AIエージェントをエンタープライズシステムに組み込むプラクティス 【セマンティックレイヤー -- 組織知識グラフと指標定義の一元化】 💡 「売上を教えて」とAIに聞いたら、税込？税抜？受注ベース？入金ベース？ -- 定義が曖昧なまま回答するAIは、正確に間違える最悪のツールです。指標と組織の「意味」を一元管理し、ハルシネーションを定義済みの事実で置き換えます。 🔥 解決する課題 - 数値/用語のハルシネーション：「売上」の定義が曖昧なまま回答し実際と異なる数値を生成する - 指示語の解決不能：「私のチーム」「先月」等の曖昧な参照を正確に解決できない - 組織階層スコープの欠如：部署・プロジェクトに応じたデータ範囲の制御ができない 🏗️ 提案パターン BIのセマンティックレイヤー（dbt Semantic Layer / Cube等）でメトリクス定義を一元管理します。「売上 = 受注金額の税抜合計、期間はFY基準」のように厳密に定義します。組織グラフはSCIM/HRIS（Workday等）から同期し、「私のチームの売上」を「ユーザーの所属部署メンバーの受注金額合計」と自動解決します。自然言語の曖昧性をハルシネーションではなく定義済みの事実で解決する仕組みです。 ✅ 選定条件 - 採用する場合：分析支援・組織横断の業務・権限依存の処理、指標や用語の定義が重要な業務 - 採用しない場合：定義が固まっていない探索的な領域（定義の整備が先） ⚠️ 落とし穴 - 定義の維持コスト：メトリクス定義と組織グラフの鮮度を保つ運用フローが必要です - 定義の粒度：細かすぎると管理が破綻し、粗すぎると曖昧性が残ります。利用頻度の高い指標から段階的に整備します - 組織変更への追従：部署再編・異動が頻繁な組織ではSCIM同期の頻度とタイミングが重要になります 🛠️ 実装方針 1. dbt Semantic Layer / Cubeでメトリクス定義（「売上 = 受注金額の税抜合計、期間はFY基準」等）を一元管理し、エージェントの第一級コンテキスト源として接続します 2. Workday / OktaからSCIM同期で組織グラフ（人・部署・プロジェクト・役職・権限）をNeo4j / Amazon Neptuneに構築します 3. 自然言語→定義済みメトリクス/関係へのマッピングレイヤーを実装し、「私のチームの売上」を「所属部署メンバーの受注金額合計」と自動解決します 4. 利用頻度の高い指標から段階的に定義を整備し、定義の鮮度を保つ定期レビューの運用フローを確立します 5. 組織グラフの変更検知（部署再編・異動）をSCIM同期のWebhookで即時反映し、スコープ制御の遅延を最小化します #AIエージェント# #エンタープライズアーキテクチャ#

# AIエージェント開発の意思決定ポイント # 自己修正リトライ｜Self-Correction Retry 🎯 ポイント LLMの出力が壊れた時、「もう一回！」と同じプロンプトを投げ直していませんか？ 自己修正リトライは「何が間違っていたか」をLLMにフィードバックして再生成させる仕組みです。ただし闇雲に回数を増やしても改善しません。3回目以降のリトライで品質が上がることは、ほとんどありません。 📋 概要 自己修正リトライは、LLMの出力がスキーマ違反や品質不足だった場合に、エラー内容をコンテキストに追加して再生成を試みる回数を制御するダイヤルです。ネットワークリトライ（同じリクエストをそのまま再送）とは本質的に異なります。「何が間違っていたか」を具体的にフィードバックすることで、次の生成で正しい出力を得ることを期待します。LLMの出力は確率的であり、JSONの閉じ括弧が足りない、値の範囲が逸脱しているといったエラーは日常的に発生します。こうしたエラーへの対処戦略として、自己修正リトライは非常に実用的です。 🔍 意思決定のポイント 最大の判断基準は「出力のエラーが下流にどれだけの損害を与えるか」（failure_cost）です。すべてのエラーに同じリトライ回数を適用するのは非効率なので、エラーの種類に応じて対応を分けるのが鉄則です。 構文レベルのエラー（JSON構文不正、型の不一致）はフィードバック1回でほぼ直ります。