youtube版(スライド付き)

背景と課題

現在、CursorやClaude Codeのような「コードを書くだけでなく実行もできる」エージェントが注目されています。しかし、LLM（大規模言語モデル）が生成した信頼できないコードを開発環境や社内インフラ上で直接実行させることは、予期せぬ破壊的アクションやセキュリティリスクを伴います。これを防ぐために開発者が自前で隔離環境（コンテナ等）を構築・管理するのは、リソース制限やネットワーク制御などの面で非常に手間がかかる作業でした。

LangSmith Sandboxesとは

LangSmith Sandboxesは、LangSmith SDKからわずか一行のコードで起動できる、使い捨て可能な「隔離された実行環境」です。新人エンジニアの方でも、複雑なインフラ構築を意識せずに「安全な遊び場」をエージェントに提供できるようになります。

主な特徴

高度なセキュリティ（MicroVM）: 単なるLinuxの名前空間による隔離ではなく、ハードウェア仮想化された「MicroVM」を採用しており、極めて高い独立性を確保しています。
導入の容易さ: すでにLangSmithを利用している場合、PythonやJavaScriptのSDKを通じてすぐに利用可能です。
柔軟なカスタマイズ: 独自のDockerイメージを持ち込める（BYOD）ため、特定のライブラリやツールが必要な業務にも対応できます。
ステートの維持と共有: 複数のエージェント間で同じサンドボックスを共有したり、スレッドをまたいでファイルやパッケージの状態を保持したりすることが可能です。
認証プロキシ: 外部サービスへのアクセスには認証プロキシを経由するため、サンドボックス内に機密情報（APIキー等）を直接置く必要がなく、安全です。

想定されるユースケース

データ分析エージェント: データセットに対してPythonスクリプトを実行し、結果を可視化する。
コーディングアシスタント: 出力したコードが正しく動作するか、応答前に自身で検証する。
CI/CDエージェント: リポジトリをクローンし、依存関係をインストールしてテストを実行した上でプルリクエストを作成する。

このプラットフォームの登場により、AIエージェントの利便性を損なうことなく、エンタープライズレベルの安全性を確保したアプリケーション開発が容易になります。エージェントが「考えて実行する」ための強力なインフラとして、今後の発展が期待されます。

引用元: https://blog.langchain.com/introducing-langsmith-sandboxes-secure-code-execution-for-agents/

Introducing Forge

Mistral AIが発表した「Forge」は、企業が持つ独自の知識（社内規定、コードベース、運用プロセスなど）を深く学習させた、自社専用の「フロンティア級AIモデル」を構築するためのシステムです。

従来のLLMの多くは公開データで学習されているため、特定の企業の内部事情や専門用語を完全には理解できません。Forgeはこのギャップを埋め、汎用的なAIを「自社の文脈を理解する高度な専門家」へと進化させます。

【主な特徴と技術的ポイント】

組織知をモデルに内面化事前学習（Pre-training）、事後学習（Post-training）、強化学習（RL）の各段階をサポートしています。これにより、モデルは単に情報を検索するだけでなく、その組織特有の推論パターンや制約を学習し、社内用語を用いた高度な思考が可能になります。
信頼性の高い「AIエージェント」の実現 Forgeで構築されたカスタムモデルは、社内システムを操作するエージェントの「脳」として機能します。自社のポリシーや業務ロジックを理解しているため、ツールの選択精度が向上し、複雑なマルチステップのワークフローも正確に実行できるようになります。
エージェント・ファーストな設計 Forge自体がAIエージェントによる利用を想定して設計されています。例えば、自律型エージェントが自らモデルの微調整（ファインチューニング）を行ったり、ハイパーパラメータを最適化したり、合成データを生成して評価指標を改善したりすることが可能です。
柔軟なアーキテクチャと制御「Mixture-of-Experts (MoE)」アーキテクチャをサポートしており、高い性能を維持しながら計算コストやレイテンシを抑えた運用が可能です。また、モデルの所有権やデータのガバナンスを企業側で完全にコントロールできるため、セキュリティ要件の厳しい環境でも安心して導入できます。

