#開発効率

最初に思ったのは、やっと「AIに頼む前の準備」が主役になってきたな、ということだった。Copilotみたいなツールは、雑に言えば“賢いけれど何も知らない新入り”なので、結局いちばん効くのはモデルの性能そのものより、リポジトリ側にどうルールを置くかなんだと思う。この記事はその感覚をかなり素直に言語化していて、そこは好感が持てた。 特に引っかかったのは、custom instructions と agent skills と custom agents と MCP servers を、ちゃんと役割分担として並べているところだ。こういう機能は放っておくと「全部AIでできます」に見えがちだけど、実際には用途が違う。普段の作法は instructions、繰り返し作業は skills、まとまった仕事は agents、外の道具につなぐなら MCP、という整理はかなり筋がいいと思う。AIを魔法箱として扱うのではなく、現場の手順書やスクリプトの延長に置こうとしている感じがする。 ただ、同時に少し気になったのは、こういう仕組みをきちんと整備できるチームと、そうでないチームの差がそのまま広がりそうなことだ

AIモデルの性能差が縮むほど、話題になるのは「最強のモデル」より「実務で十分に使える安いモデル」になっていく。そんな流れの中で、この記事はDeepSeek 4.1 Flashを月単位で使い込んだ筆者が、なぜ業界がそれほど大騒ぎしていないのかを問い直している。単なるモデル評ではなく、開発のやり方、コスト感、そして計算資源の使い方まで含めて話が広がるのが面白い。派手なベンチマーク速報より、現場で何が変わるかに焦点が当たっている。 筆者はDeepSeek 4.1 Flashをおよそ1か月、十数件のプロジェクトでかなり集中的に使ってきたという。そこで受けた印象はかなり強く、能力は非常に高く、いわゆる“frontier”モデルよりも桁違いに安いと述べている。会話している最中にモデル名を隠されると、DeepSeekを使っているのか、AnthropicのOpusを使っているのか自分でも見分けがつかない、とまで書く。やり取りの内容、作業の進み方、応答速度のどれを取っても差を感じないので、4.1にPro版がないことも気にならないし、実質的には最上位モデルとして扱っている、という感覚だ。 そのうえで筆者は

まず気になったのは、この記事が「性能が上がりました」で終わらず、ちゃんと「安くなった」と「扱いやすくなった」を前に出しているところです。AIモデルの話って、ついベンチマークの数字だけで盛り上がりがちですが、実際に使う側からすると、速さよりも「途中で読みにくくならないか」「結局いくらかかるのか」のほうがずっと切実です。そこに踏み込んでいるのは、かなり実務寄りだと感じました。 特に、出力が“verbose”すぎて追いづらい問題に触れていたのが印象に残りました。賢いモデルでも、長くて回りくどい文章を返してくると、人間はそこで疲れるんですよね。Claude Opus 5.5が「良い同僚みたいに書く」と評されているのは、単なる見栄えの話ではなく、長時間の作業ではかなり大きい差だと思います。コードを書かせるだけでなく、読みやすさまで改善しているなら、評価される理由はわかる気がします。 一方で、ベンチマークの強さがそのまま現場の使いやすさに直結するかは、まだ少し距離があるとも思いました。記事中の「20万行のコードベースを3時間未満で監査・修正」という話は派手ですが、こういう事例は条件しだいでかなり変

この記事を読んでまず思ったのは、「便利になった」の一言では片づかないな、ということだった。Claude Code みたいな coding assistant が入ると、単に実装が速くなるだけじゃなくて、仕事の中で人がやるべき部分そのものがずれていく。書く量が減るというより、考える時間の配分が変わる、という感覚に近いと思う。 一方で、そこに少し引っかかりもある。こういう話は聞いていて気持ちがいいし、実際に助かる場面は多いはずだけれど、便利さが強くなるほど「自分がどこまで理解しているか」が曖昧になりやすい。特に code は、動けば終わりではなくて、なぜそうなっているかを追えるかが大事だ。AI がその手前をかなり埋めてしまうと、短期的には楽でも、長い目では人の筋力が落ちないか少し気になる。 それでも、こうした感想が出る時点で、もう無視できない段階に来ているのだと思う。昔は「補助ツール」と言っても、せいぜい autocomplete の延長だった。今は、作業の流れそのものに入り込んで、エンジニアの仕事を再定義し始めている。嬉しさと不安が同時に来るタイプの変化だ。 --- > 参考: [Red