意味レベルのエラー（値の範囲逸脱、存在しないIDの参照）は2回目で直らなければ構造的な問題です。品質レベルのエラー（不完全な回答、情報の欠落）は主観的で改善が読みにくいため、リトライよりプロンプト改善に投資すべきです。 💡 要点と詳細 目安値として覚えておくと便利です 📊 - 一般的なケース → 1〜3回。2回目で改善しなければ構造的問題の可能性大 - 構造化出力（JSONスキーマ） → 1〜2回。response_formatを使えば初回成功率が高い - 高failure_cost領域（金銭・法務・医療） → 2〜3回。品質が上がらなければ人間エスカレーション - 低failure_cost領域 → 0〜1回。フォールバックで対応できるなら即諦める方が効率的 エラーメッセージは短く具体的に 🎯 「出力が不正です」ではなく「delivery_dateフィールドが過去の日付です。未来の日付を指定してください」のように、何が間違っていて何が期待されるかを明示します。ただしエラーメッセージ自体がトークンを消費するため、概ね200トークン以内に収めましょう。 ⚖️ トレードオフ リトライしなさすぎると、修正可能なエラーでも即失敗として扱われます。JSONの閉じ括弧が1つ足りないだけの出力を捨ててしまうのは、もったいないですよね。 一方でリトライしすぎると、コストとレイテンシが急膨張します ⚡ 1回のLLM呼び出しが30秒なら、5回リトライで2.5分以上。リトライのたびにエラーメッセージをコンテキストに追加するためトークン消費が累積的に増大し、最悪の場合コンテキスト長超過という別の問題に遷移します。 2回連続で同じ種類のエラーが出たら、3回目を試すよりプロンプトを疑ってください。同じエラーの反復は、LLMがそのプロンプトとスキーマの組み合わせで正しい出力を生成できないことを示しています。 🛠️ ユースケース JSON出力のスキーマ違反 → エラー内容を具体的にフィードバックし、リトライ1回でほぼ修正可能。response_format（Structured Outputs）を使えばこの種のリトライ自体が不要に。 ビジネスルール違反（配送日が過去の日付など） → 具体的な制約と現在の状態を含めたフィードバックが重要。2回で改善しなければプロンプト改善へ。 品質不足（「5つの観点から分析」に3つしか返らない） → 1回リトライして改善しなければ、部分結果を受け入れるかプロンプト分割の方が効果的。 繰り返し同じエラーが出る場合 → 温度を下げる、プロンプトを簡素化する、別のモデルで試行する、人間にエスカレーションするなどの代替手段を検討 🔄 #AIエージェント# #ソフトウェアアーキテクチャ#

# AIエージェント開発の意思決定ポイント 🎯 **ポイント** RAGのtop-k、なんとなく「5」にしていませんか？検索結果を多く入れれば根拠が増えると思いきや、LLMは中盤の情報を無視しがちで、コストだけが直線的に増加します。少なすぎればハルシネーション、多すぎればノイズと予算超過。このバランスを取るための実践的な考え方を解説します。 📋 **概要** 検索top-kは、RAG（Retrieval-Augmented Generation）において外部知識ストアから取得する文書チャンクの件数を制御するパラメータです。広義には「LLMのコンテキストウィンドウに投入する外部情報の量」を意味します。コンテキストウィンドウは有限の資源であり、システム指示・検索結果・会話履歴・長期メモリ・ツール出力が奪い合っています。検索結果を多く入れれば根拠は増えますが他の情報が押し出され、少なければ根拠不足でハルシネーションが増えます。 重要なのは件数だけでなく「何を上位に置くか」です。初期検索で広めに候補を取り、リランカーで信号密度の高い順に並べ替えて上位k件を投入するパイプラインが標準的です。 🔍 **意思決定のポイント** top-kの設定は主に以下の変数で決まります。 🔹 **コスト感度（cost_sensitivity）** — コスト感度が高いほどtop-kを絞ります。ただし最低限の根拠確保のためk=3を下回ることは稀です。kを5から20に増やすと検索結果部分のトークンは概ね4倍、コストもそれに比例します。 