1日5分の呼吸プロトコルが、メンタルという名のOSを瞑想より深くアップデートする。 大げさじゃない。先に説明する。 気分の落ち込みや慢性的な緊張は、精神的な弱さの問題ではない。自律神経(呼吸・心拍・血圧を自動制御するシステム)が交感神経(緊張・警戒モード)側に傾いたままの、構造的な機能不全だ。 多くの人はこれを瞑想で鎮めようとする。だが2023年、スタンフォード大学がその前提を検証した。 Balbanらの研究(2023年、Cell Reports Medicine)は、1日5分×1ヶ月のcyclic sighing(生理的ため息と呼ばれる呼吸法)と、同じ5分間のマインドフルネス瞑想を比較。 気分の改善幅は、cyclic sighing群が瞑想群を上回った。安静時呼吸数の低下幅も大きかった。 理由は構造にある。cyclic sighingは、鼻から深く吸い、もう一度短く吸い足し、口からゆっくり長く吐く、二段階の吸気を持つ。 二段階目で肺胞(肺の中の小さな袋)が再膨張し、続く長い呼気で肺が伸展。その伸展信号が迷走神経(副交感神経の主幹)を活性化させ、心拍を落とす。 瞑想が意識で緊張を鎮める間接策なのに対し、これは肺というハードウェアに直接信号を送り、自律神経を書き換える。 ▼1日5分・cyclic sighingの実装 ・鼻から深く1回吸う ・鼻からもう一度短く吸い足す(肺胞を再膨張させる一手) ・口からゆっくり長く吐き切る(吸う時間の倍以上が目安) ・これを5分間、繰り返す 私は5分×1ヶ月みたいに時間と期間を決めてやっていない。ストレスが襲ってきたときに単発で撃つ。速攻で筋肉の強張りが取れ、眉間の皺が取れる感覚がある。 それを1日の中に散りばめ、もう半年以上実践している。瞑想を試行錯誤していた時より余程安定している。 呼吸は単なる生存のための行為ではなく、ストレスをデバッグする強制介入だ。

ガウディ建築 カサ・ビセンス　1883〜1885年 実業家マヌエル・ビセンスの夏の別荘として建てられた、ガウディ最初期の住宅作品。 イスラム文化とキリスト教建築が融合した“ムデハル様式”の要素を重ねている。 幾何学的な構成と異素材の組み合わせに、後の作品へとつながる若きガウディの試行錯誤がうかがえる。👀 📍Carrer de les Carolines, 20-26, Barcelona　 ⏰4〜10月：9時〜20時　11〜3月：9時30分〜18時

# OpenCodeの機能と実践的な使い方 ✨ 「まず計画、それから実装」。OpenCodeの基本操作を覚えると、AIに安心して任せながら、いつでも変更を巻き戻せる開発リズムが手に入ります。 🏷️ タイトル: @検索・Plan/Build・画像・/undo・/redo 🔗 URL: 📘 概要 OpenCodeの日々の操作は、ファイル参照・エージェントモードの切替・画像入力・取り消し/やり直しといった少数の基本操作に集約されます。これらを押さえるだけで、対話的なコーディングがスムーズになります。 ⚙️ 機能の説明 ・`@`によるファイル参照: メッセージ内で `@` を入力するとファイル名のあいまい検索（fuzzy search）が起動し、対象ファイルを文脈に含めて質問できます。`!` を先頭に付けるとシェルコマンドを実行し、その出力をツール結果として渡せます。 ・Plan/Buildの切替: Planは編集やbashが「ask（確認）」に制限された計画用モード、Buildは全ツールにアクセスできる実装モードです。`Tab` キーで両者を切り替えます。 ・画像入力: 画像をターミナルにドラッグ&ドロップして、エラー画面やデザインなどを視覚情報として渡せます。 ・`/undo`と`/redo`: `/undo` は直前のメッセージとそれに伴うファイル変更を取り消します。複数回実行でさらに前へ戻れます。`/redo` は取り消した変更をやり直します。 🛠️ 実践的な使い方 1. まずPlanモードで `@/src/api/handler.ts のリファクタ計画を立てて` のように依頼し、計画を確認します。 2. 納得したら `Tab` でBuildに切り替え、実装させます。 3. 結果が思わしくなければ `/undo` で巻き戻し、必要なら `/redo` でやり直します。 具体的には `@/src/payment.ts のバグを調べて` のように `@` で参照し、`Tab` でPlanからBuildへ、`/undo` で取り消し（複数回可）、`/redo` でやり直し、という流れです。 💡 ユースケース 影響範囲の大きいリファクタは、まずPlanで方針を固めてからBuildで実装すると安全です。AIの変更が期待と違っても `/undo` で即座に元に戻せるため、試行錯誤のコストが下がります。 ⚠️ 注意点 ・`/undo` はメッセージ単位での巻き戻しです。手動で加えた変更との混在には注意してください。 ・Planモードでも編集が「ask」で許可される構成だと、確認に応じれば変更され得ます。承認時はよく確認しましょう。 ・画像のドラッグ&ドロップ対応はターミナルエミュレータに依存します。 #OpenCode# #AICoding#

