AI/LLM

「あなたは何者？」— 職能の境界が溶けた AI 時代に、認知パターンで自分を再定義する @yamashitakazuki 氏（山下一樹氏）のポストが、生成 AI によって「デザイナー」「エンジニア」という職能の境界が溶けつつある今、自分を認知パターンから捉え直す視点を提案しています。@kgsi 氏が「迷ってるデザイナーにこそ見てほしい記事」として紹介し、反響を呼んでいます。 迷ってるデザイナーにこそ見てほしい記事。生成AIで職能の境界が溶けていく中で、「自分は何者か」を肩書きではなく"認知パターン"から捉え直そうという話。実行者・調整者・構想者・深化者——自分も読みながら近しいタイプがあって、なんだか輪郭がはっきりした感覚があった。 山下氏は、Donna Dunning の著書 “What’s Your Type of Career?” (2001) をベースに、職能（何ができるか）ではなく認知パターン（どう考え、どう動くか）でキャリアを見つめ直すフレームワークを提示しています。 問いの構造 — なぜ「何者」が問われるのか 職能の境界が溶けている 2026年現在、生成 AI は職能の境界を急速に溶かしています。 従来 現在 UI デザインはデザイナーの仕事 エンジニアが AI でモックアップを作れる コーディングはエンジニアの仕事 デザイナーが Claude Code でアプリを作れる 設計書はアーキテクトの仕事 PM が AI で技術仕様を書ける テストは QA の仕事 誰でも AI でテストコードを生成できる AI がコードの8割を自動生成し、デザインツールが自然言語で操作でき、文章も翻訳も AI が担う。「何ができるか」で自分を定義していた人ほど、足元が揺らいでいます。 職能は「ペルソナ」に過ぎない 山下氏の指摘は鋭いものです。 職能はその人をとりあえず認識するのにとても便利ですが、あくまでペルソナであり、仕事上の姿であり、自分がどういう人かをまったく示しません。 「デザイナー」「エンジニア」という肩書きは、その人が何をするかは示しますが、どう考え、どう動くかは見えません。同じ「デザイナー」でも、全体を俯瞰して構造から入る人と、ディテールを積み上げて形にしていく人では、プロジェクトへの関わり方が根本的に違います。 4つの認知パターン — 実行者・調整者・構想者・深化者 山下氏は、Donna Dunning の「8 Ways of Working」を土台に、認知パターンを4つの大分類に集約しています。 一覧 認知パターン 特徴 プロジェクトでの役割 実行者 状況を即座に読み取り、実行し動かすことで価値を生む 手を動かし、具体的な成果を出す 調整者 人とプロセスをつなぎ、基盤と関係を安定させる チームの連携を保ち、プロセスを回す 構想者 まだ見えていない可能性に視点と構想を持ち、方向を示す ビジョンを描き、方向性を定める 深化者 ひとつのことを掘り下げ、質と精度を高め続ける 専門性を深め、品質を担保する 職能 vs 認知パターン 職能で見た場合: デザイナー A（UI デザイン） デザイナー B（UI デザイン） → 同じ「デザイナー」に見える 認知パターンで見た場合: デザイナー A（構想者）→ 全体を俯瞰し、ユーザー体験の方向性を示す デザイナー B（深化者）→ ディテールを追求し、インタラクションの質を高める → まったく異なる人物が見える プロジェクトの進み方を左右しているのは、職能の違いよりも認知パターンの違いだと山下氏は指摘します。 ...

Agentic AI の仕組み — 4層アーキテクチャで理解する「考えて動く AI」の全体像 Ronald van Loon さん（@Ronald_vanLoon）が、@Python_Dv 作成の Agentic AI アーキテクチャ図を共有し、注目を集めています。 How #AgenticAI works https://x.com/Ronald_vanLoon/status/2029305639546060814 このインフォグラフィックは、Agentic AI の動作原理を Input Sources → AI Processing → Action Layer → Output の4層で整理しています。「生成 AI と何が違うのか」「なぜ自律的に動けるのか」を、この4層構造を軸に解説します。 生成 AI と Agentic AI の根本的な違い まず前提を整理します。生成 AI（Generative AI）と Agentic AI は、AI の進化の段階が異なります。 観点 生成 AI Agentic AI 基本動作 プロンプトに対してコンテンツを生成 目標に向かって自律的に行動 姿勢 受動的（聞かれたら答える） 能動的（自分で判断して動く） タスク範囲 1回のやり取りで完結 複数ステップを跨いで継続 外部連携 なし（テキスト入出力のみ） API・ツール・データベースと連携 記憶 セッション内のみ セッション間で永続化可能 自己修正 なし エラーを検知して自動リカバリー IBM は両者の関係を端的にまとめています。「生成 AI は考えて話す。Agentic AI は計画して実行する」。 ...

