コーディングエージェントに「コード専用の検索エンジン」を持たせる、という発想のAPIが公開されました。一般的な検索と違い、公式ドキュメントだけを対象にしているのがポイントです。 タイトル: Context7 Search: A Grounding API for Coding Agents URL: 📝 概要 1回のGETリクエストで質問を送るだけで、Context7が適切なライブラリを自動選択し最適なコード片を返す新しいSearch APIです。 ❗ 解決する課題 一般的な検索エンジンはコード検索時に古い情報や不正確な情報が混ざりやすく、従来のContext7も1ライブラリずつしか検索できない制約がありました。 ⚙️ 方法論 公式ドキュメント・製品サイト・APIリファレンスなど一次情報源のみを対象にし、インデックス化前にマルウェアやプロンプトインジェクションをスキャン。各結果にライブラリIDとソースURLを付与して出典を明示します。 🔧 ユースケース 「Next.jsのルートハンドラーからOpenAIレスポンスをストリーミングするには?」のような1つの質問で、複数ライブラリのコード片をまとめて取得可能。IDEプラグインやコードレビューボットへの組み込みも想定されています。 💰 料金 Freeプランは月1,000コールまで、Proプランはユーザーあたり月5,000コールまで、それ以降は1,000コールあたり10ドルです。 #AIエージェント# #開発者ツール#

【ニュース】Steamのゲーム開発者向け“サムネの映え確認”無料ツール登場。自分のゲームの看板画像、ストアの一覧でちゃんと目立つか一発チェック

開発者の生産性指標であるDORA、SPACE、DevExを統合したDX Core 4の解説記事からメモ。 ・開発者の生産性測定は難しく、ダッシュボードの海に溺れてしまうリーダーが多い ・DORAやSPACEといった指標のどれを使えばいいか迷う企業も少なくない ・そこで記事で提唱しているのが、それらを統合したDX Core 4というフレームワーク ・スピード、有効性、品質、ビジネスインパクトの4つの次元で構成 ・重要な特徴は、複数の次元を組み合わせることで指標のゲーム化を防ぐ点 ・例えばエンジニアあたりのDiff数は、単独で使うと開発者の恐怖を煽りやすい ・ただ、これを開発者体験の指標（DXI）などと組み合わせることで、有用なシグナルとして活用できる ・データ収集には、システム指標に加えて自己申告による計測の併用を推奨している ・システムからのデータ抽出のみに頼ると、ツールの統合などに膨大な時間がかかってしまうため ・なので、自己申告データを利用して素早くベースラインを作るのは1つの手

AIツールを使っても、良いソフトウェアを作るには開発者自身の技術理解と判断力が不可欠だ、という主張記事だった。 ・ただフライパンに肉を置くだけのステーキ調理に、スキルはほとんど要らない ・だが、本当に美味しいステーキを安定して焼くのは非常に困難 ・AIを使った昨今のソフトウェア開発も、これと同じ状況になりつつある ・誰もがAIに指示を投げ、想像通りの完璧なソフトウェアが出てくることを期待している ・しかしAIは熟練のシェフではなく、単なるレシピ実行機にすぎない ・運が良ければAIは素晴らしいコードを出力してくれる ・ただ、堂々と黒焦げの炭を出して「これはミディアムレアだ」と言い張ることもある ・これで困った人は、高価なAIプロダクトや新しいフレームワークに課金して解決しようとする ・しかし、そうしたサービスの裏側でも結局は同じAIが料理をしていることが多い ・AIは反復作業を自動化し、開発を大幅に高速化できる ・一方で、品質を定義し、トレードオフを判断することはAIにはできない ・技術的には正しくても本質的に間違っているコードを見抜くのは人間の役割 ・結局のところ、望む結果を安定して得るには、自分自身でソフトウェアを深く理解して学ぶしかない

