AI新聞

フロンティアAIモデルの進化により、脆弱性発見から悪用までの時間が大幅に短縮されており、AIエージェントを導入する企業は新たな脅威に直面しています。従来のアクセス制御ではAIエージェントの自律的な権限濫用を防げず、ゼロトラストの原則をAIエージェント向けに再設計する必要があります。

記事では、エージェント固有のセキュリティ課題（ツールアクセス、自律的意思決定、文脈の持続性、マルチエージェント協調）、現状の脅威（プロンプトインジェクション、ツールポイズニング、権限乱用、メモリポイズニング、サプライチェーン攻撃）、組織の成熟度に応じた三層のゼロトラストフレームワーク、そして8段階の導入ワークフローを紹介しています。

Google Cloud、Snowflake、Databricksなどの大手データプラットフォームやNeo4jが、データを物理的に移動せずにグラフ関係を扱う「仮想グラフ」機能を相次いでリリースしている背景には、AIエージェントやGraphRAGなど生成AIの普及による「関係性」データ需要の急増と、データ移動やガバナンス崩壊を回避したいエンタープライズの強いニーズがある。

仮想グラフは、既存のDWHやレイクハウスに蓄積されたデータをそのまま活用し、セキュリティや管理コストの課題を解消しつつ、グラフ分析やAI活用を容易にするアプローチであり、物理グラフDBとの比較や導入メリット・制約、選定基準まで実務的な観点で解説されている。

グラフデータベースはノード・エッジ・プロパティで関係性を直接表現し、従来のテーブル結合よりも複雑な関係性の分析に適していることが整理されている。

生成AIであるChatGPTを使い、空き巣ができそうな場所を調べて実際に倉庫に侵入し窃盗を行ったとして、岡山県警が男2人を逮捕した。

容疑者らは「誰も使っていないような倉庫に窓ガラスを割って侵入した」と供述し、犯行エリアの選定にChatGPTを利用したことを認めている。

無料のオープンソースツール「Remove-AI-Watermarks」は、AI生成画像に埋め込まれた可視（例：Geminiロゴ）および不可視（SynthID、C2PA、EXIFなど）の透かしやメタデータを一括または個別に除去できる機能を備えています。

コマンドオプションにより、透かしの検出、座標指定での可視透かし除去、ディレクトリ内の一括処理、メタデータの確認・削除など柔軟な操作が可能です。

導入はpipx経由で簡単に行え、実際にGemini画像の透かし除去も確認されています。

プライバシー保護の観点から肯定的な意見がある一方、悪用による偽装リスクも指摘されており、合法的な利用が求められています。

LLM Wikiは、LLMエージェントがMarkdown形式で百科事典的なWikiを自律的に構築・維持し、知識を蓄積・整理していくナレッジ基盤です。RAGが未編集の資料を毎回検索して答えを生成するのに対し、LLM Wikiは資料を編集・要約し、構造化されたWikiとして知識を永続的に成長させる点が特徴です。

Wikiは「Raw sources（元資料）」「The Wiki（LLM生成のWikiページ）」「The Schema（構造や運用ルール）」の3層で構成され、資料の取り込み（Ingest）、質問応答（Query）、定期的な整合性チェック（Lint）という運用フローを持ちます。index.mdやlog.mdなどのファイルで全体像や履歴を管理し、ObsidianやVSCodeなどのツールで閲覧・編集が可能です。

RAGは事実検索や大量の資料に向いている一方、LLM Wikiは概念の統合や知識の整理・成長に強みがあり、個人学習や研究など、知識を深めていく用途に適しています。

Illustrious系モデルからAnimaへ移行すると、プロンプトに自然言語が使えるため、より直感的かつ細やかなイラスト表現が可能になります。従来のタグ列挙では難しかった感情や状況の表現も、文章で伝えやすくなったのが大きな特徴です。

Animaを使うにはComfyUIが必須と思われがちですが、従来のStable Diffusion Web Forgeとほぼ同じUIで使える「Stable Diffusion Web Forge - Neo」でも利用できます。Neoは操作感が変わらず、学習コストが低いため、Forgeユーザーには特におすすめです。

導入手順は、Stability Matrixのインストール、Forge Neoの追加、AnimaモデルとVAEファイルの配置という流れで、従来環境からスムーズに移行できます。

リンク、メモ、画像、動画、PDFをまとめて保存し、全文検索やAIによる自動タグ付けで簡単に整理・検索できるセルフホスト型アプリ「Karakeep」がオープンソースで公開されています。

RSS購読による自動追加、ハイライト機能、複数アカウント対応、リストの共有、RSS出力など多彩な機能を備えており、Chrome拡張やスマホアプリからも手軽に登録できます。

保存した情報を自分で管理したい人や、効率的に情報を整理・共有したい人にとって魅力的なサービスといえるでしょう。

• Claude Code とは、プロジェクト全体を理解し、自然言語指示で複数ファイル編集やテスト、Git操作まで自律的に行えるエージェント型コーディングアシスタントであり、プロジェクト固有の規約やワークフローも学習・カスタマイズできる。

• インストール方法（macOS/Linux/WSL/Windows/VSCode拡張/JetBrainsプラグイン/デスクトップアプリ）と、ターミナルやエディタ上での起動手順を紹介。