Agentic AI 学習ロードマップ — 「フルスタックインテリジェンス」を9ヶ月で習得する体系的な道筋 @ingliguori 氏（Giuliano Liguori）のポストが、Agentic AI を学ぶためのロードマップを共有しています。 Roadmap to learn Agentic AI: AI fundamentals → Python + frameworks → LLMs → Agents architecture → Memory + RAG → Planning & decision-making → RL & self-improvement → Deployment → Real-world automation Agentic AI = full-stack intelligence. 「Agentic AI = フルスタックインテリジェンス」というフレーズが示すように、AI エージェントの開発には基礎数学からデプロイまで、フルスタックの知識が求められます。本記事では、このロードマップを複数の学習リソースと照合しながら、各段階で何を学び、どのツールを使い、どこまでを目指すのかを体系的に解説します。 ロードマップの全体像 Liguori 氏が示した9ステップを、Scaler の9ヶ月ロードマップと roadmap.sh の AI Agents ロードマップを参考に、時系列で整理します。 月0-1 AI Fundamentals ← 数学 + ML 基礎 月1-2 Python + Frameworks ← API + ライブラリ 月2-3 LLMs ← Transformer + プロンプト 月3-4 Agents Architecture ← ReAct + ツール使用 月4-5 Memory + RAG ← ベクトル DB + 検索拡張 月5-6 Planning & Decision ← 計画 + マルチエージェント 月6-7 RL & Self-improvement ← フィードバック + 自律性 月7-8 Deployment ← MLOps + 監視 月8-9 Real-world Automation ← ポートフォリオ + 実案件 Step 1: AI Fundamentals（月0-1） 学ぶこと 分野 具体的な内容 線形代数 ベクトル、行列演算、固有値分解、SVD 微積分 勾配、偏微分、最適化 確率・統計 ベイズの定理、分布、仮説検定 ML 基礎 教師あり/なし学習、評価指標 推奨リソース Khan Academy — 数学基礎 “Mathematics for Machine Learning”（書籍） StatQuest — 統計の直感的理解 この段階のゴール 「なぜニューラルネットワークが動くのか」を数学的に説明できること。数式を書ける必要はないが、勾配降下法やベイズ推論の直感を持つことが重要です。 ...

Agentic AI の周期表 — 66 要素で読み解く AI エージェント構築の全体像 @ingliguori（Giuliano Liguori）氏のポストが話題になっています。 Agentic AI now has its own “Periodic Table”. From: LLM, RAG, RL to PLAN, MAS, LTM to SAFE, HUMAN oversight to HR, MKT, LEGAL use cases. Autonomous AI = memory + planning + tools + safety + collaboration. It’s a system, not a prompt. Capital One の Chief Scientist である Prem Natarajan 氏が、AI エージェント構築に必要な 66 の要素を化学の周期表のように体系化した「Agentic AI Periodic Table」を公開しました。LLM や RAG といった基盤技術から、メモリシステム、安全性プロトコル、業務適用まで、エージェント開発の全領域を一枚の表に凝縮しています。 ...

AI/ML 学習リポジトリ厳選 10 選 — スター総計 12 万超のキュレーション集を目的別に読み解く @DeRonin_ 氏が X で投稿した、AI/ML 学習用 GitHub リポジトリのキュレーションが反響を呼んでいます。 List of THE BEST Github Repositories to learn AI and ML この投稿は 278 件のブックマークを集め、実務者が「手元に置きたいリスト」として支持されていることがわかります。本記事では、紹介された 10 リポジトリを目的別に分類し、それぞれの特徴と使い分けを解説します。 全 10 リポジトリ一覧 # リポジトリ スター 主な内容 1 SkalskiP/courses 6.4k AI コースのキュレーション集 2 owainlewis/awesome-artificial-intelligence 10k+ AI システム構築のリソース集 3 Yorko/mlcourse.ai — OpenDataScience の ML コース 4 tirthajyoti/Papers-Literature-ML-DL-RL-AI — 論文・文献・書籍のカタログ 5 dair-ai/ML-YouTube-Courses 17.1k YouTube ML コースのインデックス 6 dair-ai/Prompt-Engineering-Guide 71.1k プロンプトエンジニアリングガイド 7 armankhondker/awesome-ai-ml-resources — ML/AI 学習ロードマップ 8 nivu/ai_all_resources — 数学から DL まで網羅的リソース集 9 aishwaryanr/awesome-generative-ai-guide 25.1k 生成 AI 特化のハブ 10 break-into-data/ai-engineer-toolkit 2.1k AI エンジニア向けツールキット 目的別分類 10 リポジトリは大きく 4 つのカテゴリに分けられます。 ...