🔹 **失敗コスト（failure_cost）** — 失敗コストが高い領域では根拠の網羅性が重要。kを多めにとりリランクで品質を担保する戦略が有効です。ただしリランクスコアが閾値を下回る文書は切り捨てるべきです。 🔹 **説明責任（accountability）** — 回答の根拠として引用できる文書を確保する必要がある場合、kを増やすよりもリランクスコアの高い少数の文書を確実に含め、出典を明示する方が効果的です。 💡 **要点と詳細** 実践的な判定フローは以下の通りです。 1️⃣ 初期検索では広めに取得（概ねk=20〜50） 2️⃣ リランカーで関連性スコア順に並べ替え 3️⃣ スコアが閾値を超える文書のうち上位k件を投入 4️⃣ 投入後のトークン数がコンテキストウィンドウの50%を超えないよう制御 5️⃣ 超える場合は圧縮（要約）またはさらなる絞り込み 📊 目安値: - 初期検索の取得件数: 20〜50件（リランク用の候補プール） - リランク後の投入件数: 3〜8件（大半のユースケースで5件前後が出発点） - 検索枠のウィンドウ占有率: 20〜40%（50%超で圧縮検討） - チャンクサイズ: 200〜500トークン kの値は「件数の定数」ではなく「リランクスコアが閾値を超えた文書の件数（上限k件）」として動的に決めるのが理想です。高関連の文書が2件しかなければ2件だけ投入し、無理にk件まで埋めません。 ⚖️ **トレードオフ** 📉 top-kが小さすぎると — 回答に必要な情報が検索結果に含まれず、LLMが根拠なしに回答を生成します。特に複数文書からの情報統合が必要な場合（「A社とB社の比較」など）、1件では対応できません。取得件数が少ないと1件のノイズの影響も甚大で、k=2なら1件のノイズが50%を占めます。 📈 top-kが大きすぎると — "Lost in the Middle"問題が顕在化します。LLMはコンテキストの先頭と末尾に注意を集中させ、中盤の情報は実質的に無視される傾向があります。大量投入すると最重要情報が中盤に埋もれます。他の情報枠（システム指示・会話履歴・長期メモリ）も圧迫され、エージェント全体の振る舞いが劣化します。 🛠️ **ユースケース** ❓ **単純な事実質問**（「A社の設立年は？」）— k=2〜3で十分。単一の文書で回答可能なケースがほとんどです。 📊 **比較・分析質問**（「A社とB社の戦略の違いは？」）— k=5〜8が必要。複数ソースからの情報統合にはより多くの文書が必要です。クエリ分類器で場合分けすると効率的です。 🏥 **医療・法務の高精度Q&A** — 根拠の網羅性と出典の明示が両方求められる。初期検索を広く取りリランクで厳選、スコアの高い少数の文書を先頭または末尾に配置して"Lost in the Middle"を回避します。 リランカーを使わずにtop-kを増やすのは逆効果です。ベクトル検索の上位20件をそのまま投入するとノイズが大量に混入します。コンテキストウィンドウの使用率は常にモニタリングし、検索結果で投入した文書のうち実際に回答に使われた比率を追跡しましょう。使われない文書が多ければkを下げるか検索パイプラインの改善が必要です。 #AIエージェント# #ソフトウェアアーキテクチャ#

モデル自身に長い文章の中から使えそうな部分を選ばせてから、その部分だけで一時的に学習させる手法をMeta AIとバージニア大学が発表した(https://arxiv[.]org/html/2607.09415v1)。 近年のLLM(大規模言語モデル)は数十万トークンの長文を一度に読めるようになったが、扱える入力の長さ(コンテキストウィンドウ)を広げるだけでは長文を有効に使えるとは限らない。入力が長くなるほど正解率が下がる現象が知られていて、質問に関連する証拠を見つけて使う能力がボトルネックになっている。 有望な解決策がテスト時学習(TTT、Test-Time Trainingの略)だ。答える前にテスト入力そのものを訓練データとしてモデルの重みを一時的に更新する手法で、長文脈タスクとの相性が良いとされてきた。ただし長文脈全体を学習に使うのは計算コストが高く、ランダムに抜き出した断片を使うと無関係な情報がノイズになる。 