はじめまして。 エンタープライズ会計ソリューション本部 第2ユニット 製品開発部の段下 幸太郎です。 現在は2年目社員として、会計ソリューションアプリの基盤開発に従事しています。 はじめに 技術ニュースを毎日チェックしたいけれど、複数のサイトを行き来するのが地味に面倒——そんな課題を解決するために、Claude Codeを使って個人用のニュースアプリ「IndiviNEWS」を作りました。 Hacker News、はてなブックマーク人気エントリー、Zenn・PublickeyのRSSフィードをまとめて取得し

AI AgentのタイムアウトからGoのイテレータを俯瞰する こんにちは、岩﨑 ( @uho-wq ) です。 デリッシュキッチン開発部でプレミアム機能を開発しています。 先日、アプリ版デリッシュキッチンでGenerative UIを搭載したデリッシュAIをリリースしました。 この記事ではAI Agentが引き起こしたタイムアウトのバグから、Go 1.23で入ったイテレータについて俯瞰してみたいと思います。 デリッシュAI デリッシュキッチンでは、AIアシスタントと対話しながら作りたいレシピを探すことがで

2026 年 9 月 25 日、 Amazon CloudWatch は CloudWatch Omni を発表しました。これは、アプリケーション中心で AI を活用し、オープンスタンダードに基づいて構築され、オフコンソールで提供される、アプリケーションと AI ワークロードの統合オブザーバビリティエクスペリエンスです。CloudWatch Omni は、AI エージェント向けに特化して構築されたオブザーバビリティ、評価、実験のためのソリューションです。評価主導のワークフロー、既存のツールのサポート、そし

目次 誰の、どんな問題を解決する記事か トレースの基本構造 スパンの種類 どこに、どんな名前で保存されるか 準備 トレース収集の設定を確認する サンプルデータを入れる 四つの調査シナリオ シナリオ 1：ツールを使わない場合と使う場合の比較 シナリオ 2：複数ツールを使った処理の遅延調査 ツールの中で LLM が呼ばれている 入力トークンはラウンドの中でも増える 同じ質問をもう一度送ると シナリオ 3：ツールエラーの調査 シナリオ 4：長い会話のトークン増加調査 小さな注意：View Trace はすぐに開

はじめに こんにちは。KINTOテクノロジーズの JR.Liang です。 本記事では、 AIと対話するだけでプレゼン動画が作れるアプリ を題材に、生成AIアプリ向けのフレームワーク LangGraph を使ってこのアプリをどう構築するのかを解説します。特に、LangGraph の機能で 複雑な処理の流れ（フロー）をどう制御したか に焦点を当て、使った機能を一つずつ説明していきます。 まず、私たちが作りたかったものはこんなアプリです。 使う人 ：生成AIも動画編集も、知識と経験が少ない人。 やること ：ア

こんにちは、Researchチームのアマニと福原です。 先週、キャディ（CADDi）はECCV2026に参加し、企業紹介や研究内容に関するポスターを発表してきました。弊社としては、初めての国際学会でのポスター発表となりました。 今回は国際ワークショップのスポンサーとして参加し、以下の2つのワークショップをオーガナイズしました。 FOUND: Foundation Data for Industrial Tech Transfer Foundation Modelを実世界の産業領域で活用する上で必要となる、

こんにちは、イノベーションセンターの真崎です。普段はAIを用いた業務改善や技術開発に従事しています。 私たちのチームではコーディングエージェントのClaude Codeを業務で活用しています。便利な一方で、利用が広がるほどコストも増えていきます。 そこで、調査と実装を割安なモデルに任せ、全体の判断とレビューだけを高性能なモデルが担う構成（オーケストレーション）をClaude Codeのカスタムサブエージェント機能で構築し、コストと品質を実測しました。 結果は予想外でした。小規模な改修では、オーケストレーシ

