SKILL.md name japanese-tech-writing description 日本語の技術文書・書籍原稿の文章規範。整形（一文一行、引用ブロック、脚注、コラム記法）、段落と論証の構成（パラグラフライティング）、論証の厳密さ（ツッコミどころの除去）、読み手の負荷の管理、視点と語り、演出の抑制、LLM っぽい空句の禁止、冗長の排除を定める。日本語で技術書の章、草稿、記事、解説文を書くとき、または推敲・リライトするときに使用する。 日本語技術文書の文章規範 日本語で技術的な原稿（書籍の章、記事、解説文）を書く・推敲するときは、以下の規範に従う。 整形 一文ごとに改行する。段落の区切りは空行で示す。 コード、差分、ログ、設定ファイルの断片はコードブロックで示す。 用語の由来や定式化の名称など、本筋から一段外れる補足は、本文に並べず脚注（[^ラベル]）に降ろす。 定義や分類の列挙は
LLMについて基礎理論から最新のモデル動向までを一気通貫で学べる実践型講座。 学生や一部社会人はどなたでも無料で受講可能です。 東京大学 松尾・岩澤研究室「大規模言語モデル（LLM）講座 2025 基礎編」講義資料を無料公開中 本資料は2025年10月から11月にかけて開催され、 延べ4,000名以上が受講した 「大規模言語モデル（LLM）講座 2025 基礎編」の講義資料です。 大規模言語モデル（LLM）について、 基礎理論から最新動向まで体系的にまとまっています。 ぜひダウンロードのうえ日々の学習や業務にお役立てください。 大規模言語モデル講座について 大規模言語モデル（LLM）寄付講座は、東京大学松尾・岩澤研究室による、 大規模言語モデル（LLM）の仕組みと最新動向を体系的に学べる無償のオンライン講座です。 昨年度は約4,000名を超える方々にご受講いただき、大変反響をいただきました
こんにちは！システムセキュリティ推進グループの小笠原 (@gassara5) です。 最近では連日のサプライチェーン攻撃の増加やClaude Mythosを始めとしたAIのサイバー攻撃能力を考えると、守り側もAIを使わずにはいられない時代になりました。 今回は、私たちが実装したセキュリティエージェント「BUGMAP」の事例をご紹介したいと思います。BUGMAPはセキュリティチームだけでなく、社内のエンジニアが使えるツールとして提供しています。 ＊ BUGMAP： 「BUG（脆弱性）がどこにあるか明らかにし、解決のための道のり=MAP（地図）を提供する」、という意味合いで名付けました なぜBUGMAPを作ったのか 私たちセキュリティチームはプロダクトセキュリティの課題解決がミッションとなります。その中でも、リリース前などに実施する脆弱性診断や、設計レビュー、脅威検知・モニタリングをメインに行
生成AIがプロンプトからコードを大量に生成してくれるので、出力されたものを理解する時間と引き換えに早くリリースする。この構造は技術的負債と同じなので「認知負債」と呼ばれることがある。 Margaret-Anne Storey が AI 時代のソフトウェア健全性を技術的負債・認知負債・意図負債の3層で整理している Addy Osmani は AI 生成コードでこのギャップが急拡大する現象を「理解負債」と呼ぶ Thoughtworks Technology Radar では "コードベースの認知負債" を Caution に分類している 認知負債と意図負債を分ける Storey の3層モデルの肝は、コード側の問題 (技術的負債) と人間側の問題を分けただけでなく、人間側をさらに「人の頭の中」(認知負債) と「外部化された知識」(意図負債) に分けたことにある。 table:table 種類 宿
こんにちは、北海道から freee red team*1に参加している yu です。 北海道は春らしい暖かい日が続き、雪も溶け、私は冬に家の前で落としたスマートリングをようやく見つけることができました。北国での冬の落とし物は往々にして春を待たなければならないことがあります。 さて、そんなことよりも今日は2022年に始まった freee Security Champions*2 のこれまでの歴史と、今なお進化し続けるこの制度についてご紹介します。 Security Champions Program の開始（2022年） 2022 年に私が freee へ入社した頃、当時の PSIRT（Product Security Incident Response Team）は急速に拡大する Agile な開発組織の中でどのように Shift Left*3 するのか少ないリソースの中で腐心していました
はじめに 「Agentic Coding 生成AI時代のシステム開発入門」という本を出すくらいなのでAIエージェントのハーネスには興味があって、1週間ほど調査した結果、「ハーネス」の見え方が固まりつつあるので、表題についてラフに書き留めておきます。根拠があるものないものがあるので話半分に読んでください。 スライドの形式で読みたい人はこのスライドの30Pまでくらいを読むと、本記事に近い知見を得られます。 1. ハーネスという言葉への混乱 最近、AI Agent関連のドキュメントやブログで「エージェントハーネス」「ハーネスエンジニアリング」という言葉がよく出てきます。言葉がそれぞれ指す概念が曖昧かつズレている場合がちらほらあり、バズワードなのかなと感じてしまうのが最近の悩みです。 内部ハーネスと外部ハーネス コーディングエージェントユーザ視点でのmartinfowlerのハーネスの記事があって
