!この記事は 1日54本のPRをマージした「並列agent codingコックピット」の作り方 の続編（通信編）です。前回がコックピットの「ハコ」の話なら、今回は受付と作業部屋の「通信プロトコル」の話。本編に出てくる出来事・ログ・エラーメッセージは、すべて1日の実運用でそのまま起きたものです（末尾の「後日談」だけ、その後の10日間）。 コックピットの次のボトルネックは「通信」だったコックピット（1 worktree = 1 workspace = 1 エージェント）が回り出すと、次のボトルネックは受付と作業部屋の通信に移りました。ディスパッチ（下り）は/wtで1行になった。で...

はじめに謝罪 — ターミナルマナー入門の続きじゃなくてすみません「ターミナルマナー入門じゃないのかよ」—— はい、そのツッコミ、ごもっともです。本当にすみません。前回、「このシリーズでは、そんなターミナルの『お化粧の仕方』を紹介していきます」と大見得を切って第1回を出しておきながら、第2回を出さないまま半年が経ちました。その間に何をしていたかというと、この記事です。しかも1本で終わる気配がなく、連載として量産する気満々です。言い訳をさせてください。お化粧の話を書き溜めている間に、ターミナルの主役が人間からAIエージェントに代わってしまったんです。プロンプトをどう飾るかより先に、...

Using C Libraries in GoGo was designed to avoid needing C, but the C ecosystem is enormous — codecs, image libraries, cryptography, hardware drivers, scientific computing. Rather than reinvent all of it, Go ships with cgo, a built-in bridge that lets Go code call C functions and vice versa. Th...

By using LDFlags (Linker Flags), it ispossible to inject metadata at compile-time without changing a single line of code. This makes the binaries self-documenting and easier to debug in production. Pre-requisitesAny go version >= 1.0 will work on all OSes supported. Why Inject Metadata?...

はじめにもう一日中AIに質問を投げ込みまくってる私です。なにぶん我儘なもので、遠慮もなしに質問攻めをしておきながら、不意にAIから逆質問を受けた時「えっ回答するの面倒くさいな！」と思ってしまうものです。皆様もAIからの質問に対して、テキストエリアに回答をタイピングすることに苦心した経験があるのではないでしょうか？本稿では、この回答の摩擦をどう減らせるのかという観点から、AI Agent Chatの質問UIを掘り下げます。 様々なAI Agent Chatにおける質問UI Claude CodeClaude Codeでは、下記画像のように複数の選択肢の提示と合わせて、...

想定読了時間: 40分（detailsを展開する場合 55分）対象読者: プロダクト開発組織の変革を試みているリーダー（EM・VPoE・CPO・CTOなど）および B2B SaaSの開発チームで活動するPdM・エンジニア・デザイナー・EM。前作2本の内容を知っていると理解が深まるが、未読でも本記事単独で読み進められる。!読了ガイド: 先に全体像だけ掴みたい場合は、TL;DR → 「三部作の全体像」 → 「次アクション」だけ読めば十分です（約5分）。役割別には、EMの方は問い3と次アクション5を、PdMの方は問い2を、エンジニアの方は問い1を中心にどうぞ。前作:「要望」「...

はじめにCopilot Studioのエージェントフローにおいて、コネクタの実行が失敗すると、処理がその場で停止し後続のステップが実行されません。しかし、実際の運用では「エラー内容をクライアントへ通知したい」「エラーの原因に応じてリトライを行いたい」といったケースが多く、処理の停止が課題となります。そこで本記事では、コネクタにおけるエラーハンドリングの実装方法と、エラーを適切にキャッチするための手順について解説します。 手順トリガーは「エージェントがフローを呼び出したとき」を選択します。その次に値が正常に分岐を通ったか確認出来るように変数を初期化します。「アクションを...