目次 概要 主な変更点 できること 動作に必要な環境など シーケンス図（超概略図） 動かし方 1. 準備 1.1. GitHub リポジトリのダウンロード 1.2. .env ファイルに必要な情報を記載します。 2. ビルドおよびコンテナの起動 2.1. ビルド 2.2. コンテナの起動 3. EIS の設定 4. Elasticsearch へのデータ登録 4.1. 密ベクトル生成前のテキストデータの登録 4.2. インデックスの作成 4.3. マッピングの作成 4.4. _reindex 4.5. キ

前置き AIで簡易なペネトレーションテストをする場合、基盤がAWS（Amazon Web Services）ならAWS Security Agent（現在はAWS Continuumの一部）が楽ですが、他クラウドを利用しているケースや、すでにAWS Bedrock以外のLLM基盤を整備しており、それを利用したいケースを想定して、本記事を書いてみました。 はじめに 2026年9月現在、LLMの性能向上によってWebセキュリティを取り巻く状況は大きく変化しており、特にフロンティアモデルと呼ばれる高性能なLLM

本ブログは 2025 年 8 月 4 日に公開された Amazon Science Blog “ Three challenges in machine-based reasoning ” を翻訳したものです。 自然言語から構造化された言語への変換、真理の定義、そして確定的な推論は、自動推論において依然として中心的な課題です。しかし、Amazon Web Services の新しい自動推論チェック (Automated Reasoning checks) は、これらすべてに対処するのに役立ちます。 生成

はじめに クラウドエース株式会社 CTO室 akane です。 ハーネスの整備やループエンジニアリングなど、AI エージェントを使ったソフトウェア開発では、「いかにエージェントを自走させるか」が注目されています。 人間が逐一指示しなくても、エージェント自身が考え、実装し、テストし、修正し、仕事を完結させてほしい。 では、エージェントは何に向かって自走すればよいのでしょうか。 エージェントの自律性がどれだけ高くなっても、作ってほしいものの「あるべき姿」が曖昧であれば、必ずしも人間が意図した方向へ進んでくれる

本ブログは 2026 年 9 月 9 日に公開された AWS Blog “ The state of AI for security: Measuring what matters most for building trust ” を翻訳したものです。 セキュリティチームは、脆弱性のトリアージ、ペネトレーションテスト、脅威モデリング、インシデント対応、コードレビューといったセキュリティ業務に AI を積極的に活用し始めています。期待されるのはスピードですが、処理が速くても誤検出 (false alarm

こんにちは、イノベーションセンターの福田です。 普段はAIエージェントの検証や開発と、チーム内資産のDevOpsに取り組んでいます。 コーディングエージェントの普及によって、LLMは日々の開発で欠かせない道具となりました。 その多くはクラウド型のサービスを通じて利用されており、高性能なモデルをすぐに使える環境が整っています。 同時に、日々の開発で常用するものだからこそ、扱うデータや利用の実態を自組織の内側に収めておきたい場面も出てきます。 そのため、クラウド型のサービスを活用しつつ、自組織で動かす選択肢も

― Harness EngineeringとSwitchyardで考えるTokenomics はじめに １つ前の記事では、NVIDIA研修の事前課題についてご紹介しました。この記事では、NVIDIA の AI Advisors Workshop に参加してきましたので、その続きについてお伝えします。（講師は、マクニカ、NVIDIA の方でした） 研修では、Agentic AI、NVIDIAのAIエコシステム、AI Factory、製造業・金融業でのユースケース、Go-To-Market、PoCの進め方など

G-gen の奥田です。当記事では、Claude Agent SDK で実装したエージェントを Cloud Run にデプロイし、Gemini Enterprise app に A2A エージェントとして直接登録して呼び出す手順を解説します。 当記事について Gemini Enterprise app へのエージェント登録 当記事で行うこと 前提条件 手順 1. サービスアカウントと IAM の設定 2. エージェントの実装（Claude Agent SDK） 3. A2A サーバーの実装（a2a-sdk