• 基本的な使い方として、自然言語でのコード生成・バグ修正・リファクタ・Git操作・テスト作成・PR作成などの指示例と、具体的な指示・コンテキスト提供・段階的指示のポイントを解説。

• コンテキスト管理の重要性と、/initによるプロジェクト初期化、@ファイルパスでの直接参照、/compactでのコンテキスト圧縮、/clearでのリセット、catやURL指定など多様なコンテキスト提供方法を説明。

• 会話制御のための主要ホットキー（Esc、Esc×2、Shift+Tab）やスラッシュコマンド（/init、/clear、/compact、/rewind、/permissions、/mcp等）の使い方を列挙。

• Plan Mode・Thinking Modeの違い、.claudeディレクトリ構成、CLAUDE.mdの書き方、カスタムエージェント・コマンド・Skillsによる機能拡張、MCPによる外部ツール連携、Hooksによるワークフロー自動化、GitHub連携とCI/CD自動化、エージェント機能による並列処理など、現場で役立つ活用法を網羅的に解説。

AIが生成した文章特有の「AI臭さ」を検出し、より自然で人間らしい文章に修正するツール「Humanizer」が登場した。HumanizerはClaude CodeやOpenCodeで利用でき、Wikipediaが提唱する「AIライティングの兆候」ガイドに基づいた29のパターンを検出して修正するほか、特定個人の文体を学習・再現できる「ボイスキャリブレーション」機能も備えている。

検出パターンには、有意性の誇張や著名人名の羅列、AI特有の語彙や三段論法、エムダッシュや太字の過剰使用、チャットボット的な定型文や過剰な予防線などが含まれる。現時点では英語テキストを前提としており、多言語対応は公式に議論されたが見送られている。

愛知県と名古屋市が公表した2025年度の児童相談所への虐待相談件数は、過去最多の1万1191件となった。

心理的虐待が全体の6割以上を占め、警察からの通報が最も多かった。子ども本人からの相談は増加傾向にあり、生成AI（チャットGPT）に相談した後に通報するケースも確認されている。

LLM Wikiは、LLMエージェントがMarkdown形式のWikiを永続的に構築・維持し、知識を百科事典のように編集・蓄積していく新しいナレッジ基盤です。RAGが未編集の元資料を都度検索して回答を生成するのに対し、LLM Wikiは元資料を要約・統合し、構造化されたWikiとして成長し続ける点が特徴です。

アーキテクチャは「Raw sources（一次資料）」「The Wiki（LLM生成のWikiページ群）」「The Schema（構造・規約）」の三層で構成され、主な操作は資料の取り込み（Ingest）、質問応答（Query）、定期的な整合性チェック（Lint）です。index.mdやlog.mdなどのファイルで全体を管理し、ObsidianやVSCodeなどのツールと連携して活用できます。

使うほどに知識が整理・進化し、複数資料の統合や概念理解が求められる場面に向いている「生きたナレッジベース」といえるでしょう。

AIによるコード生成が進化した現代でも、ソフトウェア開発において設計やモジュール分割、エラーハンドリングといった基礎的な考え方は依然として重要です。『Good Code, Bad Code』は、メンタルモデルの共有や適切なモジュール設計、エラー処理の基本的な区別と通知方法など、AI時代でも価値が残る知識を丁寧に解説しています。

AIがコードを書く時代になっても、人間やAIが間違いを起こす前提で仕組みを設計すること、ビジネスロジックの制約を型や検査で守ること、認知負荷や影響範囲を抑えるモジュール設計の重要性は変わりません。今後もエンジニアにとって必要な知識が詰まった一冊といえるでしょう。

iPhoneのカメラで映した現実世界を、Vision-Languageモデルで言語化し、その言葉をプロンプトとしてAI画像生成モデル（Bonsai Image）に渡すことで、現実とは異なる“異世界”の写真を生成するカメラアプリを一晩で開発したという内容です。

写真そのものを保存するのではなく、構図や空気感などを抽象化して再構成する「Photograph Abstraction Layer」という発想が特徴で、カメラを記録装置ではなく新しい発見のためのセンサーとして捉え直しています。

iPhone上で実用的に動作させるため、Visionモデルの選定やメモリ制約との戦いがあったこと、画像生成の仕組みをモジュラーシンセに例えて理解を深めたことなど、開発過程の工夫も語られています。

AIエージェント開発書籍の内容を参考に、GoでシングルバイナリのAIエージェント「go-llm-agent」を自作し公開した。OpenAI、Anthropic、Google Gemini、Ollamaの4プロバイダーに対応し、CLI・ワンショット実行・OpenAI互換HTTPサーバを1バイナリで切り替えられる。

LiteLLMを使わず自作した理由は、Python依存を避けたかったこと、エージェントループも含めて一貫した設計にしたかったこと、機能を絞って保守負担を減らしたかったことの3点。軽量・単機能型のシングルバイナリとし、CLIやHTTP APIなど柔軟な利用方法を重視した構成となっている。

プロバイダーの即時切り替え、OpenAI互換HTTPサーバ内蔵、CLIからの直接呼び出しなど、開発者にとってシンプルかつ柔軟な運用が可能な点が特徴といえる。