1. 初めに の記事の続きとなります。 vLLMでRayを使用したマルチノード推論実施方法について共有できればと思います。 2. ノードの概念とマルチノードの必要性について ここでは、ノードの概念について説明したいと思います。 ノードは簡単に言うと物理的なマシンのことです。例えば、下記の図をイメージしていただければと思います。 簡単に言うと、「1マシンを1ノードにして分かりやすくしよう」という概念です。 ここで考えて頂きたいのが、1マシン(1ノード)に乗り切らない場合です。 その際の解決策として複数のマシン(ノード)を使用する方法があります。これをマルチノードと呼びます。 3. rayについて マルチノードを扱うことが出来るライブラリの1つとしてrayがあげられます。 rayは、複数のノード(マシン)にまたがって処理を実行するためのフレームワークの1つなので、今回の推論ではこちらのライブラ
TL;DR 東京大学松尾・岩澤研究室主催のLLM開発コンペ2025における評価班の取り組みについて説明します。参加したRAMENチームはなんと予選通過を果たしました。そこで得た、LLMモデルをHPCクラスタ（マルチGPU/マルチノード）環境下でモデル評価ツールvLLMを動かすための注意点を列挙。原因・背景も記載したので、できれば機序を理解しつつFIXにご利用ください。 はじめに 今年2025年 東京大学松尾研が主催する松尾研LLM開発コンペ2025に参加しました。昨年 Geniac2024の枠組みで実施された松尾研LLM開発コンペでは当時最新のモデルに劣らない性能の「Tanuki-8×8B」が開発・発表され話題となったことは記憶に新しいところです。 今回参加した松尾研LLM開発コンペ2025ではチームRAMENに参加させていただき、開発モデル評価を行う評価を担当しました。そこではvLLMを
世は大 AI 時代ということで、調べ事や開発に様々な AI を利用するようになりました。 AI 失業だの SaaS is dead だのと騒がしいですが、そういうのは今日は置いておきます。 AI を使うのも良いですけど、せっかくソフトウェアエンジニアをやっているのですから、自分で作ってみるのもいいですよね。 結論から先に書いておくと、AIエージェントも今どきは簡単に自作できるようになっています。 この記事では Google 製の Agent Development Kit (ADK) を使いますが、何を使うにせよ、そもそも AI エージェントがどう動いているか理解しておかないと効率が悪いです。 それだって AI に聞けば出てくる、、わけですが、まあ人間が要点をまとめた記事にもまだ五円くらいは価値があるかなってことでまとめてみました。 ... お察しの通り、AI に指示して書かせたわけですけ
はじめに こんにちは。SREホールディングス株式会社の西野です。SREでは主に画像認識案件のPLを担当しています。 最近、かなり出遅れ気味でLLMのプロジェクトに関わり始めたので、キャッチアップのために勉強している最中なのですが、その際にKVキャッシュについて”完全に理解した”ので、その内容をまとめて紹介したいと思います。（”何も分からない”の領域を目指して、キャッチアップに邁進しています） 併せて、簡単に生成AI（transformer）の基礎的な部分にも触れたいと考えています。 対象読者 LLM関連プロダクト/プロジェクトに関わっているがKVキャッシュを知らない、もしくは説明できない人 KVってなに？ KVは知っているけど、なぜQはキャッシュ対象ではない？ KVキャッシュはどのタイミングで利用される？ 前提 transformerの基本知識にも触れたいとは思いますが、以下の神動画があま
JOURNALについて データアナリティクスラボ株式会社では、ITやデータサイエンスに関する技術の研究活動を行っています。このブログでは、研究活動で得られた知見や検証結果についての情報を発信します。 本ブログで提供される情報は、可能な限り正確かつ最新の情報であるように努めますが、必ずしもその正確性を保証することはできません。場合によっては誤情報が含まれたり、最新の情報ではない可能性もあります。予めご了承いただけますようお願い申し上げます。 はじめに データソリューション事業部の力岡です。 近年、大規模言語モデル（LLM）を利用する機会は増加しており、GPTやClaudeといったクローズドなモデルだけでなく、自身の環境でオープンソースのLLMを活用したいと考える人が徐々に増えてきています。しかし、その場合に課題となるのは、推論速度の遅さや計算資源の制約です。 本記事では、LLMの推論速度を大
