記事一覧

Claude Code を使って1,255体ものAIペルソナを動かし、歌舞伎町の夜（22:00〜02:00）を丸ごとシミュレーションするという実験が話題になっています。AIエージェント研究者の「すぐる」さん（@SuguruKun_ai）が実施したこの試みは、マルチエージェントAIによる社会シミュレーションの新たな可能性を示しています。 実験の概要 実験のセットアップはシンプルながら規模が大きいものです。 使用ツール: Claude Code AIエージェント数: 1,255体 シミュレーション対象: 歌舞伎町（新宿）の夜 シミュレーション時間: 22:00〜02:00（4時間） 実行方式: 240分を1分刻みで回す（タイムステップ方式） 各AIエージェントには固有のペルソナが与えられ、「それぞれの人生を抱えて歌舞伎町を彷徨う」という設定です。観光客、ビジネスマン、地元住民など、異なる背景を持つ人物像がリアルな夜の繁華街を動き回ります。 驚きのシミュレーション結果 240分のシミュレーションを実行した結果、現実の歌舞伎町を彷彿とさせるリアルな数値が出ました: 指標 結果 予算超過率 53.7% 客引き遭遇 224件 ぼったくり被害者 23人（観光客の11.5%） 総消費額 ¥29,517,700 特に「観光客の11.5%がぼったくり被害に遭う」という数値は、現実の繁華街リスクと照らし合わせても説得力があります。予算超過率53.7%は、夜の歌舞伎町での出費が予想外に膨らみやすいという現実を的確に捉えています。 なぜこの実験が面白いのか AIエージェントによる社会現象の再現 従来の社会シミュレーションは、統計モデルやルールベースのシステムで行われてきました。しかし今回の実験では、LLM（大規模言語モデル）ベースのエージェントが「意思決定」を行います。各ペルソナが自分の「人生」に基づいて行動するため、事前にプログラムしていなかった社会現象（ぼったくりの被害パターン、予算オーバーの傾向など）が創発（個々のルールには存在しないのに全体として現れる現象）として観察されます。 スケールの壁を超えたClaude Code 1,255体のエージェントを同時に動かすには、大量の並列処理が必要です。Claude Code のエージェントオーケストレーション能力を活用することで、こうした大規模マルチエージェントシミュレーションが個人の研究レベルで実現できるようになっています。 「1分刻み」のタイムステップ設計 240分（4時間）を1分ごとに区切って処理する設計は、「リアルタイム性」よりも「因果の連鎖」を追うための工夫です。ある時間帯の客引き遭遇が、次の分の意思決定に影響を与えるという連鎖が、リアルな消費行動を生み出します。 社会シミュレーションの応用可能性 この種の実験は、歌舞伎町という特定シナリオにとどまらず、幅広い応用が考えられます: 都市計画: 新しい施設や道路が人の流れに与える影響を事前シミュレーション 防災・安全対策: 緊急時の避難行動パターンの予測 経済政策: 価格変動や規制変更が消費者行動に与える影響分析 マーケティング: 特定の顧客層がどのような意思決定プロセスを経るかの理解 技術的なポイント ペルソナ設計の重要性 1,255体のAIに「それぞれの人生」を持たせるには、多様なペルソナ定義が必要です。年齢、職業、予算感、リスク許容度、アルコール耐性など、現実の人間の多様性を反映したパラメータ設定が、シミュレーションの精度を決定します。 LLMの「常識」を活用する ルールベースのシミュレーションと異なり、LLMベースのエージェントは「客引きに声をかけられたらどうするか」という判断を、事前に全パターンを列挙しなくても処理できます。モデルが持つ常識的知識と推論能力が、複雑な社会的相互作用を自然に再現します。 まとめ Claude Code × 1,255体のAIによる歌舞伎町シミュレーションは、マルチエージェントAIが社会科学的な研究ツールとして機能することを示した好例です。現実社会のリスク分布（ぼったくり被害11.5%・予算超過53.7%）を定量的に再現した点が、この実験の最大の価値といえます。 LLMの「個々の判断能力」と「大規模並列実行」を組み合わせることで、これまで計算コストや設計コストが高すぎて実現できなかった社会シミュレーションが、個人の研究者レベルで実行可能になってきています。 元の X スレッドでは順を追った詳細解説も公開されているので、技術的な実装に興味がある方はぜひチェックしてみてください。 参照: 元ツイート: https://x.com/SuguruKun_ai/status/2048692949282889870 著者: すぐる | ChatGPTガチ勢 𝕏 (@SuguruKun_ai)