AIコーディングツールの指数関数的なコスト増をいかにコントロールしていくかについてのdatabricks記事。（一部引き算して読む感じ） ・AIコーディングツールは生産性を劇的に向上させる ・しかし、それに伴ってコストも指数関数的に増大している ・放置すれば、AIによる恩恵がコストで相殺される ・そのため、最高性能ではなく、コスパに優れた効率性フロンティアの追求が必要になっていく ・具体的な対策の筆頭は、より安価で効率的なモデルへの移行 ・特定のモデルへの依存を防ぐため、メタハーネスを導入して柔軟性を確保する ・また、タスクの難易度に応じて安価なモデルと高性能モデルを動的にルーティングする手法も有効 ・予算管理において、利用上限でアクセスを完全に遮断するのは悪手 ・これは、最も生産性の高い開発者の足を引っ張ってしまうため ・代わりにコストを可視化し、閾値を超えたら安価なモデルへダウンシフトさせる仕組みが望ましい ・さらに、不要なコンテキストを削ってトークン消費を抑えることも大事に ・また、プロンプトキャッシングを活用することで、コストを大幅に削減できる （で、Unity AI Gateway というプロダクトの宣伝になるので、以下は略）

# Hermes Agentの機能と実践的な使い方 🚀 開発者がエージェントと向き合う日常の窓口がCLIです。リポジトリ直下で `hermes` と打つだけで、対話・スラッシュコマンド・ワンショット実行まで全部こなせます。 📌 タイトルと機能のURL タイトル: CLI URL: 📝 概要 Hermes CLIはターミナル対話インターフェースです。会話ストリーム・固定の入力欄・現在のモデルやトークン使用量を示すステータスバーで構成され、スラッシュコマンドで挙動を細かく調整しながら作業できます。対話モードのほか、単発質問やセッション再開にも対応します。 🔧 機能の説明 ・起動モードは、対話（`hermes` または `hermes chat`）、単発質問（`hermes chat -q "..."`）、再開（`hermes --continue` / `hermes --resume `）があります。 ・ステータスバーはモデル名・トークン使用量（例 12.4K/200K）・色分けされたコンテキスト残量・推定コスト・圧縮回数・バックグラウンドタスク数・経過時間を表示します。 ・スラッシュコマンドが豊富です。`/model`（モデル切替）、`/personality`（人格切替: helpful, concise, technical, teacher など）、`/voice on|off|tts`、`/reasoning high`、`/background `、`/sessions`、`/usage`、`/tools`、`/status` などがあります。 ・長い会話はコンテキスト上限に近づくと自動要約（圧縮）され、既定で先頭3ターンと直近20ターンを保持して中間を要約します。 🛠 実践的な使い方 ・起動フラグで挙動を変えられます。`--model` / `--provider` でモデル指定、`-s`（`--skills`）でスキルのプリロード、`-w` で隔離されたgit worktree、`--tui` でモダンUI、`--yolo` でツール承認の自動許可です。 ・複数行入力は `Alt+Enter` / `Ctrl+J`、外部エディタ起動は `Ctrl+G`、エージェント中断は `Ctrl+C`（2秒以内に2回で強制終了）です。 ・`~/.hermes/config.yaml` の `quick_commands` にLLMを介さず実行するシェルコマンドを定義し、`/status` のように呼び出せます。 ・`busy_input_mode` を steer にすると、作業中の入力を `/steer` で現在の実行に注入できます。 🎯 ユースケース ・リポジトリ直下で「テストが落ちてる原因を調べて直して」と依頼し、進行を見ながら `/model` や `/reasoning` で調整する。 ・`/background` で並列の隔離セッションを立て、別タスクを同時進行させる。 ・`hermes chat -q "..."` を使い、スクリプトやパイプラインからワンショットで呼び出す。 ⚠️ 注意点 ・`Shift+Enter` の改行は端末依存で、標準のWindows TerminalやmacOS ・`/background` セッションはメインの会話履歴から完全に独立しており、前景の文脈を一切共有しません。 ・CLIは可読性のため最終応答からMarkdownの囲みや装飾を取り除きます（コードブロックやリストは保持）。音声モードは対応端末が必要です。 #HermesAgent# #DevTools#