著者らはLLMの長文読解力を測るベンチマーク「LongBench-v2」で診断実験を行い、興味深い結果を得た。ランダムな断片で学習させるとベースモデルの正解率40.4%が38.9%まで下がる一方、正解を教えられたうえで判断するGPT-5.5が選んだ「本当に必要な部分」だけで学習させると45.9%まで伸びた。TTTの効果は学習させる部分の質に強く依存している。 これを受けて提案されたのがSelf-Guided TTT(S-TTT)だ。2段階構成で、まずモデル自身に長文脈の中から質問に関連しそうな部分を原文のまま抜き出させ(Stage 1)、その部分だけを使って次単語予測(次にくる単語を当てさせる、通常のAI学習と同じ方式)で一時的に学習させる(Stage 2)。最終的な回答生成は元の文脈全体を見て行う。 Qwen3-4B-Thinking-2507とLlama-3.1-8B-Instructの両方で検証したところ、ベースモデルは一貫して上回り、ランダムに断片を選ぶ手法や文脈全体を使う手法など既存のTTT手法に対しても総じて上回るか同等の成績を残した。最大では15%の相対的な改善を達成している(Qwen3-4B-Thinking-2507、LongBench-v2の64k〜128kトークン帯域で正解率30.7%→35.3%)。 パープレキシティ(次単語の予測しにくさ)やエントロピー(予測の不確実性)が高い部分を選ぶより、モデル自身が「質問に関連しているか」で選ぶ方が明確に優れていた点も興味深い。難しい部分を学ばせればいいわけではなく、質問との関連性を見極める判断力そのものが効いているらしい。

📚 リポジトリ全体のドキュメントを、図つきで自動生成。最大140万行・8言語に対応し、DeepWikiを上回る品質を出すAIフレームワークCodeWikiです（ACL 2026採択）。 タイトル: FSoft-AI4Code/CodeWiki URL: 📦 概要 CodeWikiは、ソフトウェアリポジトリ全体に対して包括的なドキュメントを自動生成する、AI駆動のフレームワークです。単純なAPIリファレンスにとどまらず、アーキテクチャ図・データフロー図・シーケンス図・散文の説明を含む「システムレベル」の文書を作ります。大規模・多言語のコードベースで、ドキュメントを最新かつ完全に保つという課題に取り組みます。 ❓ 解決する課題 従来のドキュメントツールはスケールと文脈の扱いが苦手でした。CodeWikiは、モジュール間の相互依存の文書化、規模を保ったままのアーキテクチャ文脈の維持、孤立した部品ではなくシステム全体の相互作用を捉えること、という3つの核心課題に取り組みます。 🛠 方法論と提案手法 3段階で動作します。 ・階層的分解：動的計画法に着想を得たアルゴリズム的クラスタリングで、コードベースを一貫したモジュールに分割します ・再帰的マルチエージェント処理：複雑なモジュールにはタスクを動的に委譲する適応的なエージェントシステムを使います ・マルチモーダル合成：テキストと視覚成果物（Mermaid図）を統合し、図はNode.jsで検証します ・Python・Java・JavaScript・TypeScript・C・C++・C#・Kotlinに対応し、Claude# CodeやCodex CLI経由でトークン課金なしに実行できます 🎯 ユースケース 大規模・多言語コードの「生きたドキュメント」生成、新メンバーのオンボーディング資料、GitHub Pages互換のインタラクティブなHTML出力などに使えます。 📊 実験結果 ・独自評価CodeWikiBenchで、高水準言語（Python、JS）が79.14%、マネージド言語（C#、Java）が68#.84%の品質スコアを記録しました ・DeepWiki比で+4.73ポイント改善し、22.9万行のOpenHandsプロジェクトで82.45%を達成しました ・GitHubスター1.2k、フォーク193、ACL 2026採択で、8.6万〜140万行のコードベースを扱えます ・リポジトリ自身のドキュメントもCodeWikiで生成されており、その実力を体現しています #AIエージェント# #DevTools#

