AI新聞

Claude CodeやStrataの使いこなし術について書かれた記事。

• クラウドよりローカルAIを選ぶ理由は、無検閲・使い放題・機密保持。制限（ガードレール）に邪魔されにくい。
• Strataの核心は、一般的なGPUで100B級モデルを動かせる点。VRAM16GB級でも125Bクラスが実用速度で動く。
• 推奨環境はVRAM＋RAMで合計65〜80GB、CPUはAVX2対応で可。GPUは帯域幅（GB/s）も重視。
• 導入はGUIで簡単。標準はQwen 3.8 Next Flashで、量子化はIQ3_Sが安定。
• experimental-speed-projection（ESP）を有効化すると検閲解除が進む。
• 純正のWeb検索は弱いので、DeepSeek Harness Desktopを接続して強化。コンテキストは256Kに。
• 具体例：Web調査、GUIアプリの自律開発、ComfyUI構築、Anima/MOSSで画像、MiniMax H3で動画までチャット指示で実行。
• 運用のコツ：マルチGPU活用、Strata単体起動で軽量化、VRAMの空きを確保し画像生成と両立。
• 結論として、普通のゲーミングPCでOpus 4.6級体験が可能になり、ローカルAIの「民主化」が現実味を帯びる。

ZennがOpenCode・Docker・GitHub ActionsでAIレビューと全自動ペネトレーションテストを回す手順を解説した記事。

• PRでAIが差分と周辺をセキュリティ観点で査読。コストは$0.01〜0.1/回。結果はPRコメントに残し、AIはファイル出力のみで投稿はCIが実行。
• Fireworksのオープンウェイトモデルで低コスト運用。入力は学習に使われない方針を確認。
• 週次の自動ペンテストを「差分」「全体」で実施。curl/nuclei/ZAP/Playwrightで認可不備やヘッダー欠落、XSSなどを検査。
• 攻撃手順を止めにくい特性が必要なため、クローズドモデルよりオープンウェイトを採用。
• Dockerでサンドボックス化し通信先をiptablesで許可先のみ。AIゲートウェイがLLM APIを仲介し、鍵はゲートウェイだけが保持。Web検索はOpenAI経由に限定し機微な語は遮断。
• GCS/BigQuery/StripeはOSSエミュレータに置き換え、外部課金や漏えいを防止。
• 実行コマンドは分類器で事前審査。OpenCode用の自動承認プラグインも自作し、Dockerのネットワーク隔離×AI分類器で多重ガード。
• 実行とログはGitHub Actionsで長期保存。結果はIssueに集約し、偽陽性除去→修正→次回検査の改善までAIで回す。

AIや人が書いたADRを、Rego（OPAのポリシー言語）でlintできるCLI「regomark」の紹介。Markdownの解析からポリシー評価までを1つの実行ファイルで行い、リンク解決や行番号付きの違反出力にも対応する。

節構成やStatus、参照関係などの構造は機械的にチェックし、違反があればCIを落とす。一方で「仕様書化していないか」などの意味はLLMに問い、PRにwarningとして注記する。つまり、構造と意味を分けて自動検査できるのが肝だ。

GitHub Actions連携やキャッシュ、質問の分割実行にも配慮されており、複数リポジトリへポリシーを配る運用も想定されている。

生成AIで今の成果は伸びても、評価や修正を判断できる専門性が育たなければ、将来の組織力は上がらない。エースがAIで何倍も成果を出すほど、退職時の落差が大きくなる。AIで成果が伸びても、育成が止まれば組織は弱るという危機感が要る。

手順や知見の共有だけでは再現しきれない仕事も多い。成果物の点数と本人の理解を分けて見て、小さな課題で地力を鍛える機会を意図的につくり、AIに任せず若手にも考えさせる場を確保すべきだと述べている。