# Claude Agent SDKの便利で実践的な使い方 ⏪ エージェントが行ったファイル変更を追跡し、いつでも安全な状態に巻き戻せます。 ファイルチェックポイントは、エージェントが Write/Edit で行った変更を追跡し、`rewind_files()` で任意の時点に巻き戻す機能です。 📌 タイトル：checkpointing でファイル変更を巻き戻す 🔗 URL： 🧩 概要 `enable_file_checkpointing=True` で有効化すると、各ターンの変更が追跡されチェックポイント UUID が発行されます。`rewind_files(checkpoint_id)` で指定時点のファイル状態に復元できます。 🛠 使い方 `enable_file_checkpointing=True` で有効化します。ストリーム中の `UserMessage.uuid` がチェックポイント ID になります。復元は `rewind_files(checkpoint_id)` を呼び出します（CLI では `--rewind-files` フラグ）。 🏗 実践的な使い方 ・リスク操作前に最新チェックポイント UUID を保持し、検証失敗時に直前の安全状態へ即巻き戻します。 ・ターン毎の UUID を配列保存し、「ターン 1 のリファクタは残しつつ、ターン 2 のテスト追加だけ元に戻す」といった選択的ロールバックを実現します。 ・ドキュメントコメント追加後にユーザーへ「巻き戻すか？」を確認する対話的承認フローを構築します。 💡 ユースケース 🛡 検証失敗時の安全な状態への即時復元 🎯 選択的ロールバック（特定ターンのみ巻き戻し） 🔄 試行錯誤サイクルの高速化 ⚠️ 注意点 Bash 経由（`echo >`, `sed -i`）の変更・ディレクトリ操作・リモートファイルは追跡対象外です。会話履歴は巻き戻されません（ファイルのみ）。 #ClaudeAgentSDK# #AI#

AIの使い方が上手すぎるチャンネル見つけたｗｗｗ ◇運用期間約7カ月 ◇登録者10.3万人 ◇総再生4400万回 このチャンネルは元々AIとは関係ない『食』や『栄養』に関する解説ショート動画を投稿していたのだが、1月からAIに路線変更している 元の形式だと差別化が図れず伸び悩んでいる様子だったが、AIを活用し始めた辺りから再生回数が伸びている 透明な人型のモデルの動画をAIで作り、活用し始めてから更に伸びが加速し最終的には1本で700万再生に成功している 動画の構成は単調に解説していくだけでなく、身体の中で行われている活動を他の物事に例えているため見やすい作りになっている また抽象的な現象の解説はAI生成映像との相性もかなり良いため、当チャンネルは伸びるべくして伸びていることが分かる このチャンネルは伸び悩んでいても根気強く試行錯誤を繰り返し、最適な型を見つけている。 大きく伸びた今も新しい型を模索しているっぽい 同じYouTube運用者として参考にしていきたい

【ものづくりワールド ご来場ありがとうございました！】   東京ビッグサイトで開催された 「ものづくりワールド」に、 FUJIMAKI GROUPは7/1（水）、7/2（木）、7/3（金）の3日間、初出展いたしました！ 🔥今回、新たなキャッチコピー🔥
【丸投げは、むしろ嬉しい。】を大々的に発信しました！   今回の初出展に向けて、約半年間にわたり展示内容の企画やブース設計、ノベルティ制作など、何度も試行錯誤を重ねながら準備を進めてきました！ 当日は、多くのお客様に興味を持っていただき、たくさんの方々に当社ブースへお立ち寄りいただけて本当に嬉しかったです😌✨   「丸投げは、むしろ嬉しい。」とは、FUJIMAKI GROUPの生産から加工まで一貫対応できることを表しています！ ブースでは、加工品・金型・3D造形品などの展示サンプルを数多くご用意し、 FUJIMAKI GROUPの技術力や取り組みを直接ご紹介することができました✨ また、準備していたノベルティもすべて配布することができ、多くの皆様に当社を知っていただく貴重な機会となりました💪   今後も「丸投げは、むしろ嬉しい。」というキャッチコピーを通じて、FUJIMAKI GROUPの魅力と強みをより多くの方へ発信し、さらなる認知向上につなげてまいります！   ご来場いただいた皆様、ありがとうございました😊✨   👀新しい製品サイトはこちらからご覧いただけます！   👀パンフレットはこちらからご覧ください！   #ものづくりワールド# #製造業# #金型# #3D造形# #機械加工# #FUJIMAKIGROUP# #丸投げはむしろ嬉しい# #東京ビッグサイト#