想定読了時間: 25分（detailsを展開する場合 35分）対象読者: B2B SaaSの要件定義に関わるエンジニア・PM。前作の8ステップを知っていると理解が深まるが、未読でも本記事単独で読み進められる。先に全体像だけ掴みたい場合は、TL;DR → 「3つの新概念」 → 「チェックリスト」 → 「次アクション」だけ読めば十分です。前作: 「要望」「要求」「要件」は別物――役割別観測点を同じ座標系に変換するSaaS要件定義8ステップ地図 TL;DRAIでコードが書ける時代だからこそ、「何を作るか」を定義するプロセスの重要性は上がっている。抽象化の歴史に照らせば、要件定...

はじめに仕事をしているいろんな場面で大小様々な意思決定を迫られると思います。技術選定どうしよう、どのアーキテクチャにしよう、どのライブラリを使おう、テーブル設計どうしよう、などなど。ただ、決めることによる影響が大きければ大きいほど、決めるのに勇気がいると思います。失敗したらどうしよう、責任を追及されたら嫌だな、など決断を阻害する感情や要因は様々あります。また、AI時代においても「意思決定」は人間の役割として残る、とも言われています。そこで、自分が普段意思決定する際に意識していることや、良い意思決定をするために取り組んでいることなどを改めて整理してみました。個人レベルでの...

想定読了時間: 30分（detailsを展開する場合 40分）先に全体像だけ掴みたい場合は、TL;DR → 「変換の全体像」 → 「実務チェックリスト」 → 「次アクション」だけ読めば十分です。必要なStepだけ後から参照してください。 TL;DRPdM・デザイナー・エンジニア・QA・EMは、それぞれ「自分の観測点から見た真実」を言っている。議論が迷子になるのは誰かが間違っているからではなく、各観測点の声を同じ座標系に変換するプロセスが無い可能性がある。「要望」「要求」「要件」は別物。要望（生の声）→要求（need+制約+条件）→要件（検証可能な粒度）という変換の段階として扱...

はじめにここ１年くらい自分のチームでAI活用を推進してきました。カスタム命令の実装から入り、AI活用PJの立ち上げ、プロンプトファイルの導入、並列開発の仕組みの導入、AI知見共有会の開催、MCPサーバーの導入、コードレビューエージェントの実装などなど、色んな取り組みをしてきました。これらのAI活用に関する知識・経験は直近は役に立ちますが、こういった仕組みはどの組織も充実させていっており、いずれ陳腐化すると思っています。組織レベルでの仕組みがどんどん整ってくると、AI活用に関する知識は早いうちにエンジニアとしての差別化要因にはならなくなると思っています。今僕らがAI活用を推進...

はじめにAIコーディングエージェントを使って実装はめちゃくちゃ速くなりました。実装だけなら生産性は数十倍くらいになってると思います。そしてそれは自分以外の人も同じです。そのため、これまででは考えられないほどのスピードでプルリクが上がってきます。レビュー終わり、さてAIに指示出すか、と思ったら次のレビューが来ます。(少し盛ってますが共感できる人も多いはずですw)自分が担当しているプロダクトではCopilotによる自動レビューはそこそこ役には立っていますが、やはりプロダクト固有のルールや設計レベルの指摘、という観点でいうと物足りなさを感じています。そこで、コードレビューに...

はじめに生成AIの急速な普及により、エンジニアの「価値の源泉」が変わりつつあるのを日々肌で感じています。それに伴い、自分がエンジニアを採用する際に、こんな人と一緒に働きたいな、と思うエンジニア像も自然と変化してきました。そこで、生成AI時代において一緒に働きたいエンジニア像に対する自分の考えと、それを面接で見極めるための質問集をまとめてみました。 求める要件 1. 顧客・事業・システムの「三方良し」を追求できる実装フェーズが生成AIに代替されていく中で、エンジニアが真に価値を発揮する領域がシフトしていると感じます。顧客や事業を深く理解し、そこにシステム側の視点を介...

