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 AIハーネス
AIハーネス 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
AIハーネス を含む検索結果
AIセキュリティのCoWorker、社員のAI利用を守る“ウイルス対策ソフトのAI版”「CoWorker AIハーネス」を提供開始
アンドドットの営業担当者が自社AIハーネスを活用し、日本青年会議所(JC)の防災アプリ「マモルカ」を開発
ServiceNow、従業員中心のAIハーネスの第3世代を発表 従業員が自身の業務に求められるAIを構築・活用可能に
「Japan IT Week 秋 2026」にてCTO高根沢が登壇、業務をAIに任せる「AIハーネス」の実運用データを公開
TL;DR: 単一のエージェント・ハーネスではスケールしないという課題に対し、ハーネス自体を自動構築・進化させるオープンソースのマルチエージェント・エコシステム「Raven」が登場しました。 タイトル: Raven: The Harness of Harnesses for Composable Agentic Intelligence URL: ポイント 🧩 モデルとハーネスの組を「構成の単位」として扱い、Host Agentがタスクを分解して専門エージェントへDAG形式で割り当てる 🧠 EverOS(記憶)とSkill Forge(スキルの取得・再利用)で、過去の経験をタスク横断的に活用 🔬 誤り率が操作ごとに単純加算されるという「構成健全性定理」を証明し、XORタスクの具体例で組み合わせが個々のエージェントの能力を超えうることを実証 📊 新設ベンチマークMAOBの4指標すべてで1位。Exact Matchでは最強ベースライン比+10.4〜10.5ポイント改善 🛠️ Raven-Research/Code/Design/Oncallの各専門エージェントもベースラインを一貫して上回る 🔁 実行トレースから失敗を診断しハーネスを自己進化させる仕組みも、モデルを凍結したままドメイン横断で性能向上を確認 理論と実証の両輪でマルチエージェント構成の「なぜ効くのか」を示した点に意義を感じます。 #マルチエージェント# #AIハーネス#
もっと見る
半期ごとに某所から頂く定点観測アンケートにお答えしましたのでこちらでもシェアします。 ----- Q1. 投資の注力フェーズは? グロースバイアウト Q2. 起業家の“層の厚み”と“裾野の広がり”、1年前と比べてどうか? 層の厚みは変わらず、ブートストラップ勢が増加。シニア含む起業のカジュアル化により裾野は広がっている。 Q3. 注目しているセクター/トレンド 高市17分野。特に防衛、フィジカルAI、レアメタル、IP。経済安保 or ジャパンtoグローバルの領域。 Q4. いま日本のスタートアップを取り巻く環境で、一番「詰まっている」のはどこだと思いますか? シリーズC(及びそれに準ずるDやE)手前。 シードアーリーの期待値に沿ってPMFを済ませシリーズB後にGTM拡張が滞りキャズムに嵌った層が大量にリビングデッド化しつつある。創業8-12年あたり。セクターモメンタムが去りスモールIPOexitが消えるという環境変化の中に起業家の熱と才能がロックインされている。 Q5. その閉塞感を破る動きとして、注目している・またはご自身で仕掛けている打ち手はありますか? セクターモメンタムが去った上でも残っている本質的なアセットとケイパビリティを駆使して、新たなナラティブに転換するお手伝いをする起業家伴走を重ねています。新ナラティブに沿った施策の先行KPIを確認して、事業成長に適した買い手へのM&Aサポートやグロースバイアウトファンドとしての投資とバリューアップを行います。 Q6. その他、感じていること AIのハーネスレイヤーで従来型SIerに先行して市場シェアを獲得する国内プレイヤーが多数生まれることを期待しています。LayerXや燈等に続くB2B AI企業のクラスター化。
もっと見る
【Codex完全解説講座|ハーネス設計から、資料・LP・社内アプリ作成まで】 ■ お申し込み(アーカイブあり) 前回のClaude Codeハーネス入門講座に続き、今回はCodexです。Claude Codeもニーズが多いので、今後も講座を続けていきます。 どちらにも大事なのが「ハーネス=AIが仕事を進めるための環境設計」。 最新モデルが話題になる一方、自分の業務に合わせて環境を整え、細かな設定まで確認できている方は、まだ少ないと感じています。 ・指示ファイルに何を書き、どこに置くか ・繰り返す仕事をどうSkillsにするか ・ブラウザやMCPをどう使うか ・Hooksや権限をどう設定するか ・成果物をどう確認するか 毎回同じ説明をする。素材の場所を何度も伝える。完成と言われても、開くと使えない。 こうしたつまずきを減らし、自分の仕事で使える状態まで整える講座です。 ■ 当日やること Codexの主要機能と設定を解説し、資料・LP・社内アプリの制作を実演。みなさんも自分の業務から題材を1つ選び、手を動かします。 Claude Codeの指示やSkillsを引き継ぐ際の確認ポイントも扱います。 ■ 事前学習・参加特典 ・事前学習動画3本(合計約27分) ・指示ファイル・Skillのひな型、依頼文セットなど基本特典9点 ・「初めてのCodex 完全教科書【PDF版】」 PDF教科書は最新情報を反映し、講座終了後の当日中にお送りします! ■ 開催情報 ・10月3日(土)12:00〜14:00 ・オンライン(Zoom) ・本編・実習90分+質疑応答30分 ・早割は先着50名 当日参加できない方にも、期間限定アーカイブと全特典をご案内します。 Codexをまだ使いこなせていない方、設定を見直したい方、仕事で使える資料やアプリをつくりたい方。 ぜひ一緒に手を動かして、環境を整えましょう🔥