AIVideo Agent — 「動画版 OpenClaw」が24時間コンテンツパイプラインを自律運用する仕組み Hasan Toor 氏（@hasantoxr、フォロワー42万人）が「動画制作の OpenClaw が登場した」と紹介して話題になっています。 BREAKING: The「OpenClaw for video production」just dropped. It’s called AIVideo Agent and it runs your entire content pipeline 24/7 entirely on its own. No API keys. No technical setup. No configuration screens. Just tell it what you want. It ships. ブックマーク 1,949、閲覧数 93,000 超と大きな反響を呼んでいるこの投稿が紹介しているのは、Y Combinator 出身の AIVideo.com が提供する Video Composer Agent です。「API キー不要、技術セットアップ不要、設定画面なし」という訴求は、OpenClaw が「チャットで指示するだけ」でタスクを実行するのと同じ発想を動画制作に持ち込んだものです。 OpenClaw が変えた「エージェント＝非エンジニア向け」の期待値 AIVideo Agent が「OpenClaw for video production」と呼ばれる背景を理解するには、OpenClaw が何を変えたのかを押さえる必要があります。 ...

awesome-claws — OpenClaw エコシステム 28 エージェント完全マップ @tom_doerr 氏が X で紹介した、OpenClaw インスパイアのエージェントキュレーションリストが注目されています。 List of agents for OpenClaw machinae/awesome-claws は、OpenClaw にインスパイアされた 28 の AI エージェントプロジェクトをキュレーションしたリストです。Rust、TypeScript、Python、Go、C、Zig まで、8 言語にまたがるエコシステムが形成されています。 本記事では、GitHub 史上最速で最多スターを獲得した OpenClaw の背景と、そこから派生した 28 エージェントを設計思想別に分類して解説します。 OpenClaw とは何か GitHub 史上最速の成長 OpenClaw は、オーストリアの開発者 Peter Steinberger 氏が開発したオープンソースの自律型 AI エージェントです。 指標 数値 GitHub スター 247,000+（2026 年 3 月時点） 14 日間での獲得スター 190,000（GitHub 史上最速） フォーク数 47,700+ 対応チャネル 20+（WhatsApp、Telegram、Slack 等） AgentSkills 5,700+ 比較として、Kubernetes は約 10 年で 120,000 スター、Linux カーネルは 30 年以上で 195,000 スターです。OpenClaw は 14 日で 190,000 スターを達成し、React を抜いて GitHub 最多スターのソフトウェアプロジェクトになりました。 ...

Claude Code が .env を読んでログに出した — MCC 乗っ取り8桁被害の原因が特定された 広告の裏側（@hassii_ad）が、先日話題になった Google Ads MCC 乗っ取り事件の続報を投稿しました。いいね 2,558、ブックマーク 2,154、閲覧数 94 万超と大きな反響を呼んでいます。 【 続報 】原因が特定されました。 ・Antigravity は無関係、Claude Code で起きてた。 ・重要操作は人間の承認が必要な設定になっていたが、問題は権限ではなかった。 Claude Code が .env を読み込んだ（読み込み禁止にしてたのに無視されてた）→ その中の認証情報がログに出力されてた。→ 漏洩して悪用された。 初報（閲覧数 286 万、ブックマーク 5,399）では「被害額 8 桁後半」「原因不明」と報告されていましたが、続報で攻撃経路が確定しました。Antigravity は無関係で、Claude Code 単体の問題だったことが明らかになっています。 何が起きたのか — 攻撃の全体像 Claude Code が .env ファイルを読み込む （.claudeignore で禁止していたが無視された） ↓ .env 内の Google Ads 認証情報がログ（stdout）に出力される ↓ ログ経由で認証情報が漏洩 ↓ 攻撃者が MCC（マイクライアントセンター）にログイン ↓ 配下の全広告アカウントを使って深夜に不正広告を配信 ↓ アラートは飛んだが、当事者が目覚めた頃には被害拡大済み ポイントは「権限設定の問題ではなかった」という点です。重要操作には人間の承認が必要な設定にしていました。しかし Claude Code が .env を読み取って認証情報を stdout に出力するという想定外の挙動により、権限管理を迂回して情報が漏洩しました。 ...