はじめに私は常々「事業に貢献できるエンジニアでありたい」と考えています。そのため、エンジニアという立場ではありますが、顧客の業務や事業課題にまで踏み込んで「要件」に対して意見出しをすることが多くあります。あえてエンジニアが上流工程に踏み込むことで、ビジネス的にもシステム的にも、より良い方向へ持っていけると実感しているからです。ビジネスサイドやPdMが考えてくれた要件をそのまま設計し実装するよりも、エンジニア自身が顧客や事業を理解した上で踏み込む。そうすることで、顧客や事業の課題を解決しつつ、より工数が少ない仕様や、より保守性の高いデータ構造、シンプルな仕様 を提案することができ...

はじめに最近は生成AIを使った開発は当たり前となっていて、コードを書くスピードそのものは飛躍的に向上しています。ただ、AIを使って１つ１つの実装タスクを逐次的に進めていくだけだと、事業全体への貢献という観点ではまだ限定的ではないかと感じています。より事業に対する貢献度を高める上で個人的に必須になってくると考えているのがAIによる並列開発です。複数のタスクを並列で実装したり、複数の開発案件を並列で回すことが出来れば事業に対する貢献度もより大きくなると考えています。しかし、並列開発しようと思ってもなかなか既存の逐次的に進めるやり方から抜けられなかったり、スイッチングコストやコン...

!本稿における「LLMプロダクト」は、LLMを用いたプロダクトや機能のことを意味します。 モチベーションLLMプロダクトの評価は難しい。人事評価がとても難しいように、一見優秀に見えるLLMの主張やAIエージェントの行動を、一体どのように相対的に評価すれば良いのか。頭を抱えている方も多いと思います。何を隠そう、かく言う私も頭を抱え続けている一人です。という訳で、本稿では、LLMプロダクトをどのように評価すべきか、基本的な考え方を今一度整理することを目的に、現時点の情報をもとに調査した内容をまとめました。 なぜ評価を行うのか？そもそもなぜ評価を行う必要があるのでしょうか...

概要こちらの記事ではコンテナ上で動作するNext.jsのbuildを色々な方法で実施し検証しています。 背景業務の一環でDockerfileの見直しをしていた際に「Next.jsのbuildってどう実施するのが最適なんだろう」と思い、考えたbuild方法をとりあえず検証してみることにしました。 前提 ソースコードついてNext.jsで作られた小規模プロジェクトです。├── README.md├── docker│ ├── Dockerfile│ ├── Dockerfile.p1│ ├...

本記事の要約本記事では、CLI ベースの AI コーディングツール（Claude Code / OpenCode / Codex CLI / Cursor CLI / AmpCode）を比較します最初の選択としては「Claude Code」または「OpenCode」がおすすめすでに Claude（Pro / Max）を使っている → Claude CodeGitHub Copilot や複数モデルを使いたい、コストを抑えたい → OpenCodeChatGPT Plus のみ契約している → Codex CLIIDE ベースで補完・diff レビューを重視したい ...

はじめに昨今は生成AIの追い風もあり、多くの現場で複雑な業務課題を解決するAIシステムが開発されていることと思います。（筆者も現在進行形で、複雑なビジネスドメインを扱うLLMワークフロー開発と熱い格闘を繰り広げている真っ最中です。）やはり、AIを取り扱うプロジェクトには不確実性による難しさがあります。更に、既存のビジネスやシステムに対してAIを適用するとなると、これまで長年に渡って培われたビジネスドメインやデータに対して深く取り組む必要があり、この複雑性も難しさに拍車をかけます。本稿は、これまで私が現職や以前のキャリアの中で、様々な現場業務に対してAIを適用するプロジェクト...

!💡 この記事は「ターミナルは使えるけど、設定はデフォルトのまま」という方向けの入門記事です。 🤔 あなたのターミナル、他人に見せられますか？突然ですが、あなたのターミナル環境、他人に見せられますか？↑ デフォルト。情報量ゼロ。デフォルトのままの真っ黒な画面に白い文字だけ？それ、スッピンで面接行くようなものですよ「いや、動けばいいでしょ」って思ったそこのあなた。気持ちはわかります。めっちゃわかります...しかし、こんな経験ありませんか？新しいPCを買うたびに環境構築で丸一日潰れる（しかも毎回微妙に違う環境が出来上がる）「その設定どうやってるの？」と聞かれても...