AI時代のエンジニアリング組織論 ■ 開発工程のボトルネックはコーディングから製品設計とコードレビューへ移行する リーガルAIのLegoraは、創業18ヶ月でARR1億ドルを突破し評価額56億ドルに達した最速のB2B企業である。CTOのヤコブ・ラウリツェンは、AIツールにより従来のボトルネックだったコーディングのコストは劇的に低下したと語る。現在、開発の真の制限要因は、顧客ニーズを製品設計へ落とし込む作業と、生成されたコードのレビュー工程へ移行している。そのため、同社はPMが顧客との対話に集中できる時間を守り、エンジニアをシステム設計に特化させている。 ■ トークンの消費量競争は開発組織を歪ませる無意味な評価指標である 多くのエンタープライズ企業が陥る失敗が、開発者評価にAIトークン消費量を持ち込むことである。トークン消費を可視化するリーダーボードを作ると、エンジニアは評価のためだけに無意味にトークンを浪費し始める。ラウリツェンはこの「トークンマクシング」を愚策と一蹴し、AI使用量そのものを報酬評価にしてはならないと警告する。組織が評価すべきは開発効率と実際のアウトプットの質であり、デモ等を通じて効率化の工夫を共有し合う環境こそが不可欠である。 ■ 開発者体験に特化した専門チームの設置が組織全体の生産性を最大化する 同社は、わずか80名のエンジニアでAccelやBenchmark、NVIDIA等から8億ドル以上を調達した。現在、Legoraのコードの50%以上はCursorやClaudeなどのAIツールにより生成されている。この開発速度を維持するため、同社は3名の開発者体験（DevEx）専門チームを早期から設置した。彼らは、エンジニア1人あたり最大10個の自律コーディングエージェントを回し、独自のCIレビューボットを開発して全員の開発を支援している。結果としてエンジニア全員が約20%効率化し、新人の即戦力化も劇的に加速した。 ■ 複雑度の低い社内ツールは購入するよりバイブコーディングで自社開発する AI開発において、同社は社内ツールの導入基準として、機能の広さと複雑度の深さという2つの軸を設けている。既存製品を購入するよりも、複雑度が低く自社専用のカスタマイズが必要なシステムは、バイブコーディングで自作する方が安価になった。特に人事管理やオンボーディングシステム、データ移行アプリなどは、AIを使って自立的かつ高速に自社開発することが推奨される。汎用ツールに頼る手間を省き、社内のAIイネーブルメントチームが直接プロトタイプを開発して課題を瞬時に解決している。 ■ 組織を急成長させるためにはエゴのない優秀な人材の密度を高める Legoraが競合を圧倒して超高速成長できた最大の要因は、優秀なAプレイヤークラスのエンジニア密度を極限まで高めたことだ。特に5〜8人規模のスタートアップチームを丸ごと買収するアクハイヤー戦略は、高いチーム開発力を一瞬で取り込む上で効果的だった。この統合を成功させたのは、役職やタイトルへの執着を一切排除する「ローエゴ（低自己愛）」の徹底した採用基準である。ラウリツェンは、最も優れた成果を出せる者が役割を担う機動的な文化を築き、エゴの排除が企業の成長速度を決めると実証している。