【新人エンジニアへのメッセージ】これからのAI活用は、既存のチャットツールを使う段階から、自社のエンジニアリング資産やナレッジをモデルに組み込み「自社専用の強力な武器」を作る段階へと進みます。Forgeは、RAG（検索拡張生成）の先にある「モデルそのものを自社の色に染める」アプローチを簡略化するものであり、エンジニアにとってAIをインフラとして使いこなすための強力なツールとなるでしょう。

引用元: https://mistral.ai/news/forge

Coding Agent時代のドキュメントについて考えていること

AIがコードを書く「Coding Agent（コーディングエージェント）」が普及する現代において、エンジニアが作成するドキュメントの在り方を問い直す考察です。新人エンジニアの方にとっても、効率的な開発スタイルを学ぶ上で非常に示唆に富む内容となっています。

1. ドキュメントの課題：なぜドキュメントは「腐る」のか ドキュメントは本来、プロジェクトの「正しさの根拠（Single Source of Truth）」であるべきですが、コードと異なり、内容が古いまま放置される「腐敗」が起きやすい性質があります。コードにはコンパイラやテストによる自動的なフィードバックがありますが、自然言語で書かれたドキュメントにはそれがありません。AIエージェントはドキュメントを「正しい文脈」として読み取るため、古いドキュメントはAIに誤った行動をさせ、静かに開発効率を低下させます。

2. Agent時代に書くべきドキュメントの仕分け AIエージェントにとって扱いやすいドキュメントにするため、以下の4つに分類して管理することを提案しています。

導出可能（書かない）: コードから読み取れるAPI仕様などは、AIが自らコードを解析できるため記述不要。
検証可能（テストへ移す）: 「レスポンス速度」などの制約は、ドキュメントではなくLinterやテストコードとして記述し、機械的にチェック可能にする。
不変の記録（ADRとして残す）: 過去の決定事項（ADR: Architecture Decision Records）は、追記型で保存し、AIが経緯を辿れるようにする。
還元不能（自然言語で残す）: 「なぜこの設計にしたか（Why）」「なぜ採用しなかったか（Why not）」といった、コードからは読み取れない背景・文脈こそが、人間が書くべきドキュメントの本質。

3. 二層構造によるドキュメント配置 AIエージェントの作業効率（コンテキスト制限）を考慮し、ドキュメントを二層で管理します。

Layer 1 (CLAUDE.md 等): エージェントが常に参照する「作業記憶」。禁止事項やビルドコマンドなどを60行程度で簡潔に記述。
Layer 2 (docs/フォルダ): 必要に応じてAIが読みに行く「長期記憶」。ADRや詳細な背景情報を格納。

4. ドキュメントを「腐らせない」運用 ドキュメントの鮮度を保つため、機械的なフィードバックループを導入します。

鮮度チェック: ドキュメントの最終確認日を管理し、古くなったらコミットをブロックするスクリプトを運用。
ROIの評価: AIエージェントがそのドキュメントを読んで実際に行動が改善されたかを分析し、不要なドキュメントを削除・更新する。

結論人間向けのドキュメントはリポジトリ外（Notion等）に切り出し、リポジトリ内は「AIエージェントとの協調」に最適化していく。これがこれからのエンジニアに求められるドキュメント戦略のひとつの形です。

引用元: https://nyosegawa.com/posts/docs-in-agent-era/

ゲームのグラフィック向上AI技術『DLSS5』が批判と共にネットミーム化、キャラがリアル（？）になったネタ画像が大量に投下される

NVIDIAが発表したAI超解像技術「DLSS 5」が、補正の強さからネットミームとして話題です。光や質感をリアルにする反面、キャラの顔が別人になる等の不自然さが「AIスロップ」と揶揄され、SNSでは極端な比較画像が溢れています。最新AI技術がもたらす「表現の自動生成」と「制作者の意図」のバランスという、開発者にとっても興味深い課題を笑いと共に学べるニュースです。

引用元: https://togetter.com/li/2676103

お便り投稿フォーム

（株式会社ずんだもんは架空の登場組織です）

youtube版(スライド付き)

関連リンク

背景と課題

LangSmith Sandboxesとは

主な特徴

想定されるユースケース

株式会社ずんだもん技術室AI放送局 podcast 20260319