バズった筋トレ系 Instagram リールの URL を Claude Code に渡し、「構成を完全再現しつつ日本人女性を生成して HyperFrames で編集して」と指示したら 60 秒の縦型動画が完成した——そんなデモが X で話題を集めています。この記事では HyperFrames の仕組みと Claude Code を使ったワークフロー、そして AI 時代に求められるスキルを整理します。 X で話題になったデモ @note_ai_mousigo（まな｜note×AIの申し子） さんが 2026 年 4 月 26 日（JST）に投稿したデモが反響を呼んでいます。 待ってwww これはヤバすぎるwww Claude Code にバズってる筋トレ系のインスタリールの URL を渡して、「構成を完全再現しつつ、日本人女性を生成して Renoise と Hyperframes で編集して」って伝えたらこうなった。 もう何でもありだな Claude Code！ ショート動画の価値も下がりそう😇 やっぱり AI マネタイズで大事になるのは、「企画力」「言語化力」だけだね！ 詳しいやり方はリプ👇 出力された動画は 720×1280 の縦型 MP4、再生時間 60 秒。Claude Code が URL を解析して構成を把握し、新しい素材に差し替えて HyperFrames でレンダリングした結果です。 HyperFrames とは HyperFrames は HeyGen が開発したオープンソースの動画レンダリングフレームワークです（Apache 2.0 ライセンス）。 ...

「Claude Code から Microsoft Teams にビルド結果を投稿したい」「OneDrive のファイルを Claude に読ませて要約させたい」──こうしたニーズは、AI 駆動の開発フローで日常的に発生します。本記事では、初心者でも今日から使える 3 つの方法を、難易度順にセットアップから操作まで解説します。 ...

「判断ロジックさえ言語化できれば、Claude Code で株式投資を自動化できるのでは？」という仮説を立て、3週間試した結果、月次リターン 4.19% を達成したという事例が話題になっています。 なぜAlpacaなのか 日本の主要ネット証券（SBI証券、楽天証券、マネックスなど）は、個人向けの自動売買 API を（調査した限りでは）公開していません。唯一カブコム証券には API がありますが、口座開設の手間や日本株に限定されるという制約があります。 米国株を自動売買したいなら、選択肢はほぼ Alpaca（アルパカ） 一択になります。 AlpacaのAPIが優れている理由 全機能を Python から操作可能: 注文・ポジション管理・履歴取得など 株・ETF・仮想通貨をすべて API で売買できる 「ほぼ自動売買のために作られた証券会社」という印象 ただしデメリットもあります。米国の証券会社であるため、確定申告の手続きが複雑になる点や、日本居住者の口座開設にそれなりの手間がかかる点は事前に承知しておく必要があります。 投資ロジックの言語化 このシステムの核心は「負けなければいい」という考え方です。予測に頼るのではなく、期待値がプラスになるルールを設定して淡々と運用するだけです。 麻雀で相手が満貫や倍満だと分かっているのに、リーのみでリーチしないのと同じ理屈で、期待値が見合っていない状況では投資しないのが原則です。 具体的には以下の3カテゴリのポートフォリオを組んでいます。 1. 資産の70%：配当貴族 「配当貴族」と呼ばれる、何十年も株価が上がり続けている銘柄に損切りなしで長期投資します。 2. 中期成長株 「-8% で損切り、+20% で利確」 というルールを設定しています。 期待値 = (0.33 × 20%) + (0.67 × -8%) = 1.24% 3回に1回勝てばトントン以上になる計算です。予測なしでルールを守るだけで期待値がプラスになります。 3. 短期株 「-3% で損切り、+9% で利確」 という設定です。 期待値 = (0.5 × 9%) + (0.5 × -3%) = +3% 勝率50%でも利益が積み上がる計算になります。 Claude Code + Alpaca API の連携構成 実装は驚くほどシンプルです。判断ロジックを言語化して API と連携するだけなので、特に難しいことはありません。 ...