🗺️ 最先端のGPT-5でも、現実世界の空間タスクの成功率はわずか14.4%——。静止画を眺めて答えるだけでは測れない、AIエージェントの「能動的な空間推論」の弱さをあぶり出す新しいベンチマークが登場しました。 タイトル: SpatialWorld: Benchmarking Interactive Spatial Reasoning of Multimodal Agents in Real-World Tasks URL: 📝 概要 SpatialWorldは、マルチモーダルLLMが視覚のみの一人称視点で、3D環境を能動的に探索しながらタスクを解けるかを測るベンチマークです。屋内・屋外・デジタルゲームにわたる8つの異なるシミュレータを共通プロトコルで統合し、人手で作った760タスクで15の最先端モデルを評価しました。エージェントは事前に与えられた地図や正解の手順なしに、自分で見て、動いて、判断する必要があります。 ❓ 解決する課題 従来の空間推論ベンチマークは、静的なVQAや録画済み動画による受動的な評価に依存していました。しかしこれでは、エージェントが自ら視点を動かして視覚的な証拠を集め、部分的にしか見えない状況の中でその場で計画を立て直す、という現実世界に必要なインタラクティブな空間理解を測れません。静的なシーンを認識できることと、未知の空間で実際に動いて課題を解けることの間には、大きな隔たりがあったのです。 💡 方法論と提案手法 ・課題を視覚のみのPOMDP（部分観測マルコフ決定過程）として定式化します ・エージェントは自然言語のゴールと、ネイティブ解像度の一人称RGB画像1枚だけを受け取り、深度・地図・意味メタデータは一切与えられません ・行動はナビゲーション、視点制御、物体とのインタラクション、タスク完了を含むテキストベースの高レベルインターフェースで指示します ・屋内（AI2-THOR、ProcTHOR、VirtualHome）、屋外（CARLA、EmbodiedCity）、デジタルゲーム（Block3D、Snake3D、ルービックキューブ）の8バックエンドを統合します ・評価は途中の軌跡の一致ではなく、最終的な終端状態がゴールを満たしたかで判定し、人手で妥当性を確認します ・成功率に加え、人間の参照軌跡と比べたステップ効率も測ることで、効率の悪さも可視化します 🎯 ユースケース 家庭用ロボットや自律エージェントの空間能力を、実環境へ配備する前に統一的かつ公平に評価する基盤になります。ナビゲーションと物体操作を組み合わせた長期タスクのどこでつまずくのかを体系的に診断でき、空間推論モデルの改善に向けた厳密なテストベッドとして活用できます。 📊 実験結果 ・15の最先端モデルを評価し、物理タスクの成功率はGPT-5が14.4%、Qwen-3.5-397Bが12.2%、Gemini-3.1-Proが9.2%、Kimi-K2.5が9.2%にとどまりました ・デジタルゲームではGemini-3.1-Proが39.0%で最高、GPT-5が36.4%と続きました ・複雑さ別に見ると、インタラクションのみのタスクは平均50.2%だったのに対し、ナビゲーションのみは8.6%、両者を組み合わせた複合タスクはわずか4.2%まで急落しました ・成功率が近いモデルどうしでも効率スコアは大きく異なり、多くのモデルが試行錯誤に頼って動いている実態が明らかになりました ・環境ごとにモデルの順位が大きく入れ替わり、全カテゴリを支配する万能なモデルは存在しませんでした #AIエージェント# #SpatialReasoning#