はじめに こんばんは、mirukyです。 今回はいつものAWSシリーズとは少し毛色を変えて、AIコーディング時代のセキュリティについて書きます。 2025年から2026年にかけて、GitHub Copilot、Claude Code、Cursor、Cline、Amazon Q DeveloperなどのAIコーディングツールが急速に普及しました。コードを書くハードルが劇的に下がり、「プログラミング未経験でもアプリが作れる」時代が到来しています。 しかし、コーディングが楽になった裏側で、セキュリティリスクは確実に増大しています。 AIが生成したコードをノールックでコピペしていませんか？ AIが提案したパッケージを検証せずにインストールしていませんか？ ターミナルに貼り付けるコマンドの中身をちゃんと読んでいますか？ 本記事では、2026年3月時点の最新のセキュリティ事案・攻撃手法・業界動向を徹底
はじめに こんばんは、mirukyです。 前回の記事「コーディングが楽になったからこそ気をつけるべきセキュリティ」では、AIコーディング時代のセキュリティリスクについてまとめました。 今回は、あの記事の中では深く触れられなかったRAG（Retrieval-Augmented Generation）システムのセキュリティ脅威に焦点を当てます。 RAGは今、企業のAI活用で最も導入が進んでいるアーキテクチャです。 社内ドキュメントをベクトルDBに取り込み、LLMに「自社の知識」を与える。Microsoft 365 Copilot、Amazon Q Business、社内チャットボット…どれもRAGを核としています。 私の記事でも、度々RAGを用いたナレッジベース構築を行ってきました。 しかし、米国のセキュリティ研究コミュニティでは、RAG固有の脅威が次々と報告され始めています。 2026年3月
スライド概要 # AI時代を生き抜くセキュリティエンジニアの条件 学生のためのサイバーセキュリティカンファレンス「P3NFEST 2026 Spring」での講演資料です。 近年、大規模言語モデル（LLM）やAIエージェントの急速な進化により、サイバーセキュリティの世界は大きな転換点を迎えています。AIは脆弱性の発見、コード生成、インシデント分析など多くの領域で強力なツールとなり、防御側だけでなく攻撃者側にとっても新たな武器となっています。実際、CTFや脆弱性研究の分野でも、AIを利用して脆弱性の発見からエクスプロイトの作成までを効率化する例が増えています。 しかし、AIは万能ではありません。 現在のLLMは学習データに強く依存する帰納的なシステムであり、未知の概念の発明や現実世界の意味理解には限界があります。また、統計的な相関関係を学習する仕組みであるため、因果関係の理解や文脈依存の意思
概要 Docker Desktop v4.61.0 で Docker Sandboxes （※Experimental=実験的機能） が v0.12.0 となり、従来の Claude、Copilot、Gemini 等のサンドボックスに加えて、新たに Shell や OpenCode がサポートされました。 Docker Sandboxesは、macOS や Windows (WSL2) に既に存在する Docker Engine とは別の仮想マシン環境を作成し、そこでエージェントなどを安全に動かすための仕組みです1 。具体的には、共有していないホスト側のディレクトリは一切見えないものの、ストレージ領域はリアルタイムに共有できたり、HTTP/HTTPS以外の通信はデフォルトで遮断したり、特定のネットワークに対する通信の許可・拒否ができます2。通信状況をチェックする機能もあるため、意図しない通
AIペンテストツールが急に増えた 最近、タイムラインにAIペネトレーションテストの話がやたら出てくる。 1年前はPentestGPTぐらいしかなかった。それが2025年の後半から急に増えて、2026年2月の時点でオープンソースだけで8つ以上、商用サービスも5つ以上ある。 なんでこんなに急に増えたのか。まず、LLMがかなり賢くなって、セキュリティツールとの連携の仕方が固まってきた。NmapやMetasploit、SqlmapといったツールをAIエージェントが自分で選んで回せるようになった。つまり、作る側の準備が整った。 もう1つは、テストしなきゃいけないコードが一気に増えたこと。バイブコーディングで、プログラミングの経験があまりなくてもプロダクトを作れるようになった。そのぶん、セキュリティの穴があるアプリも増えている。人間のペンテスターだけじゃとても回らない。ツールを作れるようになった側と、
1. はじめに 2025年6月、セキュリティ業界にとあるニュースがでました。LLMを搭載した自律型ペネトレーションテストツール XBOW が、世界最大のバグバウンティプラットフォーム HackerOne の米国リーダーボードで #1 を獲得したというニュースです。[1] これまで、壁打ち相手としての活用が多く、セキュリティ業務へAIを取り込む試みや研究は行われてきましたが、XBOWは大きなインパクトを背負って登場したなと記憶しています。 2023年に弊社の寺田による記事 ChatGPTで脆弱性を探す でペイロード生成を検討していましたが更にステージが進んだと言ってもよいでしょう。 「AIエージェントは、セキュリティ診断のワークフローをどこまで自動化できるのか？」 筆者自身、日頃はWebアプリケーションの脆弱性診断に従事しています。2024年後半からLLMを診断業務に取り入れる試みを続けてき
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
