サクサク読めて、
アプリ限定の機能も多数！
アプリで開く
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
こんにちは、しば田です！ この記事では自分がProject Rulesをどのように運用しているかを書いていきます。 設定ではなく運用という表現が近いです。 注意事項 以下に語る運用が正解かは分からないです。1つの参考程度にお読みください。 Cursorのアップデートでこの記事は一瞬で陳腐化する可能性があります。ご了承ください。 TL;DR まずは結論から。現時点での僕の考えるベスプラは以下です。 日々アップデートして育てる 育てやすい構成にしておく 複数のmdファイルの中身を結合するスクリプトを作ってmdcファイルを生成する mdcファイルの参照ルール（Auto Attach、Description、alwaysApply）には落とし穴があるので気をつける この運用のメリット エージェントのパフォーマンスが地道に改善されていく チームで共有できるようになる 自分の運用のサンプルを以下に置い
Scrum Fest Fukuoka 2025
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.jpAI・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.comAi 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(
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"; constdb = new PGlite(); // `{dataDir: ...}` で初期化パスを渡せる awaitdb.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
Over the past year, we've worked with dozens of teamsbuilding large language model (LLM) agents across industries. Consistently, the most successful implementations weren't using complex frameworks or specialized libraries. Instead, they werebuilding withsimple, composable patterns. In this post, we share what we’ve learned from working with our customers andbuilding agents ourselves, and give
巷では「AIエージェント」のワードをよく見かける一方、何をAIエージェントと定義するのか自分もフワっとしていたので、2024年12月20日に公開されたAnthropicの「Building effective agents」の記事を読んでみました。 「AIエージェントの定義ははっきりと定まっていません」みたいな文言は方々で見ますが、各社がどういう見解でそのワードを使っているのか、なんとなく理解することはできます。 ちなみに、以下の「うたたね / Masaki Otsuki」さんの記事では各社がどのような位置付けとしているのかがまとまっており、私も勉強させていただきました。ありがとうございます。 ※本記事ではAnthropicの記事に焦点を絞り、記事の内容を元に記述しています。 エージェントとワークフローの違い ワークフロー: LLMとツールが事前定義されたコードのパスを通じて調整されるシス
TL;DRperplexity のスペースは情報源をURLとファイルで登録できる →質問するとそこを優先的に検索 →githubや公式サイト、ドキュメントを登録する →ソフトウェアの調べものがはかどる! 注意点: 日本語で質問すると日本語で検索しようとして失敗する。プロンプトで「(質問本文)英語で検索して日本語でまとめて」って書くとよいperplexityのスペースperplexity、検索まとめと、翻訳があやしいニュースサイトとしてそこそこ便利に使っています。 ちょっと前から「スペース」という機能ができていたのですが、使ってみたところ予想以上にいい感じでした。 スペースはここ スペース機能は複数人で共有されるスペースを作って、特定のトピックについてperplexityとのchat履歴をまとめる機能です。ここで、ソースとして情報源のファイルやリンクを登録することができます。 ソース
はじめまして、ますみです！ 株式会社Galirage（ガリレージ）という「生成AIに特化して、システム開発・アドバイザリー支援・研修支援をしているIT企業」で、代表をしております^^ この記事では、入門者向けの「RAG」の開発手法を解説します！ もしもPythonを使ったことがない方は、下記のZenn本を参考にしてください。 また、RAGについての基礎知識を学びたい方は、下記のZenn本を参考にしてください。 さらに、RaggleというRAGの精度を競うコンペを開催しているため、ご興味のある方は、こちらのコンペを通して、RAGのスキルアップにご活用ください！ なんと1位の人には、賞金30万円も付与されます🏆 それでは、早速解説をしていきます！ この記事の内容を習得すれば、Raggleに応募できる状態になるため、ぜひ皆さんもRaggleのコンペに挑戦していただけたら幸いです^^ 全体の流れ
2024年に読んで印象に残った本の技術書編です。去年はそんなに多くの冊数は読めていません。というか、技術書を執筆して出版したので、技術書そのものにお腹いっぱいだったのは大きいと思います。本を書いたという話は下記です。blog-dry.com 非技術書編を先に書いているので、よかったらこちらもどうぞ。blog-dry.com 免責事項ですが、記憶を元に書いている箇所が含まれることがあります。また、書籍のリンクにはアフィリエイトコードが付与されているので、苦手な方はURLから外してご購入ください。 目次 ルールズ・オブ・プログラミング Tidy First?Domain Modeling Made Functional 大規模データセットのためのアルゴリズムとデータ構造 コード×AIーソフトウェア開発者のための生成AI実践入門 モデル検査器をつくる〜Goで実装して学ぶ形式手法〜 まとめ
1章 事業活動を分析する この章は事業活動を理解するためのドメイン駆動設計の考え方とやり方が解説されています。 感想 ドメイン駆動設計は事業活動と構造を理解するところから始まります。 理想的には設計者や開発者が業務全体を完全に理解したうえで設計や開発を進めることが望ましいです。 しかし、現実としては設計者や開発者がすべての業務を完全に理解することは極めて難しいです。 そこで重要となるのがコミュニケーションとなります。 業務エキスパートと密にコミュニケーションをとり、本来の意図を漏れなく汲み取ることがなにより重要になると思います。（どのようにくみ取るかは次章で解説されています。） この辺りはSIerとして参画する場合に特に必要とされると思います。 いかにステークホルダーを巻き込みながら業務エキスパートとの信頼関係を築けるかが、プロジェクトの成功を左右すると言っても過言ではないと思います。 2
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