🤔 「AIエージェントを作るのは難しくない。でも、本番で動かし続けるのは別の話だ。」──エージェント開発者なら、誰もがこの壁に当たったはずです。 Why Managed Agents Are the Next Big Thing in Agent Building 2022年末にLangChainが登場してから、エージェント開発は急速に進化してきました。初期のAutoGPTの熱狂から、LangGraphやGoogle ADKによる精緻なフレームワークの時代へ。そして2025年に入ると、モデルの能力が臨界点を超え、「ツールを呼び出しながら自律的にループするLLM」という基本形が現実のものとなりました。Claude Code、Deep Agentsといった専用ハーネスの登場は、その完成形への一歩でした。 🌊 しかし、ここで大きな問題が浮かび上がります。エージェントを本番環境で"動かし続ける"ためには、LLMの賢さだけでは足りないのです。信頼性のある実行環境をどう構築するか。失敗したエージェントをどう再開させるか。コードをどう安全に実行させるか。ユーザーへのUXをどう設計するか──開発者はモデルとは全く別の、インフラの泥沼と格闘してきました。 LangChainの創業者 Harrison Chase はこの1年間の学びを結晶化し、「マネージドエージェント」というコンセプトを提唱します。本番エージェントに必要なのは、ビジネスロジック・ハーネス・インフラの3層だと整理し、そのうちインフラ層をまるごと引き受けるのがManaged Deep Agentsです。ランタイム管理、イベントストリーミング、サンドボックス、メモリ、認証、評価ツール──かつては自前で構築するしかなかったすべてが、プラットフォームとして提供されます。Anthropicの「Claude Managed Agents」やVercelの「Eve」も同様の方向へ向かっており、エコシステム全体がインフラの民主化という潮流に入りつつあります。 エージェント開発者がビジネスロジックだけに集中できる時代が、ようやく到来しようとしています。 #AIエージェント# #LangChain#

AIが「チームメイト」として職場に入ってくると、何が実際に壊れるのか。ある企業への実地調査が生々しい摩擦を明らかにしました。 タイトル: Working with Agentic "Teammates": When a New Organizational Actor Collides with the Human Ecosystem of Work URL: 20以上のチームで5か月・4万1千件超のやり取りを積んだ社内AIエージェント「Team Agent」について、11チーム17名への半構造化インタビューから、人間の職場との衝突を3つの領域で明らかにした研究です。 注目ポイント 📝 暗黙のワークフロー規範を理解できない ドキュメントの版が「ある時点のスナップショット」だと分からず、大量のコメントで開発者の時間を奪ったり、未完成のポスターを無断で共有したり。技術的なアクセス権と社会的な公開許可は別物だという教訓です。 🤔 「ツールか、チームメイトか」で受け止め方が真っ二つ 「人間ではない」と割り切る人もいれば、代名詞を与え「魂がある」と表現するチームも。フレンドリーさや絵文字も、心地よさと拒否感の両方を引き起こしました。 🔓 いきなりのフル権限が信頼を壊す 新入社員のように段階的に権限を獲得することを人は期待するのに、エージェントは最初からフル機能で動きます。強制的な導入は抵抗を招き、監視されている感覚から機微な会話を別チャネルへ逃がす「萎縮効果」も観察されました。 人間向けに作られた組織の仕組みを、そのままエージェントに当てはめてはいけないという指摘に説得力を感じます。 #AIエージェント# #組織論#

エージェントの不具合を「本番で気づく」から「デプロイ前に潰す」へ。LangSmithが新機能を発表しました。 タイトル: LangSmith Engine v2: Red Teaming and Automated Testing URL: 📝 概要 LangSmith Engineは問題の自動検知と修正生成を行うツールで、5月のローンチ以来7,000万件超のトレースを解析してきました。v2では「レッドチーミング」と「修正の自動検証」という2つの新機能が加わります。 ❓ 解決する課題 これまで開発者は、未検証の修正をそのままデプロイするか、手動検証に時間をかけるかの二択を迫られていました。レイテンシ増加や非効率な実行パスといった微妙な劣化も、人のレビューでは見落とされがちでした。 💡 方法論と提案手法 Engineは本番トレースとリポジトリを解析してエージェントの挙動を理解し、ハルシネーションやプロンプト違反を本番投入前に体系的にテストします。さらに、失敗をサンドボックスで再現して修正案を生成し、元の失敗ケースで反復的に検証した上で、通過した解決策だけを人間のレビューに回します。 📊 実験結果 ・問題検知能力がIssueBenchで2倍以上改善 ・生成される修正案の有効性がTerminal-Bench相当の指標で25%向上 🌍 ユースケース LangSmith PlusおよびEnterprise SaaSユーザー向けに提供開始、セルフホスト対応も近日予定。Deploymentユーザー向けにはプライベートベータで提供中です。 #LangSmith# #AIエージェント#