# AIエージェント開発の意思決定ポイント # 計画先行（Plan-then-Execute） vs 逐次推論行動（ReAct） 📝 🎯 ポイント 「未来をどこまで見通してから動くか」-- これはエージェント設計で避けて通れない分岐です。 まず計画を立ててから実行するか、1ステップずつ観察と行動を繰り返すか。計画を明示的な中間成果物として持つかどうかで、承認フロー・コスト制御・デバッグの設計が根本的に変わります。LLMは1リクエストが高コストなので、計画なしの試行錯誤はトークンを浪費します。しかし環境が動的に変化するなら、精緻な計画も実行中に陳腐化します。 📋 概要 Plan-then-Execute（計画先行）は、タスクを受け取ったらまずLLMが実行計画を構造化データ（JSON/YAML）として生成し、計画確定後（必要に応じて人間承認後）に各ステップを順次実行する方式です。ReAct（逐次推論行動）は、LLMが「観察→推論→行動」のサイクルを1ステップずつ繰り返し、全体の計画は暗黙的にLLMの内部推論に委ねる方式です。 🔍 意思決定のポイント **タスクの変動性（task_variability）** を主軸に判定します。 📊 **環境の動的さによる判定**: - 静的（実行中にデータや外部状態がほぼ変わらない） → Plan-then-Execute - 半静的（大枠は安定だが一部で状態が変わりうる） → Plan-then-Execute＋逸脱時の再計画 - 動的（各ステップの結果が次の選択を大きく左右する） → ReAct 📊 **タスクの性質による判定**: - 手順が定型で人間が事前に承認したい → Plan-then-Execute - 手順は概ね分かるが細部は実行時に決まる → Plan-then-Execute（粗い計画＋実行時微調整） - 手順自体が不明で探索的に進める → ReAct **failure_cost** が高い場合（不可逆操作を含む場合）は Plan-then-Execute に強く倒す動機があります。 💡 要点と詳細 🟢 **Plan-then-Executeの強み**は透明性と制御性です。計画が明示的な中間成果物であるため、実行前に人間が「この手順で大丈夫か」を確認できます。不可逆な操作を含む計画を事前に検証でき、安全性を確保できます。デバッグでも「計画が間違っていたのか、実行が間違っていたのか」を分離して調査できます。計画段階で不要なステップを刈り込めるため、トークン消費の抑制にも有効です。弱点は計画の陳腐化で、環境変化時に再計画のメタループが発生しうるため、再計画回数に上限（2〜3回）を設ける必要があります。 🟡 **ReActの強み**は適応性です。環境の変化にステップ単位で対応でき、予期しない状況にも柔軟に反応できます。計画を立てる余裕がないほど動的な環境や、手順が不明で探索的に進めるタスクに適しています。実装もシンプルで、計画の生成・保存・検証・再計画のインフラが不要です。弱点は予測不能性とコストで、LLMが何ステップ踏むか事前にわからず、自己ループのリスクがあります。 ⚖️ トレードオフ | 観点 | Plan-then-Execute | ReAct | |---|---|---| | 透明性 | 計画が明示的な成果物 🟢 | 暗黙的（LLM内部推論） 🔴 | | 人間の承認 | 計画全体を事前承認可 | 各ステップごとに介入が必要 | | コスト制御 | ステップ数で上限見積り可 | 事前にわからない | | 環境変化への適応 | 再計画が必要（コスト増） | ステップ単位で対応 🟢 | | デバッグ | 計画と実行を分離して調査 | 全ステップログの解析が必要 | | 実装複雑性 | 計画インフラが必要 | ループ制御のみで動作 | 🛠️ ユースケース 🔵 **Plan-then-Executeが向くケース**: 不可逆操作を含む処理、人間承認が必要なワークフロー、コスト予測が重要な処理、手順が定型的なタスク。 🔴 **ReActが向くケース**: デバッグ・調査、動的に変化する環境での処理、手順が不明で探索的に進めるタスク、プロトタイプ開発。 📌 **デフォルト戦略**: 計画先行（Plan-then-Execute）で、計画は人間が編集可能にしてください。最も実用的な折衷は「計画先行＋逸脱時のみ再計画」です。まず計画を立て、各ステップの実行結果が期待と大きく異なる場合にのみ再計画を発動します。再計画では失敗情報を添えて新しい計画を生成するため、同じ失敗を繰り返しにくくなります。再計画回数の上限は2〜3回が目安です。 #AIエージェント# #ソフトウェアアーキテクチャ#