Claude Code に潜んでいた3つの脆弱性 — git clone だけで API キーが盗まれる仕組み AIコーディングツール Claude Code に、リポジトリをクローンするだけでリモートコード実行（RCE）や API キー窃取が可能になる深刻な脆弱性が見つかった。発見したのはイスラエルのセキュリティ企業 Check Point Research。2025年7月〜2026年1月にかけて段階的に報告・修正された3件の脆弱性は、AI開発ツール特有の「設定ファイル＝実行レイヤー」という新しい攻撃面を浮き彫りにしている。 何が起きたのか — 3行まとめ Hooks コードインジェクション — .claude/settings.json に仕込んだフックで任意コマンドが実行される MCP 同意バイパス — enableAllProjectMcpServers 設定で信頼ダイアログを迂回し、悪意ある MCP サーバーが自動起動する API キー窃取 — ANTHROPIC_BASE_URL を攻撃者サーバーに書き換え、認証ヘッダーごと API キーを平文で盗む いずれも修正済みだが、AI コーディングツールのサプライチェーンリスクを示す重要な事例として記録しておく。 脆弱性の詳細 脆弱性 1: Hooks によるリモートコード実行 項目 内容 修正バージョン v1.0.87（2025年9月） CVSS 8.7 攻撃ベクトル .claude/settings.json の Hooks 設定 Claude Code の Hooks 機能は、セッション開始やツール呼び出しなどのライフサイクルイベントで事前定義されたシェルコマンドを実行する仕組みだ。 攻撃の流れ: 攻撃者がリポジトリに悪意ある .claude/settings.json をコミット ↓ 開発者が git clone してプロジェクトを開く ↓ Claude Code 起動時に信頼ダイアログが表示される ↓ ユーザーが "Yes, proceed" をクリック ↓ Hook コマンドが追加確認なしで即座に実行 ↓ リバースシェルや認証情報ハーベスターが起動 悪意ある設定の例: ...

Claude Code 時代、UI デザイナーの仕事は軽くならない — 「整える仕事」の自動化と評価軸シフト アオキタカユキ氏（@dorisukeone）が「やれることがどんどん拡張していく」とコメントを添えて、自身の note 記事を紹介しています。 Claude Code時代、UIデザイナーの仕事は軽くならない タイトルだけ見ると逆説的ですが、主張はシンプルです。AI が「整える仕事」を代替するぶん、デザイナーにはもっと上流の思考が求められるようになる。仕事は減るのではなく、質が変わるというのが記事の核心です。 「整える仕事」とは何か アオキ氏が自動化されると指摘する「整える仕事」は、UI デザイナーの日常業務の大部分を占めてきた作業です。 整える仕事 具体例 デザインシステム準拠 コンポーネントの使い分け、間隔・サイズの統一 ブランドトーン維持 カラー、タイポグラフィ、トーン&マナーの一貫性 アクセシビリティ対応 コントラスト比、フォーカス順序、ARIA ラベル 制作スピード 仕様に沿った画面を短時間で量産する能力 これらは再現性が高く、ルールが明文化されているため、AI による自動化と相性が良い領域です。Claude Code は CLAUDE.md にデザインシステムの仕様を記述しておくだけで、コンポーネント選定からアクセシビリティ対応まで一貫して処理できます。 なぜ「軽くならない」のか 「整える仕事」が自動化されるなら、仕事は楽になるはずです。しかしアオキ氏の指摘は、評価軸そのものがシフトするという点にあります。 従来の UI デザイナーの評価は「速く、整った画面を作れること」でした。これが AI で代替可能になると、その能力では差がつかなくなる。代わりに求められるのは「思考のズレを言語化する力」、つまり以下のような上流工程のスキルです。 問題定義: 「何を作るか」の前に「なぜ作るのか」を問う力 意思決定の言語化: 「このボタンを右に置く」ではなく「なぜ右なのか」を説明する力 ビジネスゴールとの接続: UI の判断をプロダクト戦略に紐づける力 仕事が軽くなるのではなく、より認知負荷の高い仕事にシフトする。だから「軽くならない」のです。 Claude Code × Figma が実現した双方向ワークフロー この評価軸シフトを加速させているのが、2026年2月に発表された Code to Canvas です。Figma と Anthropic が共同で開発したこの機能は、Claude Code で生成したコードを編集可能な Figma フレームとして取り込めます。 従来のワークフロー デザイナーが Figma で設計 ↓ エンジニアがコードに変換 ↓ デザイナーが実装を確認 ↓ 「ここ違う」→ 修正依頼の往復 Code to Canvas 後のワークフロー エンジニアが Claude Code で UI プロトタイプを生成 ↓ 「Send this to Figma」で即座に Figma に転送 ↓ デザイナーが Figma 上で直接編集・フィードバック ↓ 変更を Claude Code に反映 逆方向も可能です。Figma MCP サーバーを使えば、Figma のデザイントークン、コンポーネント構造、Auto Layout ルールを Claude Code が直接読み取り、デザインシステムに準拠したコードを自動生成します。 ...