この記事を読んでまず思ったのは、AIコーディングを“魔法”として持ち上げるのではなく、ちゃんと現場の道具として並べているのが好ましい、ということだった。Claude Code、VS Code、GitHub Copilot、Cursor。名前だけ並ぶと華やかだけれど、記事の温度はかなり実務寄りで、派手な成功談よりも「どう使い分けるのか」「どこに効くのか」に寄っている。その距離感が、むしろ信頼できる。 特に引っかかったのは、「トークン」という言葉を前提にしているところだ。AIの文脈では当たり前でも、普通の開発者にとってはまだ少し抽象的だと思う。要するに、AIが一度に扱える情報量の単位みたいなものだが、それが増えると会話やコード全体をまたいだ作業がしやすくなる。一方で、量が増えれば何でも解決するわけでもない。記事はそこを煽りすぎず、トークンの扱いが実用上の差になる、という線で止めている。その控えめさがよかった。 もう一つ、AIコーディングを「個人の生産性向上」だけで終わらせず、チームや開発プロセス全体の話に接続しているのも印象に残った。AIがコードを書く速さは目立つけれど、本当に面倒なのはそ

いちばん引っかかったのは、「done」と「correct」は別物だと、かなりはっきり言っているところだった。コードを最後まで書き切るAIが欲しい、というのはすごく自然な欲求だし、実際かなり魅力的に聞こえる。でも、終わったように見えるコードと、ちゃんと動いて意図どおりになっているコードの間には、まだ深い溝がある。この記事はそこをごまかさないので、むしろ好感が持てた。 今回の話で面白いのは、性能の話が「ベンチマークで少し上」みたいな単純な自慢に寄っていないことだと思う。全工程を通してコードを扱えるか、という見方に寄せているのがいい。現場では、最初の雛形を作るより、その後の修正、テスト、手戻りのほうがずっと面倒だからだ。AIがそこまで食い込めるなら、開発の気分はかなり変わるはずだし、逆にそこに届かないなら、どれだけ賢く見えても「便利な下書き係」のままだろう。 ただ、コストが40%低いという話も、単純に喜んでいいのか少し迷う。安いこと自体は歓迎だけれど、安いから使える場面が増える、とは限らない。コード生成の世界では、安く大量に出せることより、レビューの手間をどれだけ減らせるかのほうが効くはずで

最初に思ったのは、「速くするための定石が、そのまま正解とは限らないんだな」ということだった。`--incremental` って、普通なら“お得な最適化”の代表みたいなものだし、TypeScript を何度も回すフックならなおさら入れたくなる。なのに、実際には逆に重くなる。ここがいちばん面白かった。 たぶんこの話の肝は、TypeScript の性能そのものより、フックという仕組みとの相性だと思う。人間が自分で `tsc` を叩くなら、少し遅くても我慢できる。でもフックは、編集のたびに裏で勝手に走る。そこで 30 秒、60 秒止まると、「ちょっと遅い」では済まない。作業の流れそのものが切れる。自動化は便利だけど、待たされる自動化はただの妨げになる、という当たり前の話が、かなり生々しく出ていた。 もうひとつ引っかかって、でも納得もしたのが、200KB というしきい値の置き方だ。こういうのは「経験的にこの辺」と曖昧に済ませがちだけど、記事では `.tsbuildinfo` のサイズを見て切り替えていた。サイズとプロジェクト規模がだいたい連動するから、乱暴に見えて理にかなっている。しかも、魔法

プログラミングの世界では、大きな設計力や深い理論だけでなく、ちょっとした「知っていると得をする技」が仕事の速度を決めることがあります。今回の文章は、その小さな知識の価値をあらためて見直した短いエッセイです。派手な新技術の話ではなく、ターミナル、SQL、git、正規表現、Node.js といった日常の道具をどう使いこなすかに焦点を当てています。読み終えると、経験の差はコード量だけでなく、こういう断片的な知識の蓄積にも表れるのだと分かります。 著者の主張はかなり明快です。日々のエンジニアリングの生産性は、巨大な知識体系というより、細かい「知っているだけで助かる」断片の積み重ねから生まれる、というのです。たとえば言語の機能が存在することを知っているだけで作業は楽になりますし、説明のつかない TCP の遅延があったときに、それが TCP_NO_DELAY の設定や Nagle’s algorithm と関係していそうだと見当がつくだけでも、切り分けはずっと早くなります。git で詰まったときに抜け出すための定番コマンドや、sed でファイルを書き換える小技も同じ扱いです。 そのうえで著者は、特

