TL;DR ローカルで完結するWindows/Linux向けデスクトップアプリで、PDFやOfficeファイルをAI向けのクリーンなMarkdownに変換します。スキャンPDF用のOCRも内蔵し、トークン消費を最大6分の1に抑えられます。 タイトル: MDFlux URL: ポイント 📄 PDF・DOCX・PPTX・XLSX・EPUB・HTML・CSV・JSON・XML・画像・音声など幅広い形式に対応 🔍 スキャンPDFも読み取れる内蔵OCR（RapidOCR）を搭載 📦 フォルダ単位の一括変換に対応し、並行処理で高速化 🔒 初回セットアップ後は完全オフライン動作、既定でクラウド送信なし 🧹 クリーンアップはオフ・ルールベース・AI（ローカル/API）から選択可能 ⚡ ビジョンモデル利用時と比べトークン数を2〜6倍削減（スキャンページは5.7倍） 🛠 Tauri 2（Rust）+ Svelte 5構成、Microsoft製MarkItDownをベースに構築 社内文書をRAGパイプラインに流す前処理として、プライバシーを保ったまま使えるのが良いところだと感じます。 #ドキュメント変換# #OCR#

会計AIエージェントBasis BDDみたいなことをやっている ・パートナーシップ税務申告を、人の30〜40時間 → 6〜7時間（約6倍速） ・ポイントはbehavior spec= 期待する挙動をMarkdownで書き、別のAIが○/×/対象外で採点 ・答えの正誤と、過程の質は切り離して測る

話題のHermes Agent、何がそんなに刺さってるのか整理すると ・タスク経験をMarkdownのスキルとして自己生成 ・セッションをまたいで記憶が残る ・モデルは好きなものに差し替え可能(200以上) ・$5のVPSでも動く、暇なら休眠 ・TelegramやSlackから話せる 自前サーバで育てる相棒、って感じでしょうか。

長時間動くAIエージェントが抱える「コンテキストの腐敗」問題に、LangChainが5つの具体的な処方箋を示しました。 タイトル: Context Engineering with Deep Agents: How To Remember Without Keeping Everything In Context URL: 🧩 解決する課題 エージェントが指示・ツール結果・ファイルを蓄積し続けると、やがてコンテキストウィンドウの容量を超え、推論の精度が落ちてしまいます。情報過多で以前の知識が薄れる、人間の記憶にも似た現象です。 💡 5つの手法 オフロード（大きな結果をファイルシステムに退避）、サマライゼーション（古いメッセージを要約しファイルに保存）、スキル（必要な時だけ完全な指示を読み込む段階的開示）、サブエージェント（ノイズの多い作業を隔離されたコンテキストに任せる）、長期記憶（markdownファイルでセッションを越えて学習内容を保持）という5つの補完的な技術で、情報を「捨てずに」管理します。 🔧 テクニカルな特徴 これらはすべてエージェントループにフックされた「ミドルウェア」として実装されており、約2万トークンを超える結果や5万トークンを超えるユーザーメッセージを自動的にファイルへオフロードします。記憶はユーザーが管理するプレーンファイルとして存在するため、モデルプロバイダーを切り替えても学習内容を保てます。 📊 ユースケース 5社の競合分析レポートを作る「市場調査エージェント」の例では、蓄積される生データや検索結果、ドラフトの反復版が、最終レポート作成時の推論品質を落とさないようにコンテキストエンジニアリングで守られています。 #AIエージェント# #コンテキストエンジニアリング#

エンタープライズRAGの「文書チャンキング」問題を、コスト95.7%削減しながら解いた手法が発表されました。 タイトル: D-RAC: Document Retrieval-Aware Chunking URL: 📌 概要 PDF・DOCX・PPTX・スキャン画像などバラバラな企業文書を、いったんPDFに正規化してからマルチモーダルLLMで検索最適化Markdownに1回だけ変換し、そのあとはID単位で決定的にチャンク計画を立てる4段階パイプラインです。 ❗ 解決する課題 従来のルールベース抽出は表や見出し階層を壊してしまい、精度重視のエージェント的チャンキングは文書全体を再生成するためコストが高くつくというジレンマがありました。 🛠️ 方法論・提案手法 表を列見出し付きの1文にする「行レベル散文化」、見出し階層の再構成、ID配列だけを渡すチャンク計画など、検索精度とコスト効率を両立する設計を随所に採用しています。 📊 実験結果 236文書・795ページの評価で、出力トークンを95.7%削減しつつRecall@6は0.798とエージェント的手法（0.795）やルールベース（0.717）を上回りました。処理時間も75%短縮しています。 🏢 ユースケース 自動車・銀行・クラウドなど複数業界の文書で安定した性能を確認しており、本番のエンタープライズRAGパイプラインへそのまま組み込みやすい設計です。 #RAG# #ドキュメント処理#