先日投稿したコスプレ写真について、ご報告とお詫びがございます。 まず初めに、この度は零玖れく様（@ re90ku）に多大なご迷惑とご不快な思いをさせてしまいましたこと、心より深くお詫び申し上げます。 私が投稿した写真は、ファンの方から「背景を加工した写真」として受け取ったものでした。しかし、投稿後、その画像が実際には零玖れく様のお写真をAIに読み込ませて生成された画像であることが判明いたしました。 今回の経緯として、先日のコスプレ配信中に私が「部屋が汚く、そのままでは写真を投稿できない」と話していた際、ファンであるゆなさんから「加工してあげる」と言っていただき、配信画面のスクリーンショットを元に加工した画像を受け取りました。 私は、それを配信中のスクリーンショットを背景や体型など加工した画像だと思い込み、十分な確認をしないまま投稿してしまいました。しかし実際には、零玖れく様のお写真をAIに読み込ませて生成された画像でした。 ですが、どのような経緯があったとしても、AIが身近に利用できる現在、その内容を確認せず、自分の写真として多くの方へ発信してしまった責任は、投稿者である私にあります。 結果として、零玖れく様のお写真を無断でAIに使用した画像を、あたかも自分の写真であるかのように投稿し、零玖れく様へ多大なご迷惑とご不快な思いをお掛けし、深く傷つけてしまいました。 また、その投稿をご覧になった皆様にも誤った認識を与えてしまいましたことを、深くお詫び申し上げます。 今回の件を重く受け止め、今後は第三者から受け取った画像を安易に投稿することはせず、必ず内容を十分に確認した上で責任を持って発信いたします。また、今後投稿する写真につきましては、自身で確認・加工したもののみを使用いたします。 改めまして、零玖れく様（@ re90ku）に心より深くお詫び申し上げます。 この度は誠に申し訳ございませんでした。

企画でもなんでもないのですが、入力したキャラのX風SNSのアカウントが表示できるGPT画像生成用プロンプト良かったら使ってください☺️ イラスト1枚をアップして以下のプロンプトで生成してみてくださいね。 -------- 添付画像のキャラクターを分析し、 このキャラ本人が実際に使っていそうな 「SNSプロフィール画面（X風）」 を生成してください。 🔖 入力項目（ユーザーが入力する部分） キャラ名：【キャラ名】 読み方：【読み方】 職業・立場：【職業（例：高校生／OL／冒険者／魔法使い／アイドルなど）】 任意：性格・個性：【キャラの雰囲気や口調の方向性（例：明るい／おっとり／ツンデレ／人見知り など）】 ※性格欄は空欄でも構いません。 ※入力がある場合は、プロフィール文に“要素を抽出して短くアレンジ”して反映し、 　投稿文の口調・距離感・絵文字の癖にも反映してください。 ※性格欄の文章をそのままプロフィールに出さないこと。 🧩 生成する内容 ① プロフィール画面（X風UI） アイコン（参照画像の雰囲気を反映） ヘッダー画像（職業・世界観に合う“らしい”画像をAIが選ぶ） 表示名（キャラ名） ユーザーID（前半はそれっぽく、後半は「●」「×」「＊」「□」などでモザイク処理） 例：@ao_mo●●●●、@mio_ch×× プロフィール文（性格欄の内容を“短くアレンジ”して反映） 例：性格欄が「おっとりで優しい性格」→「おっとり気味ののんびり屋です🌿」 絵文字の使い方もキャラ性に合わせる フォロー数・フォロワー数（職業に応じて自然な数値） ② 固定ポスト（1件） キャラの“らしさ”が最も出る投稿。 ③ 直近の投稿（3〜5件） 性格欄の内容を 口調・語尾・絵文字・距離感 に反映 参照画像＋職業＋性格から読み取れる生活感・感情の癖を反映 「このキャラなら本当にこういう投稿しそう」な内容にする ④ キャラが投稿した画像（1〜2枚） キャラの性格・趣味・職業から自然に想像できる写真 自撮り／風景／食べ物／趣味の写真など 投稿文との相性も考慮 参照画像の雰囲気を壊さない範囲でAIが選ぶ ⑤ おすすめユーザー（3人程度） 表示名は 「ありそうでなさそうな架空の名前」 IDは前半だけ“それっぽく”、後半は必ず伏字でモザイク処理 プロフィール文は短く、キャラ性を感じる一言 実在ユーザーと一致しないようにする ⚠ 重要ルール（破綻防止＆安全性） 性格欄の文章をそのままプロフィールに出さない。 → 必ず“要素を抽出して短くアレンジ”する。 投稿文には性格欄の内容を反映してよい。 キャラ名の読み方は【読み方】欄を絶対に優先し、 一般的な読みに勝手に変換しないこと。 ID・おすすめユーザーIDは必ず伏字を含め、実在ユーザーと一致しないようにする。 テンプレ文禁止。キャラ固有の人格を最優先。 職業によって文体・生活感・投稿内容が変わるようにする。 顔と雰囲気は参照画像を維持。 アスペクト比 9:16。

