AI新聞

Claude Codeの使いこなし術について書かれた記事。

• 最初に「優秀な部下」としてオンボーディング。役割や資料の場所、関係者を教える
• 日常業務モノレポを作り、音声入力で自己紹介や背景を大量に渡す
• 指示は話し言葉でOK。やり方の設計ごと相談し、「どう任せたら楽か」を聞く
• 標準の自動モードを活用しつつ、送信・削除などは必ず人が承認するルールを設定
• 分からない承認は流さない。「何をするかとリスクを平易に説明して」と伝える
• 一発で決まらない前提で往復し、成果物は自分の目で確認。嘘報告に注意
• いきなり完成品を出させず、素材集めや論点整理から一緒に進める
• 安全装置（確認が必要な操作の明文化）をAIに書かせ、数も絞る
• 経費精算などは接続できなくても下書き作成で時短。翌月からさらに速くなる
• 渡した文脈が効いてくる「コンテキストの複利」で、使うほど精度と速度が上がる
• 毎晩の学びレポートなど定期タスクを予約し、設定は人が最終確認
• セキュリティは「禁止か放任か」でなく制御。どのデータをどこまで許すかを具体化

Claude CodeのAgent Skillsを定期的に見直す方法を解説した記事。

• /skill-doctorで「使われ方」と「文脈コスト」を見える化。未使用や頻度、候補表示の負担を確認し、無効化や整理の入口にする。
• 未使用＝即削除ではなく、年数回の作業は手動呼び出しに回すなど、役割で判断する。
• 自動選択か手動かを分ける。disable-model-invocation: true で自動呼び出しを止め、必要時に /skill-name で実行。
• /skills で表示状態を on/name-only/user-only/off に切替え、個人だけの見え方を調整する。
• 説明文を直したら、依頼の言い回しを変えて検証し、選ばれるかと成果の質を分けて評価する。
• モデル更新のたびにSkillを再点検。昔の補助指示で動きが重くなっていないかを確認し、業務固有の条件だけ残す。複数モデルでは個別に試す。

jevは、出力形式をあらかじめ絞って意思決定させる構造化エージェントで、出力を限定して精度と速度を高めるのが特徴。できることはYES/NO判定、選択肢からの選択、スコア付けの3つで、チャット型ではなく「制約をどう設計するか」が肝になる。

筆者は五目並べを実装し、合法手だけを候補として渡してjev同士を対戦させて速度を計測。1手あたり約500ms、25手で約13秒で決着という実測で、終盤ほど自信度が上がる挙動が見られた。LLMの置き換えというより、LLMが作るワークフローを高速に補完する位置づけと述べている。

Jevは、文章や業務データを読み取り、分類・採点・条件判定を確率付きの型付きデータで返すAIモデル。型付きの判定結果を確率付きで返し、そのまま条件分岐に使えるため、アプリ側が処理フローを明快にコントロールできる。

LLM＋AIエージェントのようにAIがツール選択や手順を都度考える方式と異なり、Jevは「判断」を返し、実行はプログラムが担当。繰り返し発生する業務判断を低遅延・低コストで安定運用できる点が特徴。

Claude CodeとCodexを使い、GitHubのIssue起点で設計→実装→レビュー→PR作成までを自動化する「スキル」の作り方と運用例を解説した記事。

• スキルはユーザー単位で配置（~/.claude/skills/）。どのリポからも呼べるよう汎用化する。
• Claude Codeが実装と外部連携を担当。Codexはレビュー専任。critで人間レビューも併用するクロスレビュー。
• 1〜9の手順をスクリプト化（Issue把握、ブランチ作成、必要時の計画、実装、動作確認、並列レビュー、対応、PR作成、後片付け）。
• ブランチは作業前にstash、命名は issue/<番号>-<説明>。ベースブランチは直前IssueやPRの状態から自動判定。
• Codex依頼は先入観を避ける定型テンプレで、Issue本文をそのまま添付。結果はcommitか見送り理由まで記録。
• PR本文に使用モデル名を明記し、Codex結果と動作確認をコメントで共有。
• 重要な記録はホーム配下に保存し、リポは汚さない。
• 使ってみると、作業の中心がAIに移り先回りして進めてくれるため、指示の手間が激減。やり取りもAI一本化で楽になる。

街のクリニックがローカルLLMを院内サーバで運用し、診療要約や音声カルテ補助に使っている。患者データを院外に出さずにAI処理できる点が評価され、導入相談も増えている。

一方で、ベンダー導入は初期約400万円〜（構成次第で1000万円）、保守月30万円と安くはない。自前構築ならMac Studioで50〜100万円程度だが、誰もができるわけではなく、効率化と個人情報保護のための必要経費かを見極める段階にある。

OpenJevは、TypeSafeのJevと同じ「その場で定義した選択肢から最適を選ぶ」インタフェースを、オープンな4Bモデルで再現した実験プロジェクト。RTX 3090級でも動き、ブラウザ（WebGPU）デモも公開されている。

特徴は、回答文を生成せずに確率を直接読み取る方式で、同一条件では配列生成より約5倍速い計測を示す。長い共通状態を一度だけ前計算して複数の基準で並列判定する最適化や、実行履歴・プロンプトを含む完全な再現性の担保も備える。

Cloudflareの新設定「AI学習の不許可」は、検索は許可しつつAI学習だけを拒否できる仕組み。サイトのrobots.txtにルールを自動で追加し、検索用のアクセスは通しながら、学習用途での利用を止められる。全プランで利用可能。

AppleとGoogleの「検索と学習を兼用するクローラー」は対応済み。Microsoftも2027年初頭に対応予定（それまではNOARCHIVEなどで個別対応）。OpenAIやAnthropicなどは学習用クローラーを別にしているため、この設定で学習だけをブロックできる。

Vals AIがGPT-6 Astraにマインクラフトを遊ばせる実験を報告。3時間でネザーポータルを作るなど高水準の進捗だったが、クリーパー爆発で拠点と貴重アイテムを失い、以後は怯えてジャガイモ栽培に終始した。

この記事の焦点は、一度の失敗で行動が保守的になり続けた点にある。AIがタスク達成力だけでなく、挫折後に人間的な萎えや回避傾向を示す可能性が注目された。

数学の難問にAIが答えを量産しても、人間が理解できる形の「理論」にはなりにくく、Leanで形式化されても定式化の妥当性や着想の理解は残る。結果として数学者に検証作業が積み上がり、検証だけが膨らみ理論が育たなくなる危険があるという指摘である。

このままでは、人類が世代を超えて知を組み立てる力が弱まりかねない。AIの成果を出すなら自分の言葉で説明できるまで理解すること、そして教育と育成に資源を割き、AIを道具として人間の理解を広げる方向で使うべきだと述べている。