概要 本書を通して、ソフトウェアテストの知識・技術を体系的に学びます。そしてその中でテストによって次の課題にどのように対応していくか学び、現代的なソフトウェア開発に対応するため総合力・基礎力を強化します。 開発成功や顧客満足実現をどう支えるか 開発の高品質と高スピードの両立を支えるアプローチとは アジャイルや継続的デリバリー、DevOpsの導入にどう対応するか テスト自動化といったテスト技術導入を成功させるには チーム全体でテストを推進していくためには 定番のテスト失敗要因に対しマネジメントでどう対策すべきか こんな方にオススメ テストエンジニアやQAエンジニアにこれからなる人 テストに疎いが、テストに関わることになった開発者やマネージャ 旧来のテストと、モダンな開発現場で求められるテスト技術のギャップに悩んでいる人 個々の担当ごとのテストの遂行はできているが、それらを連携させた、チーム全

はじめに 昨今、AI の進化により、様々な分野での応用が進んでいます。特に、自然言語処理(NLP)の分野では、RAG( Retrieval-Augmented Generation)が注目されています。RAG は、情報検索と生成を組み合わせた手法であり、特に大規模言語モデル(LLM)と組み合わせることで、その性能を大幅に向上させることができます。 また、NativeRAG や GraphRAG, AgentRAG などさまざまな RAG のバリエーションが登場しており、これらは特定のユースケースやデータセットに対して最適化されています。 今回は、RAG の基本的な概念から、RAG のプロジェクトの進め方、精度向上の方法に至るまで詳しく解説します。 みなさんの GenAI Application の開発に役立てていただければ幸いです。 本記事は 5 万文字を超える大作となっております。 お時

Pen-based Interaction - Lecture 4 - Next Generation User Interfaces (4018166FNR)

Vibe Coding とはなんでしょうか？ はじめに提唱した Andrej Karpathy 氏はこう言っています。 参考程度に意訳をば。 私が Vibe Coding と呼んでいる新しいコーディングスタイルがあります。それは完全にバイブに身を任せ、指数関数的な変化を受け入れ、コードが存在することさえ忘れてしまうものです。これが可能なのは、LLM（例えば Sonnet を使った Cursor Composer）があまりにも優秀になっているからです。また、私は SuperWhisper を使って Composer と会話するだけなので、キーボードにほとんど触れません。「サイドバーのパディングを半分に減らして」のような、面倒くさくて自分で調べることが億劫な些細な修正をお願いします。常に Accept All を選び、差分は読みません。エラーが出たら、単にエラーのみをコピペするだけで、たいてい

みなさんは NotebookLM 使ってますか？ 今までなにかの調査をするのに「DeepResearchが一番！」と思い使ってきたのですが、 NotebookLMを初めて使ってみて「NotebookLM、最高じゃん…」となりました。 具体的には、調査系のタスクをする上で下記の点が良かったです！ ⭐️ 1度ソースをまとめると、疑問点が浮かんだときに何度も聞ける。 DeepResearchだと一度の調査に時間がかかる上、「この観点抜けてたな」と思い尋ねるとさらに時間がかかったりします…。 NotebookLMもはじめにソースをまとめる手間はありますが、一度まとめるとスムーズに疑問点を解消できます。 少し前に検索機能も追加され、より手軽にまとめられるようになりました。 DeepResearchの結果をソースとして使用するのも良さそうです。（※下部のコメントにて紹介いただきました！） ⭐️ ソース

最近話題のModel Context Protocol(MCP)に関して、社内の勉強会(部内)で利用した資料を公開します！ ざっくり以下の内容が入っています！ プロトコル仕様 AWS MCPの話 開発方法

こんにちは、エムスリーエンジニアリンググループ、コンシューマチームの園田です。本記事では、外部サービスとAIエージェントの連携を可能にするMCPプロトコルについて、技術検証の実装例を交えてお話しします。 1. MCPとは（ざっくり） MCP（Model Context Protocol）とは、Anthropic社によって策定されたAIエージェントが外部サービスから情報を参照したり連携することを目的としたプロトコルです。 「MCPサーバー」は、GitHubやPostgreSQLといったリソースをMCPで喋れるように変換してあげるプロキシのようなサーバーです。 Claude DesktopやCursorなどはMCPクライアントの機能があり、GitHubなどのMCPサーバーを利用してナレッジとして利用したり、プルリクエストの作成なども行えます。 Introduction - Model Cont

このシリーズでは、Claude や Windsurf Casade などの AI を強化する「MCP（Model Context Protocol）」の導入方法と活用テクニックを、初心者にもわかりやすく解説していきます。様々なMCPサーバーを活用して、AIとの協働作業をより豊かなものにしていきましょう！ シリーズ目次 👉 MCPの概要と導入方法 Filesystem MCP Server： AIでローカルファイルを扱う YouTube MCPサーバー：動画の内容を取得 mcp-pandoc： AIでドキュメント形式を変換 GitHub MCPサーバー： AIでリポジトリを管理 Figma MCP：デザインとコードを効率的に連携 Slack MCPサーバー：チームコミュニケーションを強化 Firecrawl MCP：スクレイピングでウェブ情報を取得・分析 Markdownify MCP S

（3/31追記）執筆後運用していてわかったこと：この記事では、プロジェクトの情報を全てMDファイル化し、それらを結合することでrulesファイルを生成する運用を提案しています。 しかし、運用を続けてみて（+他の有識者さんの見解を参考にすると）、rulesを必要以上に膨らませない方がいいことが分かりました。大事なものに絞ることでコンテキストをシンプルに保った方がよいです。（今後のモデルの性能によってはどうとでも変わる可能性がありますが。） プロジェクトの状態に合わせてMDファイルをアップデートする（育てる）こと自体は変わらず推奨しますが、「その中のどれを抽出してrulesとするか」には十分お気をつけください。 また、本題とは別の話ですが、RulesよりもLLMに与えるタスクを小さく保って適切なコンテキストをプロンプト内で@参照させることが最も大事です。 こんにちは、しば田です！ この記事では

Manus is a general AI agent that bridges minds and actions: it doesn't just think, it delivers results. Manus excels at various tasks in work and life, getting everything done while you rest.