# Antigravityの機能と実践的な使い方 🚀 たった1回の API 呼び出しで、コードを書き・実行し・Web を見るエージェントを起動できたら。SDK と Managed Agents はそれを現実にします。 📌 タイトルと機能のURL タイトル: SDK / Managed Agents URL: 📝 概要 Antigravity SDK は、Google 製品を支えるものと同じエージェントハーネスへプログラムからアクセスする手段です。Managed Agents は Gemini API の一機能として提供され、1回の API 呼び出しで隔離された Linux サンドボックス上にエージェントを立ち上げ、推論・ツール呼び出し・コード実行を行わせます。 🔧 機能の説明 SDK と Managed Agents は、エージェントを「組み込み可能な部品」として扱えるようにします。 ・隔離実行環境: 各インタラクションは専用サンドボックスを生成し、その中でコードが安全に実行されます ・ステートフルな永続環境: 生成された環境はファイルや状態を保持したまま、後続の呼び出しで再開でき、マルチターンの作業を初期化なしで継続できます ・カスタムエージェント定義: Markdown ファイルで挙動を記述し、Google AI Studio Playground のテンプレートから素早く始められます ・基盤モデルは並列実行に最適化された Gemini 3.5 Flash で、Interactions API や AI Studio と統合されます 🛠 実践的な使い方 ・Managed Agents は Gemini API 経由で呼び出し、1コールでエージェント環境を起動します ・SDK を使えば独自のエージェント挙動を定義し、自分たちのインフラ上にホストできます ・AI Studio Playground のカスタムエージェントテンプレートを土台に、用途に合わせて拡張します ・前回の環境を再開して、ファイルや作業状態を引き継いだまま処理を続けます 🎯 ユースケース ・1コールで隔離サンドボックスのエージェントを起動し、デプロイ自動化エージェントを構築する ・コード実行・ファイル操作・Web 閲覧を伴うバックエンド処理を、社内ツールに組み込む ・ステートフル環境を活かし、複数ターンにわたる調査やビルド作業を継続実行する ・SDK で定義したエージェントを自社インフラにホストし、運用要件に合わせて配置する ⚠️ 注意点 ・Managed Agents は Gemini API のサーフェスであり、利用には API キーと課金有効なプロジェクトが前提です ・各インタラクションが環境を生成するため、サンドボックスのライフサイクルとコストを意識した設計が必要です ・コード実行・Web 閲覧を伴う以上、権限と入力の検証を怠らないでください #Antigravity# #Agents#

Claude Codeでそんなにトークンをガンガン使って何を作ってるんですか？とよく聞かれます。職種や部門ごとに作るべきものは様々ですが、マネジメントも含めて全員にオススメなのは「パーソナルエージェント」と「パーソナルナレッジベース」です。 パーソナルエージェントは自分の秘書のような存在で、毎朝モーニングブリーフィングとしてカレンダーの予定や未完了タスクや未読メールなどをピックアップして通知させたり、面接や会議、会食などの事前ブリーフィング資料をつくらせたり、日程調整をサポートさせたりします。 例えば会食だと、事前に同席する人の会社概要や直近のトピックス、その方の経歴や最新の発信、関心領域をDeep Researchにかけて調べたりしますよね。