスクリプトを機械的に実行するだけ」でした。 ループエンジニアリングが異なるのは、ループの真ん中に「状況を動的に判断する意思決定者（LLM）」がいる点です。 テストが落ちたとき、どのファイルをどう修正すべきか、コンテキストをどう組み立て直すかという分岐は、ハードコードされた if/else ではなく、AIの推論によって動的に決定されます。工学的な面白さは、この「崖から落ちるかもしれない不確実な意思決定者」の周りを、いかに硬牢な自動テストやガードレールで固めるかというシステムデザインにあります。 ⚠️ 4. コストと運用リスクの現実 熱狂的な議論で無視されがちなのが、経済性とセキュリティの現実です。 💸 膨大なトークン消費（コスト） コード生成自体は安価になりましたが、ループを回すと「コンテキストの再読み込み」「リトライの繰り返し」「探索パターンの実行」により、トークン消費量が爆発的に増加します。 実際に、米Uberではエンジニア1人あたり月1,500ドルの上限を設けたにもかかわらず、年間のAI予算をわずか4ヶ月で使い切った事例があります。「最大反復回数」「金額上限」「進捗ゼロ検知による強制終了」の3つのガードレール（ハードストップ）の設計が不可欠です。 🛡️ 攻撃面の拡大（セキュリティ） 無人で動くループは、無人で動く攻撃面（アタックサフェース）になります。AIコーディングツールに起因するCVE（脆弱性）が多数確認されており、コマンドインジェクションやSSRF、XSSのリスクがあります。また、外部から取り込んだ「スキル」の説明文がプロンプトインジェクションの経路になり、デバッグログ経由で認証情報（資格情報）が漏洩するケースも監査で報告されています。 🧩 理解の負債（Comprehension Debt） AIが高速でコードを書き、テストが通ってマージされ続けると、リポジトリ内のコードベースと「人間の理解度」の距離がどんどん離れていきます。これを「理解の負債」と呼びます。最も高くつくのはトークンの請求書ではなく、「チームの誰も読んだことがなく、構造を理解していないシステム」をある日突然人間がデバッグしなければならなくなるコストです。 🛠️ 5. 実践：4条件テストと最小実用ループ（MVL）の構築 ループエンジニアリングを実務に導入する際は、厳格な仕分けとステップが必要です。 📋 導入のための4条件テスト 1. タスクが繰り返されるか？（週1回未満なら、手動プロンプトや使い捨てスクリプトの方が早い） 2. 検証が完全に自動化されているか？（テスト、型チェック、Linter、ビルドが悪い出力を100%機械的に弾けるか。これがないと人間がレビューの椅子に縛り付けられる） 3. トークン予算が無駄を吸収できるか？（従量課金で予算に余裕がない場合は無謀） 4. エージェントが環境を操作する道具を持っているか？（ログ確認や再現環境など） 🚀 最小実用ループ（MVL）から始める手順 最初から複雑なマルチエージェントを組むとシステムは確実に崩壊します。以下の順番でボトムアップに構築します。 1. 手動実行の確実化: 1回の手動プロンプトと環境操作で、タスクが完全に完了することを確認する。 2. スキルの文書化: その際のコンテキストや制約を SKILL.md にまとめる。 3. ループのラップとゲート配置: AIが書いたものを自動テスト（ゲート）にかけ、失敗したらAIに戻すという1サイクルを組む。 4. スケジューリング: 最後にそれをcronやイベントトリガーで自動化する。 🎯 レバレッジの支点は「コードを書くこと」から「コードを書く仕組みを定義し、検証すること」へ移動しました。人間は、AIが自分の宿題を甘く採点しないよう、冷徹な「検証ゲート」を設計するエンジニアであり続ける必要があります。