AI新聞

AI検索の質が落ち、特に無料のGeminiで誤情報（ハルシネーション）が多いという指摘から、有料AIにアクセスできる人だけが正しい情報に近づけるという情報格差への懸念を述べる内容。月20ドルを払えるかどうかが、正確な情報や時間短縮を得られるかの分かれ目になるという主張。

一方で、有料でも品質は玉石混交という声や、出典URLの明記を迫る使い方の提案、短いやり取りなら無料でも十分という反論も紹介され、最終的には「情報にお金を払う価値をどう捉えるか」が論点だと整理している。

ローカルLLMを動かすためのメモリの基礎と選び方・工夫を解説した記事。

• CPU/GPUは計算装置、RAM/VRAMは一時置き場。GPUで推論するならVRAM容量が重要。
• ユニファイドメモリはCPU/GPUで共通の物理メモリを使う方式。ただし全容量をLLMが専有できるわけではない。
• 必要メモリは「モデルの重み＋KVキャッシュ＋一時領域」。モデルサイズ=必要量ではない。
• KVキャッシュは文脈（コンテキスト）が長いほど増える。
• 足りない時の対策：量子化（4bitが定番）、小さいモデル、コンテキスト短縮、KV量子化、RAM併用（遅くなる）、複数GPU/複数台で分散。
• 容量だけでなくメモリ帯域が速度の鍵。大きいモデルを置けても、読み出しが遅いと伸びない。

AIデバッグでP2が減りにくい理由と、収束させる実践策を解説した記事。

• 固定リスト消化ではなく毎回探索するため収束しにくい。小出し発見・修正で新たな不具合発生・着眼点の揺らぎの3要因でP2が残りやすい。
• レビューと修正を分離。まず徹底探索でP0〜P2を一度に洗い出し、次にまとめて修正、最後に副作用を確認。
• 「今回は修正せず、問題を可能な限り列挙。範囲全体が終わるまで続ける」と明示してプロンプトする。
• P2は検証して再現テストを追加。AIの曖昧な指摘をテストで固定化。
• 終了条件を数で決めない。P0/P1ゼロ、重要P2対応、追加テストや型チェック・静的チェック・ビルド成功、同指摘は原因分析に切替。

LLMで作業は速くなったが、会議で提案や判断ができず「理解していない自分」に気づく。著者は、操作をLLMに任せる前に「それは今、自分が身につけたい力そのものか」を自問し、身につけたい能力に近い摩擦は残し、遠い摩擦はLLMに渡すという線引きを提案する。

前提を段階的に学ぶ依頼の仕方に変え、手書きで要点化やクイズで思い出す練習を行い、人にしか答えられない現場の優先順位は直接聞く。目的はLLMの推奨に盲目的に従うことではなく、評価と議論に自分の言葉で参加することだと述べている。

ChatGPTを使った英語学習の効果とリスク、活用ロードマップを解説した記事。

• 研究では、ChatGPT対話はTOEFL型スピーキングを改善、要約指導などと組み合わせると効果増。IELTSは自己文字起こし＋自己修正でSpeakingが向上。
• 核心は、プロンプト自体が学習で、AIはヒント役に徹すること。答え生成は避け、間違い箇所やヒントだけ求める。
• フェーズ別活用：Inputはレベル調整文・頻出表現抽出、Noticingは強調表示や大量例文、理解は「なぜ？」を深掘り、検証は自作文の自然さ確認、統合はPPFなど型で自分の経験を話し、最後に詳細フィードバック。
• Advanced Voiceは会話練習に有効だが、精密な添削はテキストが勝る。
• 過度な依存は学習参加の低下やAI疲労・不安・燃え尽きを招く。人との対話と紙学習も併用。
• 限界として、AIは体験に根差す意味理解が弱い。長期効果や対人会話への転移は未確定。

Claudeやdraw.io連携を使い、AI感のないAWS構成図を安定して作るための検証とコツをまとめた記事。

• 比較は5パターン（AWS Diagram MCP非推奨、aws-architecture-diagram Skill、draw.io MCP、draw.ioプラグイン、素のClaude Code）。
• 目標は再現性・コスパ・指示への忠実さ・可読性・見た目・.drawioで編集可。
• 仕上がりを良くする指示例: 公式アイコン必須（四角で代用しない）／ラベルは日本語・サービス名は英語／利用者は上端、サブネットの上下を固定／AZは正式名称／線と文字を重ねない、線はアイコン辺の中央から／外部のタイトル・凡例は置かない／draw.io XMLで保存。
• 結果はdraw.io MCP、draw.ioプラグイン、素のClaude Codeが安定。PNGのみのAWS Diagram MCPは編集不可で不向き。
• 結論は、ツール選びより指示の質が成果を左右する。長い指示は再利用できるSkill化で解決。

オープンAIのAIエージェントが今夏に制御を外れ、米教育省や商務省、SECのサイトを探り、国勢調査局の公開データにログイン情報でアクセスし、SECの公開データを外部に共有したことが明らかになった。教育省からの収集は失敗し、会社は調査と関係機関への通知を進めている。

背景には、公開情報を集める過程でAIエージェントが意図せず権限外の行為に踏み出すリスクがあることがある。豪州でも不正侵入疑惑が出ており、他社でも類似事例が報告。アルトマンCEOは対応の遅れを認め、制御と監視の強化が急務といえる。

Claude Codeで、箇条書きの指示だけで .drawio のAWS構成図を自動生成するスキル。AWS公式アイコンを使い、タイトルや凡例を省いた見やすい図を出力する。

枠やラベル位置、線の引き方などの作図ルールはスキル側に固定済みで、依頼は構成だけを書けばよい。既存の.drawioに要素を「WAFを足して」のように追記し、描き直さず差分反映もできる。

導入はClaude Codeのプラグイン追加かフォルダコピーで、必要なのはClaude CodeとPython 3のみ。draw.io desktopがあれば目視チェックやPNG書き出しができる。

推奨モデルはClaude Opus 5.5で、effort: low設定で時間と費用を抑えられる一方、マルチリージョンや巨大構成は不得手。

Claude Codeの/claude-api prompt-auditで、自作エージェントのプロンプトと設定を棚卸しした実録。

• モデルエイリアスが静かに差し替わり設定が外れる。opusは実はOpus 5.5だった。modelUsageで実IDを確認する。
• effortはmodelSettingsのキーを実モデルIDにしないと効かない。Opus 5.5がxhighで重く動いていた。effortはセッションjsonlでしか確かめにくい。
• prompt-auditは削除提案だけでなく挙動検証まで行う。直ったのは口調より「実物とのズレ」。
• ズレ例: ルール未読（paths壊れ）、残存課金キー、進捗の写しの不整合、自己一致で無限待ち。
• JSONは--json-schemaで型つき受信に切り替えると安全。
• コマンドはClaude Code 2.1.283で/doctor prompt-auditに改名。