それをパーソナルエージェントが自動で実行するようにして、まとめたレポートを自分のみに権限設定したGoogleドキュメントに出力させて、Googleカレンダーの予定に添付させます。これはとっても便利。※もちろん、社内データを扱う場合はアクセス権限や保存先などのガバナンスをきちんと設計することが前提です スケジュール調整なら、自分の好みを教えこんだ予定調整をしてもらえます。細かな移動時間を考慮させたり、金曜日は集中したいからなるべく入れないとか、面接や登壇はパワーを使うのでその後の予定はなるべくソフトにするとか、スコアリングロジックを自分好みに作り込むと提案の精度がとてもよくなってきます。 候補日を複数仮で入れて、決まったら確定させて仮の候補日を消すなどの日程調整系サービスがやるようなこともSkillを作れば自在にやってくれます。これを作り込んでからはあまりによすぎて調整系サービスを使わなくなりました。 パーソナルナレッジベースは、自分に関連するコンテキストやデータをためておき、RAG的に自由に質問したり、Deep Research的にレポートをつくったり、ダッシュボードアプリをつくったり自在にできるようにするものです。 Gemini Notebook(旧NotebookLM)でも同じようなことはできますが、ノートブックごとのソースファイル数に制限があったり、自分独自のデータ取得・加工フローをつくりこめない、出力の動作ロジックがブラックボックスでカスタマイズできないなどの不便さもあり、自作すると手放せなくなります。 関連するデータをわかりやすくフォルダに分けてダウンロードしておくだけでも、最近のモデルはいい感じに解析・動作をしてくれますが、データが増えてくるとカオスになりがち。 オススメは、「メダリオンアーキテクチャ」を採用することです。メダリオンとはオリンピックのような金・銀・銅メダルに由来する意味ですが、データをとにかく溜め込むBronze層、データを解析・構造化・正規化して扱いやすい形に整えるSilver層、KPI化や集計・分析などを行うGold層の三層に分け、欲しいアウトプットを生成させます。 例えばBronzeには取得したPDFやメール、議事録などの原本をそのまま保存し、Silverでは人物・企業・会議などの単位に構造化・正規化。Goldでは用途に応じてKPI化や集計・分析したデータを保存し、それをもとにレポートやダッシュボードなどを生成する、といったイメージです。 データ分析基盤のとてもベーシックなアーキテクチャですが、これを使うだけでデータ量がかなり増えても破綻しにくくなります。Bronze層は取得したPDFやPPTX、XLSXなどのデータそのものを触らず保存しておくことで、Silver層のロジックを変えてもいつでも再生成できることがポイントです。 この二つを作り込んでいくと、どんどんと大規模になっていきAIレベルがガンガン上がっていくはず。開発を効率化するためにloop engineeringやgraph engineeringに近いことをやりたくなってきて、関連ツールを自作したりと連鎖が止まらなくなって、つくりたいものだらけになります。 kubellの社内では「CEO’s AI Boot Camp」と題して私がコンテンツを作成したClaude Codeワークショップを定期開催しています。そのコンテンツのメインが、今回ご紹介したパーソナルエージェントとパーソナルナレッジベース。 小さくつくるのはそこまで難しくないので、毎日の業務の中から少しずつ育てていけるのがポイントです。ぜひ、チャレンジしてみてください！