海外で Claude Code 専用の「SEO エージェント」が話題になっている。月額 2 万円級の SEO ツールをサブスク不要・ゼロコストで完全代替できるという内容で、SNS では 70,000 インプレッション超・ブックマーク 1,300 件超を記録した。 何が起きているのか @ClaudeCode_love が 2026 年 4 月 26 日に投稿したツイートが発端。元ネタは @learnwithella による動画デモで、Claude Code の中だけで SEO の分析から記事生成まで全自動化する様子が紹介されている。 これまで SEO 担当者が直面してきた最大の壁は「月額課金ツールで手動分析」だった。毎月課金して CSV をダウンロードし、5 分で閉じる……そのワークフローをこのエージェントは丸ごと自動化する。 エージェントの主な機能 Google Search Console との自動連携 Google Search Console の API に接続し、自サイトのキーワード順位データを自動取得する。手動でのデータエクスポートが不要になる。 “あと一歩” キーワードの自動発見 順位 5〜20 位に入っているキーワードを抽出し、少しのコンテンツ改善でトップ 3 入りが狙えるキーワードを優先的にリストアップする。これは多くの SEO ツールが有料機能として提供している「ポジションギャップ分析」に相当する。 競合サイトの自動スクレイピング・分析 上位表示サイトを自動でクロールし、見出し構成・コンテンツ量・内部リンク構造などを分析。差分を把握したうえでコンテンツ戦略を立案する。 ブランドの声での記事自動生成 競合分析の結果をもとに、指定したブランドトーンで記事を自動生成する。生成した記事はそのまま公開フローに乗せることができる。 週次ランキング追跡・改善ループ 毎週のランキング変動を追跡し、改善アクションを自動提案するループを構成できる。一度設定すれば継続的な SEO 改善が自走する。 AI 検索への最適化 Google だけでなく、ChatGPT・Gemini・Perplexity などの AI 検索エンジンへの最適化にも対応。AI Overviews（AIO）時代のコンテンツ戦略を意識した設計になっている。 ...

Claude Code の作者自身が、自分のセットアップと使い方を 30 分にわたって公開した動画が話題になっている。東大の Claude Code 研究グループがその動画を解説するツイートを投稿し、注目を集めている。「プロンプトの巧さより設計が全てを決める」という主張が多くの共感を呼んでいるためだ。本記事では、そのツイートで紹介された 3 つのテクニックを解説する。 Claude Code の品質差が生まれる本当の理由 @sairahul1 のツイートでは、この動画を次のように紹介している。 The creator of Claude Code teaches more about vibe-coding in 30 minutes than most tutorials do in hours. Save this — it’ll change how you build forever. 多くのチュートリアルより深く「vibe-coding（感覚的・直感的な AI コーディング）」を学べると評されたこの動画は、88 万回以上の閲覧を記録している。 @ClaudeCode_UT（東大ClaudeCode研究所）はその内容をこう要約する。 Claude Code の品質差は「プロンプトの巧さ」じゃない 「計画→実行→検証の設計」で全部決まる 多くのユーザーが「良いプロンプトを書く技術」を磨こうとする一方、実は重要なのはワークフロー設計だという指摘だ。 3 つの核心テクニック 1. 計画モード（Plan Mode）で設計 → 自動実行で「1回で完了」 Claude Code には実装に入る前に計画だけを立てる「計画モード（Plan Mode）」がある。このモードを使って事前に実装方針を固めてから自動実行に切り替えることで、手戻りなく「1回で完了」を実現できる。 1 2 3 /plan ← 計画モードに入る （設計・方針を確認する） Shift+Tab ← 通常実行モードへ切り替え 一発で完了させる鍵は「実行前の設計品質」にある。計画モードで Claude にタスクの全体像と制約を正確に把握させ、問題点を先に洗い出すことが重要だ。 ...