もっと見る
# AIエージェントをソフトウェアに組み込むプラクティス # Eval Harness|評価ハーネス 🎯 プロンプトを変えたら品質が下がっていた、モデルが更新されていつの間にか精度が劣化していた――気づいたのはユーザクレームの後でした。評価ハーネスがあれば、デプロイ前に検知できます。 🔥 解決する課題 AIエージェントは確率的であり、コードの単体テストのように全入力に対して正解が決定論的に定まりません。ハルシネーションは個別の目視確認では検出しきれず、LLMドリフト(プロバイダ側のモデル更新による品質変動)は自チームが何も変更していなくても発生します。評価ハーネスがなければ、品質劣化は本番のユーザクレームとして初めて顕在化します。 💡 提案パターン ゴールデンデータセット(入力と期待出力のペア)と自動評価関数(完全一致・LLM-as-Judge・カスタムメトリクス)を組み合わせた評価パイプラインを構築します。プロンプト・モデル・コードの変更ごとにCIで回帰検知を行い、変更がなくても日次〜週次の定期実行でLLMドリフトを検知します。評価はオフライン(デプロイ前バッチ)、オンライン(本番サンプリング)、シャドウ(A/B比較)の3層で実施します。回帰ゲートの閾値は安全性カテゴリでは劣化0件を推奨します。 ✅ 選定条件 使うとき: - エージェントが本番トラフィックを処理し、プロンプト・モデル・コードを継続的に変更する - 品質変化を定量的に示す必要がある(SLA遵守・規制報告等) - ゴールデンデータを作成・維持できるドメイン知識がある 使わないとき: - プロトタイプ段階でプロンプトが日単位で大幅に変わる - 出力がクリエイティブ生成(小説・詩)で正解の定義が困難 - 後段に決定論的検証ロジックがあり誤りが自動修正される ⚠️ 落とし穴 - ゴールデンデータは腐敗します。仕様変更に伴い期待出力が古くなると正しい出力が「回帰」と判定されます。オーナーと最終更新日を付与し定期棚卸ししてください - LLM-as-Judgeも確率的です。温度0でも判定が揺れる場合があるため、重要ケースでは3回実行の多数決を検討してください - ベースラインスコアの更新タイミングを明示的に定めておかないと、劣化が見えなくなります 🔧 実装方針 - ゴールデンデータセット(入力と期待出力のペア)にカテゴリ・評価関数名・期待キーワードを構造化して定義し、カテゴリ別に集計・回帰判定します - 評価パイプラインはオフライン(CI上でのデプロイ前バッチ)、オンライン(本番サンプリング)、シャドウ(新旧A/B比較)の3層で運用します - 回帰ゲートはベースラインとの相対比較で判定し、安全性カテゴリでは劣化0件、一般カテゴリでは概ね2%以内の劣化を閾値とします - シャドウ実行では副作用を持つツール実行をドライランにし、カナリアデプロイではsticky sessionで同一ユーザーを同一バージョンに固定します - ゴールデンデータにオーナーと最終更新日を付与し、仕様変更に伴う腐敗を定期棚卸しで防止します #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
AIエージェントの性能はモデルだけで決まらない——ハーネスの設計次第で大きく変わります。 TL;DR JIT-Agentはタスクの特性に応じてエージェントハーネス(スキャフォールド)をジャストインタイムで自動生成・修復・進化させる専用モデルです。GLM-5.2で+7.7pt、DeepSeek-V4-Flashで+8.8ptの平均向上を達成し、9ベンチマーク中8つでGPT-5.6を含む全フロンティアモデルを上回りました。 タイトル: Scaling Harness Intelligence via Just-in-Time Harness Evolution URL: ポイント 🧩 ハーネスを「学習可能なアーティファクト」として定式化 メモリ・計画・アクション・能力オーケストレーションの4モジュールプロトコル h = (M, P, A, F) でハーネスを形式化。生成空間を制約しつつ13種類の既存ハーネスを全て表現できる設計です。 🎓 教師あり→修復→進化の3段階訓練 ステージIで教師生成ハーネスを学習、ステージIIで実行失敗時の修復を学習(最大2反復)、ステージIIIのEvo-GDPOでパレートフロンティアを前進させる新規ハーネスを進化的に探索します。 📊 精度向上とコスト削減を同時達成 xBench-DeepSearchでスコア78→82(+4pt)の一方、トークン消費は527K→212K(▲60%)、コストは$0.075→$0.039(▲48%)。9ベンチマーク平均で固定ハーネス比36%のトークン削減を実現しています。 ⚡ 複数モデルファミリーに転移可能 JIT生成ハーネスはDeepSeek V4(+10.2pt平均)、Mimo V2.5(+8.6pt)、Qwen 3.6(+4.0pt)でいずれもReActを上回り、ハーネス生成器を再訓練せずに転移できます。 🔄 ストリーミングモードで運用中も進化 デプロイ後もタスクシーケンスをまたいでハーネスを蓄積・更新する「オンライン進化」を実装。静的生成より全評価ベンチマークで上回ります。 ベースモデルのスケーリングと独立した「ハーネス知性」という新たなスケーリング軸の提案として注目です。 #AIエージェント# #LLMスケーリング#
もっと見る
AI コストを決める要素 1. LLM モデルの最適化 2. キャッシュ効率 3. 良いハーネス #oreilly_chomado_findy#