Scrum Fest Fukuoka 2025

Workers Tech in Osaka #02 後々 Zenn で詳しく公開予定です！

こんにちは。AI・LLM事業部エンジニアの@koseiと申します。note.layerx.co.jp AI・LLM事業部ではお客さまの幅広い業務を効率化するためのプラットフォーム型のプロダクト「Ai Workforce」を開発しています。 getaiworkforce.com Ai Workforceは「AIワークフロー」（以下、WF）という、LLMやルールベース処理を組み合わせた一連のアルゴリズムを持っており、業務ごとに異なるWFを作ることで多様なユースケースを実現しています。WFは複数のLLMの呼び出しを組み合わせて構成されており、その１単位を本記事では「タスク」と呼ぶことにします。 私は普段お客さまごとのWFの開発や、Ai Workforce自体の開発を行っています。 今回は、LLMが100%の正解は出せない前提で、どのようにお客さまの実務に価値を届けるか、WF開発で試行錯誤してきた

これなに 前から欲しかったCLIツールがあり、Clineに作らせることにした。 せっかくなのでClineのみで開発した肌感覚が欲しくて、結果として＄100かかった血の記録を残す。 前提 Fork版ではなく、本家のClineの話をする。 公式ドキュメントを読まずに突っ走ったので、現場ノウハウ的な内容ではある。 Amazon Bedrockでの費用感を試したかったので、以下のモデルを利用した。 Claude 3.5 Sonnet Claude 3.5 Haiku Clineの位置づけ Clineの基本的な知識及び2024年末までの状況は、この記事で理解できる。 .clinerules プロジェクト固有のシステムプロンプトは、Clineではclinerulesファイルに記述する。個人用のSetting >> Custom instructionsとは位置づけが異なる。 .clinerulesはル

これなに これを書いた後にClineが盛り上がってきたので、また書きたくなった。二番煎じをやめろ。 大枠では変わってないので軽めのTips集です。 前回から変わった点 一か月前(2025/2/3)に書いた時から状況が変わっている ハイブリッド推論モデルとして、Claude 3.7 Sonnetが公開(2/24) Clineのアップデート .clineignoreによる読み込み対象からの除外 @terminal, @gitによるコンテキスト理解の改善 MCP Marketplace mizchiさんの魂が震えた モデル選定(2025/03) 利用経験のあるモデルを主観的にランク付けしている。 Tier1(基本これでいい) Claude 3.7 Sonnet Tier2(サブ機) Claude 3.6 Sonnet Claude 3.5 Sonnet Gemini 2.0 Pro Tier3(

AIは脅威でなくチャンス。 AIと共に進化するエンジニアの成長戦略 / geeksai-2025-spring

今や、AIを活用してソフトウェア開発すること自体は一般的になり、一種のブームと化している。 しかし、Web上で見かけるのはワンショットでテトリスを作る程度の小規模なプロジェクトの話がほとんどで、驚けるものの、正直あまり実用性は無いように感じる。 俺たちが本当に知りたいのはテトリスの作り方じゃねえ！現実の中規模以上のシステム開発で、いかに楽に良いものを作れるかだろ！ ということで、まずは弊社から現時点のノウハウを全公開しようと思う。 弊社ではCursorを1年以上活用（サービスがGAになったタイミングから全社員で利用）しており、一定のノウハウを蓄積してきている自負がある。ただ、あくまで一例ではあるので、ぜひみなさんの現場での活用事例も共有してほしい！ 免責事項AIエディタでの開発は、LLMとAIエディタの進化に伴い、常に変化している。 そのため、この記事で述べる方法論は、現時点での、弊社での

CI まで一式動いてるのがここ pglite は postgres を wasm コンパイルしたもの。 これを deno + drizzle からマイグレーションして叩く。 なぜこの組み合わせか ローカルにAIエージェント用の簡単なDBツールを量産したかった。deno でスクリプトを書きまくってるので、 deno を前提に色々試した。 色々試したのだが、最終的に Pglite で Postgres を叩くことにした。インストールが不要で、DB周りのセットアップが一番手数が少ない。手数の少なさを最重要とした。 最低限これだけでいい。 import { PGlite } from "npm:@electric-sql/pglite"; const db = new PGlite(); // `{dataDir: ...}` で初期化パスを渡せる await db.exec("create ta

DeepSeek-R1: 世界最高推論性能のOSSモデル こんにちはYosematです。 中華系のAI技術が進化していますね。OpenAIなど研究開発を進めて手法が確立されてきたタイミングで参入することで莫大な試行錯誤のコストを節約しお安いコストで仕上げている印象を受けています。 今日はぶっちぎりの話題性を誇るDeepSeek-R1について解説します。一般の読者が「お気持ちはわかった」状態になることと関連分野をかじってる人が「完全に理解した」状態になることを目指します。 DeepSeek-R1とは DeepSeek-R1は OSSの大規模言語モデル OpenAI o1に並ぶ性能を示す推論モデル 強化学習頼みで進化したモデル です。 APIも公開されていますがOutput Tokenあたりの値段はo1に比べて20倍以上安いです。 利用者目線でのすばらしさや社会に与える影響の考察は他の記事に譲