本記事では、Python の AST を活用して AI による脆弱性検出を効率化する手法を紹介します。Qiita の @PythonHaru 氏が公開した記事「コードを1行も読ませずに、AIに脆弱性を100%特定させる方法（理論編）」は 530 いいね・471 ブックマークを獲得し、X（旧 Twitter）でも急速に拡散しました。 この記事のポイント AI（LLM）に生のソースコードを読ませるのは、効率の悪い「情報の暴力」（情報量が多すぎて AI が処理しきれない状態） Python の ast モジュールで生成した Deep Structure Map（コードの骨格図）こそ、AI の推論能力を最大化する データの流入から危険地帯への到達をグラフ理論で定義すれば、理論上 脆弱性は100%特定可能 AIコードレビューの限界 GitHub Copilot や ChatGPT にコードをそのまま貼り付けて「脆弱性ある？」と質問する手法は今や一般的ですが、大規模プロジェクトでは2つの致命的な欠陥が生じます。 コンテキストの霧（AI が変数の出自を追跡できなくなる状態）— 数千行のコードを前にした AI は「どの変数がどこから来たか」を見失い、ハルシネーションを起こしやすくなる トークンの浪費 — コードの「書き方」というノイズに注目してしまい、肝心の「ロジックの破綻」に辿り着く前にリソースを使い果たす そこで著者は、AI にコードを1行も読ませるのをやめました。代わりに渡したのが、自作の解析コードが抽出した「コードの設計図（Deep Structure Map）」です。 Deep Structure Map：AI に「骨格」だけを渡す ソースコードは人間が読むための「肉体」ですが、AI が論理推論に必要なのは純粋な「神経系（ロジック）」です。Python の ast モジュールを使い、コードを以下の構造データへ変換します。 DeepAnalyzer クラス（ast.NodeVisitor を継承） 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 import ast class DeepAnalyzer(ast.NodeVisitor): def __init__(self): self.classes = [] self.functions = [] self.variables = [] self.scope_stack = [] self.call_graph = {} def visit_ClassDef(self, node): self.classes.append(node.name) self.generic_visit(node) def visit_Call(self, node): # 関数呼び出しをコールグラフとして記録 self.generic_visit(node) ast.NodeVisitor を継承した DeepAnalyzer がコード全体を走査し、クラス・関数・変数のスコープ情報とコールグラフを収集します。AI にはこの「関係性の結晶」だけをインプットします。 ...

福島県相馬市のパン屋「小麦の奴隷 相馬店」のオーナーが、コード経験ゼロから バイブコーディング（AI に自然言語で話しかけながらシステムを作り上げる開発スタイル）で「テイクアウト予約管理システム」を開発し、無料公開しました。Google Gemini と 500 時間かけて作り上げたこのシステムは、Google スプレッドシート + Google Apps Script（GAS）で動作し、初期費用・月額費用ともに 0 円です。 作ったのは「パン屋」 毎朝パンを焼き、接客をこなしながら、ずっと頭の片隅にあった課題——「予約管理、もっと楽にできないか」。 電話での注文受付や手書きのメモには限界があります。大手の予約管理サービスを使うと月額費用がかかり、小さな街のパン屋には導入ハードルが高い。そこでオーナーが選んだのが、Gemini と一緒に自分で作るという選択でした。 バイブコーディング（Vibe Coding）とは バイブコーディング（Vibe Coding）とは、AI に自然言語で「こういう機能がほしい」と伝え、生成されたコードをそのまま受け入れながら開発を進めるスタイルです。OpenAI 共同創業者の Andrej Karpathy が提唱した概念で、「コードの存在を忘れ、AI に任せきる」ことが核心にあります。従来のプログラミングのように構文を覚える必要はなく、「何をしたいか」を伝えることに集中できます。 このシステムでは： Gemini に「こういう動作をさせたい」と日本語で依頼 Gemini がコードを生成 GAS にコードを貼り付けて動作確認 うまく動かなければ Gemini にフィードバックして修正 1〜4 を繰り返す 500 時間という数字は、この試行錯誤の積み重ねです。非エンジニアがゼロから実用システムを作り上げた記録でもあります。 システムの構成 シンプルな構成の理由は明確です——すでに Google アカウントを持っていれば、追加のサービス契約なしにすぐ使える環境が整っています。 何ができるのか このシステムが解決するのは「注文受付とピッキング作業を楽にしたい」という、現場の本音から生まれた課題です。 テイクアウト注文の受付管理 注文一覧の可視化とピッキング作業の効率化 電話・手書きメモからの脱却 一方で、大手有料サービスのような機能（売上・在庫管理、オンライン決済など）は備えていません。「現場で本当に必要なこと」に絞って設計されています。 導入コストと方法 項目 内容 初期費用 0 円 月額費用 0 円 必要なもの Google アカウントのみ 導入時間 約 1 分 Google スプレッドシートの拡張として動作するため、特別なサーバーやインフラは不要です。 ...