🔎97万4,980円の箱が価格.comのデスクトップ2位に入った | NVIDIAが700ドル上げた理由も、買われる理由もメモリだ $NVDA $MU 価格.comのデスクトップパソコン売れ筋ランキング、8月14日から20日の集計で2位に入っているのは97万4,980円の製品だ。1位はHPの12万5,170円のタワー。約5万件が並ぶカテゴリで、その2位にレビューは1件も無い。 NVIDIA $NVDA のDGX Spark である。GB10 Grace Blackwell Superchipを積み、FP4で1 PFLOPを出す机上のAI開発機だ。このランキングは実売台数ではなく、製品ページのアクセス数とショップへの遷移から推定した販売数を週ごとに足したものだ。税込97万4,980円は7店舗の最安値になる。それでも、10万円台が並ぶ表の2番目に100万円近い箱が座っている。 この機械の値段がメモリでいくら動いたかを、NVIDIA自身が一度だけ金額で言っている。 2026年2月、同社は開発者フォーラムに「2/23/2026 Price Change Announcement」と題した告知を出し、DGX Spark Founders Editionの希望小売価格を3,999ドルから4,699ドルへ改定した。 > The MSRP for DGX Spark (Founders Edition) has been adjusted from $3,999 to $4,699 due to memory supply constraints > （NVIDIA Developer Forums, 2026年2月） 同じ告知に、ハードウェアや構成の変更は一切ないと明記されている。既存の注文には旧価格を適用するとも書いた。中身が1バイトも変わらないまま、700ドル、率にして17.5%が乗った。 会社はどの部材とも書いていない。この機械にHBMは載っておらず、積んでいるのは128GBのLPDDR5x、273GB/sだ。スマートフォンやノートパソコンに入るのと同じ系列になる。TrendForceが5月14日に置いた見通しでは、2026年4〜6月期のLPDDR5Xの契約価格は前四半期比78〜83%高い。予測値だが、700ドルを乗せた後も同じ系列が上を向いていたことは示す。 その128GBが、いま買われている理由でもある。 Poolsideのコーディングモデル Laguna S 2.1 は、総パラメータ117.6B、1トークンあたり8.5Bが動くMoEだ。NVFP4に量子化した重みは約71GB。Hugging Faceのモデルカードは、これが128GBの1台で動くと書く。vLLMでNVFP4のまま回した生成速度は、コードで毎秒22〜24トークンだ。71GBを載せるのに64GBでは届かない。128GBという刻みが要る。値上げの理由に会社が挙げたのはメモリで、買う理由になっているのもメモリの容量だ。 日本の店頭も動いた。日経クロステックは4月27日に「販売店にもよるが、2026年3月末時点では大体70万〜80万円といったところだ」と書いている。その5か月弱あとの最安値が97万4,980円だ。希望小売価格は2月の改定以降4,699ドルのままで、その後の改定は公表されていない。パソコンの値段は普通、発売から時間が経つほど下がる。 700ドルの反対側にいるのがMicron $MU だ。5月28日に締めた四半期で、スマートフォンとPC向けを合算したMobile and Client Business Unitの売上は115億2,100万ドル、全社414億5,600万ドルの27.8%を占めた。前年同期は32億5,500万ドルで、セグメントの粗利率は24%から87%へ動いている。LPDDR5X単体の採算ではない。ただし同四半期の製品ハイライトには、1-gamma 16Gb LPDDR5Xの量産立ち上げが並ぶ。量産している主な会社はSamsung、SK hynix、Micronの3社で、四半期ごとにドル建てで数字が出るのはMicronだ。 決算の設備投資額は、数量と単価を分けて書かない。買った側の損益計算書では、多く買ったぶんも、同じ量を高く買ったぶんも、一つの金額に溶ける。 分けて読める数字が一つだけ、店頭にある。中身は変えていないと会社自身が書いた製品に乗った700ドルだ。 崩れる場所もはっきりしている。8月末に締まるMicronの第4四半期でMobile and Client Business Unitの粗利率が87%から落ち、同じ時期にDGX Sparkの店頭価格も緩むなら、主導権は売り手から買い手へ動き始めている。粗利率は製品構成でも動くので、片方だけでは決まらない。 それまでは、増えた投資額のどこまでが同じ量への値上げなのかを、決算より先に机の上の値札が教える。 🤘情報提供 Stock Slayer :