# Antigravityの機能と実践的な使い方 🚀 「いつものレビュー手順」をエージェントに毎回説明するのはもう終わり。Skills は知識を1ファイルに固めて再利用可能にします。 📌 タイトルと機能のURL タイトル: Skills URL: 📝 概要 Skills は、エージェントの能力を拡張する再利用可能な知識パッケージです。中心となる SKILL.md にスキルの内容・使うべき場面・実行手順を記述することで、コンテキストウィンドウを圧迫せずにタスクを一貫したやり方で実行させられます。 🔧 機能の説明 Skills の核は SKILL.md という1つの Markdown ファイルです。 ・SKILL.md はスキルの「脳」であり、「これは何か」「いつ使うか」「どう実行するか」をエージェントに伝えます ・必須ファイルは SKILL.md のみですが、スクリプト・例・リソース用ディレクトリなどを同梱できます ・グローバルスコープ ~/.gemini/antigravity/skills/ に置いたスキルは、そのマシンの全プロジェクトで利用できます ・「Format JSON」「Generate UUIDs」「Review Code Style」など、汎用ユーティリティの共有に向いています ・小さな Markdown を書くだけで、よく使うプロンプトをチーム向けの再利用可能なコマンドに変えられます 🛠 実践的な使い方 ・code-review スキルを用意し、PR レビューやコード品質チェックの際にバグ・スタイル・ベストプラクティスを自動で確認させます ・チーム共通のレビュー手順を SKILL.md に落とし込み、~/.gemini/antigravity/skills/ に配置して標準化します ・スクリプトや例を resources としてスキルに同梱し、手順を具体化します ・プロジェクト固有の作法はワークスペーススコープ、汎用ユーティリティはグローバルスコープと使い分けます 🎯 ユースケース ・チームのコードレビュー基準を code-review スキルとして標準化する ・JSON 整形や UUID 生成といった頻出の小タスクをスキル化して即呼び出す ・デバッグの定石手順をスキルに蓄積し、誰が使っても同じ品質で実行する ・社内の作法やチェックリストを SKILL.md にまとめ、新メンバーへ自然に展開する ⚠️ 注意点 ・必須は SKILL.md のみですが、「いつ使うか」を明確に書かないとエージェントが適切に発火しません ・グローバルスコープに置くと全プロジェクトへ影響するため、汎用性の低いものはワークスペース側に置くのが無難です ・スキルはコンテキストを節約する設計思想なので、1スキルに詰め込みすぎず役割を絞ると効果的です #Antigravity# #AIcoding#

最近試して、かなり良かったレポート作成術。 PoCの作業ログをSlackに残し、成功・失敗・保留などのタグを付ける。 PoC終了後、そのスレッドをSlackbotでCanvas化し、「ケースごとに成功例・失敗例を整理して」と指示。 CanvasをGoogleドキュメントへ移し、Markdownで書き出す。 そのMarkdownをConfluenceのRovoに渡して、報告書として再構成してもらう。 最後に画像やムービーを追加し、内容を確認して完成。 これでConfluence向けレポートの制作時間が、体感で従来の1/3ほどになった。1時間程度で、きちんと読める報告書まで持っていける。 関連リンクまで比較的きれいに引き継がれるのも大きい。 もちろん、元になるSlackログが雑なら、最終成果物も良くならない。 これは文章を水増ししたり、体裁だけ整えたりする方法ではない。 PoC中に残した一次情報を、段階的に整理・圧縮・再構成するパイプラインだ。 「金曜までにPoC、翌週月曜にレポート」が、週内で片付くようになる。 これはかなり助かる。

# Codexの機能と実践的な使い方 📝 毎回プロンプトに同じ前提を書くのは卒業しましょう。AGENTS.mdは、ビルド手順やコード規約をCodexに恒久的に覚えさせる「階層的な指示書」です。 🏷️ タイトル: 階層的プロジェクト指示（AGENTS.md） 🔗 URL: 📘 概要 AGENTS.mdは、Codexが作業を始める前に読み込む永続的な指示ファイルです。プロジェクトの規約・ビルドコマンド・コードスタンダードをMarkdownに書いておくと、Codexが自動的に発見して適用します。現在地に近いファイルほど優先される「層」の仕組みが特徴です。 ⚙️ 機能の説明 Codexは厳密な優先順位で指示チェーンを組み立てます。 ・グローバル（`~/.codex/`）: まず `AGENTS.override.md`、次に `AGENTS.md` を確認 ・プロジェクト（Gitルートから現在地まで）: 各階層で `AGENTS.override.md` → `AGENTS.md` → カスタムのフォールバック名の順に確認 ・マージ: ルート側から順に空行をはさんで連結し、後（＝現在地に近い側）のファイルが先のものを上書き 合計サイズが `project_doc_max_bytes`（既定32KiB）に達した時点で追加を停止します。命名は次の通りです。 ・`AGENTS.md`: 標準の指示ファイル ・`AGENTS.override.md`: 一時的な上書き用（同じ階層で優先される） ・フォールバック名: `project_doc_fallback_filenames` で `TEAM_GUIDE.md` などを指定可能 🛠️ 実践的な使い方 役割ごとに置き分けると効きます。 ・`~/.codex/AGENTS.md`（全体共通）: 「JS変更後は必ず `npm test`」「`pnpm` を優先」など個人の普遍的な好み ・リポジトリ直下の `AGENTS.md`: lint基準・ドキュメント方針・レビュー基準などチームの規約 ・サブディレクトリの `AGENTS.override.md`（例: `services/payments/`）: 親の規約を消さずに、特定領域だけ上書き 設定が反映されているかは `codex --ask-for-approval never "Summarize the current instructions."` で確認できます。 💡 ユースケース モノレポで、決済サービスだけ別のテストコマンドやレビュー基準を強制したい、といったときに `services/payments/AGENTS.override.md` を置くだけで、その配下に入ったときだけルールが切り替わります。GitHubの `@/codex review` でも、ここに書いた「Review guidelines」が適用されます。 ⚠️ 注意点 Codexは実行のたびに指示チェーンを組み直すため、キャッシュのクリアは不要です。内容が古く見えるなら対象ディレクトリで起動し直してください。空ファイルはスキップされ、存在しないフォールバック名は無視されます。`CODEX_HOME` 環境変数は既定のプロファイル位置を上書きします。 #OpenAICodex# #AGENTSmd#