個人開発アプリを MCP 化しようとして、認証の壁に阻まれた経験はないだろうか。 大手 SaaS が次々と MCP を公開する今、個人開発者も「自分のアプリを MCP で叩けるようにしたい」と思うのは自然な流れだ。 しかし認証の設計は想像以上に重い。 この記事では、WorkOS AuthKit を使えば MCP 認証（OAuth 2.0 Dynamic Client Registration 対応）を Next.js で 30 分・50 行以内に実装できる理由と具体的な手順を紹介する。 MCP 化の波が押し寄せている ここ数ヶ月で、Notion・Linear・Stripe・Vercel・Cloudflare など、ちょっと触っているサービスはほぼ間違いなく MCP を出している印象だ。 Claude Code や Cursor に登録すれば、「自分の Notion を読んで」「Linear に issue を立てて」が自然言語で動く。 個人開発者にとっても無視できない流れだ。 自分の作ったアプリも、CLI だけじゃなく MCP で叩けるようにしておくと、ユーザー体験が一段別物になる。 認証の壁 いざ自作アプリを MCP 化しようとすると、ほぼ全員がここで止まる。 「Bearer トークンを受け取って検証する」と書くと一行だが、実際には： ユーザーごとにアクセストークンを発行する仕組み Claude Code などのクライアント側がトークンをどう取得するか（OAuth？API キー手動コピペ？） トークンをどう保存・更新するか（リフレッシュトークン、有効期限…） 複数クライアントから同じユーザーが繋ぐ場合の扱い これを真面目に作ると、週末が溶ける。筆者（html-to-pptx 作者）も最初は自前で API キー方式を実装していたが、「MCP クライアントから自動でログインさせたい」と思った瞬間、設計が一気に重くなることに気づいた。 結論：WorkOS（AuthKit）を使え タイトルにも書いたが、もう一度言う。個人開発者が MCP 化するなら、WorkOS の AuthKit 一択だ。 B2B 向けのサービス展開を考えている場合も、その場合も WorkOS が特におすすめだ。 ...

2026年4月時点で GitHub スター 16万超を記録した Claude Code 向けプラグイン「Everything Claude Code（ECC）」。開発者は 2025年9月の Anthropic × Forum Ventures ハッカソンで優勝した Affaan Mustafa で、現在はコントリビューター170人以上を擁するオープンソースプロジェクトに成長しています。 本記事では、ECC の全体像を俯瞰しつつ、特に注目の instinct（直感）システム — Claude がセッションをまたいで自動的にパターンを学習する仕組み — に焦点を当てて解説します。 ECC とは Everything Claude Code は、Claude Code を「チャットツール」から「エージェントオーケストレーション基盤」に変える全部入りプラグインです。 48個の専門エージェント — planner や code-reviewer が必要な時に自動起動 183個のスキル — 言語ごとのベストプラクティスから記事執筆まで 79個のコマンド — /plan、/tdd、/security-scan など 自動化フック — ワークフローの自動化 AgentShield（セキュリティスキャナー） — 1,282のテストケースでエージェントの安全性を検証 2行のコマンドでインストール可能です: 1 2 /plugin marketplace add https://github.com/affaan-m/everything-claude-code /plugin install everything-claude-code@everything-claude-code ECC が生まれた背景 ECC は 2025年9月の Anthropic × Forum Ventures ハッカソンに端を発します。Affaan Mustafa が Claude Code のみを使って8時間でサービスを構築し優勝。賞金15,000ドル分の API クレジットを獲得した経験が出発点です。 ...