🔧 ツール利用エージェントの学習データ、実は「答えを先に作る」方が効率的だったという発見です。 タイトル: ToolGrad: Efficient tool-use dataset generation with textual "gradients" URL: Google Researchが提案したToolGradは、従来のツール利用データセット生成の順序をひっくり返す手法です。注目ポイントを3つ紹介します。 🔄 アンサーファーストという逆転の発想 ユーザー指示を先に作って解決策を深さ優先探索で見つける従来手法とは逆に、検証済みのAPIワークフローを先に構築し、そこからユーザープロンプトを逆算します。試行錯誤が要らないため生成が効率的です。 📝 テキストで表現する「勾配」 数値の勾配の代わりに、API実行レポートから得た自然言語のフィードバックを「テキスト勾配」として使い、Proposer・Executors・Selector・Updaterという4モジュールでワークフローを段階的に構築していきます。 🏆 商用トップモデルに匹敵する性能 小規模データセットでファインチューニングしたToolGrad-12Bは、Berkeley Function Calling LeaderboardでGemini 2.5 ProやClaude 4.5 Opusに匹敵する83.1点を記録し、GPT-5を上回りました。 低コストなデータ生成が、そのまま実用レベルのエージェント性能に直結するのが印象的です。 #AIエージェント# #ツール利用#

ウィスコンシン大学マディソン校とUCサンタバーバラ校の研究チームが、複数のAIエージェント同士が協力する場面で「探索」がうまく機能していないことを示す論文を発表した(https://arxiv[.]org/pdf/2607.11250)。 まず単純な設定で確かめている。1つのAIエージェントに、成功確率60%のピアAと50%のピアBのどちらかへ作業を繰り返し委任させる「2本腕バンディット」問題(手持ちの選択肢を試行錯誤しながら良い方に絞り込んでいく、探索と活用のトレードオフを扱う古典的な意思決定問題)を50ラウンド行わせた。理想的には最初は両方を試しつつ、徐々に成功率の高いピアAへ寄せていくのが正解になる。ところがQwen2.5-7B、GPT-4、GPT-5のいずれも、最初の数ラウンドでどちらか一方に固定してしまい、そのまま50ラウンド動かなくなる「早すぎる決め打ち」を起こした。比較用に置いた古典的な探索アルゴリズムUCB1(不確実性の高い選択肢を楽観的に評価し、試行回数を自然に分散させる手法)はきちんと両方を試しながら徐々に絞り込んでおり、対照的だった。 著者らはこれを「マルチエージェント探索問題」として定式化し、部分観測確率ゲーム(POSG、各プレイヤーが相手の能力や状態を完全には観測できないまま、同時に意思決定を繰り返すゲーム理論の枠組み)としてモデル化した。興味深いのが、エージェントに「探索と活用のバランスを取れ」とプロンプトで明示的に指示するだけの手法(In-Context Exploration)が、複数の文書をまたいで証拠を集めないと解けない質問応答ベンチマークHotpotQAを使い10体のエージェントに文脈を分担させた設定では、ランダムにピアを選ぶより成績が悪くなったことだ。プロンプトで頼むだけでは探索は直らず、構造的な仕組みが要ることを示している。モデルの種類が異なる4体(GPT-5、Qwen2.5-7B、Llama3.1-8B、Mistral-7B)を混ぜ、大学院レベルの専門知識を問う難しい選択式ベンチマークGPQAで解かせた実験でも同じ傾向が出た。最も強いはずのGPT-5でさえ、297回の相互作用のうち294回をQwen2.5-7Bに固定し、他のエージェントをほとんど試さなかった。 そこで著者らが提案するのがMACE(Multi-Agent Contextual Exploration)。各エージェントの選択を文脈付きバンディット問題として扱い、ピアの回答が自分と違うか(応答の多様性)、他のピアと比べて特徴的か(ピア間の異質性)、過去の成績はどうか、といった関係性を特徴量にしてLinUCB(不確実性ボーナス付きで期待報酬を推定する手法)でピアを選ばせる。HotpotQAで学習したパラメータを、追加学習なしで別の質問応答ベンチマーク2WikiMultihopQAに転用しても全ベースラインを上回った。理論面では、MACEの累積後悔(最適な選択との差の総和)がO(√(T log T))に収まる一方、探索しない貪欲な方策はΩ(δT)の後悔を負うと示されており、δはエージェント間の能力差の大きさを表す。エージェントが多様であるほど、探索の価値は際限なく大きくなる計算だ。 個々のモデルの賢さを積み上げても、「誰に何を聞くか」を決める仕組みが伴わなければ組織としての精度は頭打ちになる、という指摘として読める。