読んでいてまず思ったのは、これ、かなり「わかる」と「そこまでやるのか」が同時に来る記事だな、ということだった。Claude Code みたいな coding agent は便利だけれど、結局のところ人間が読むにはしんどい。端末に長い文章をそのまま流されると、どこが重要なのか拾うだけで疲れる。そこを HTML に逃がす、という発想はかなり自然だと思う。 一方で、記事の熱量は高いのに、少し引っかかったのは「90〜95% は HTML で受け取る」「1日に100回使う」といった話の勢いだ。もちろん、著者の作業環境では本当に効くのだろう。ただ、これは coding agent 全般の普遍解というより、かなりその人の運用に最適化されたやり方に見える。つまり、誰にでもそのまま刺さるというより、「人が読むべき出力をどう設計するか」を徹底して考えた結果の一例なんだと思う。 面白かったのは、単に見た目を整える話ではなく、情報の置き場所そのものを変えている点だった。端末の途中や末尾に散らばると読み逃すから、下部に寄せる。それでも足りないから、HTML にして見出しや強調、図まで使う。ここには「AI との会

読んでまず思ったのは、これはAIの性能不足というより、こちらの仕事の進め方がまだ「セッションが消える前提」に寄りすぎている、ということだった。 AI coding agent は毎回新しい相手みたいな顔で出てくる。昨日まで何度も話した設計の前提を、今日また説明し直す。あれはたしかに面倒だし、地味に判断の質も落ちると思う。 この記事で面白かったのは、記憶を“賢く”持たせるというより、決めたことをコードの近くに置いてしまう発想だった。`docs/` の中に facts, decisions, guardrails, skills を分けて、しかも Git で履歴を残す。AI の記憶力に期待するのではなく、「次に読むべきものが、毎回ちゃんとそこにある」状態を作る。かなり実務的だし、むしろ人間にも効くやり方だと思う。 ただ、そこまでやっても万能ではない、とはっきり書いているのも好感が持てた。結局のところ、最初の聞き取りも更新も人間がやる。つまり“記憶の自動化”というより、“忘れにくい手続き化”に近い。ここを神話っぽく盛らずに、更新されなければただの `docs/` フォルダになる、と言い切って

コードを書くAIに相談すると、こちらが知りたい結論より先に、前置きや気遣いが長く続いてしまうことがあります。GitHubに公開された `i-have-adhd` は、その“回りくどさ”を抑えて、答えを先に出すためのskill/pluginです。名前はかなり挑発的ですが、狙いはふざけたものではありません。読む人の集中を削らない出力に寄せよう、という提案です。AIコーディング支援が当たり前になった今だからこそ、こういう「出し方」の工夫が意外と効いてきます。 このリポジトリは、GitHub CopilotやClaude Codeのようなコーディング用エージェントに「答えを埋め込まず、先に出せ」と教えるためのskill/pluginとして公開されています。トップには「ADHD-friendly outputs. No ADHD diagnosis needed!」とあり、読む側が集中を切らさずに済む出力を目指す、という立て付けです。インストール方法も載っていて、CLIのプロンプトに `Install the i-have-adhd skill/plugin from https://githu

最初に思ったのは、AI coding agent のコストって、たしかに「思考」より「運搬」で膨らんでいるんだな、ということでした。記事の言い方を借りるなら、Claude Code がやっている仕事の多くは reasoning ではなく I/O です。ファイルを何本も読ませたり、同じ形の test を吐かせたり、更新済みの doc を整えたり。人間から見ると地味な作業ですが、こういう処理ほど frontier model の token を平気で食います。 そこを Portal の mode に逃がす、という発想はかなり筋がいいと思いました。bulk-reader と code-writer の役割分担は、派手さはないけれど実務では効きそうです。特に印象的だったのは、「output only the code」といった細かい指示まで含めて、Claude に余計な整形や説明をさせないようにしている点です。生成された Markdown fence を Claude がまた剥がす、みたいな無駄が積み上がるのは、現場では本当にある話だろうなと思います。 一方で、ここはうまく切り分けているな、と

まず思ったのは、こういうのは「賢い自動化」というより、かなり地道な整理術なんだな、ということだった。大きなプロンプトを毎回貼るやり方が破綻するのは想像しやすいけれど、その代わりに84個まで分解するのは、発想としてはわりと徹底している。AIに何でも覚えさせるのではなく、必要な文脈だけを都度差し込む、という考え方は筋がいいと思う。 特に引っかかったのは、ここでやっていることが単なる「プロンプトのテンプレ化」ではない点だ。技能ごとに切り分けて、トリガーに応じて読み込ませる。要するに、長い指示文を一枚岩で持つのをやめて、作業単位で知識を分割している。人間の作業メモでも、巨大な一枚の資料より、用途別の短い手順書のほうが使いやすいことが多い。AI相手でも同じなんだろう、と思わされた。 一方で、ここまで細かく分ける運用は、作る側のメンテナンスがかなり大変そうでもある。84個という数字はインパクトがあるけれど、そのまま真似すると管理コストのほうが先に効いてきそうだ。技能を増やすほど楽になる面はあるだろうが、増やしすぎると今度は「どれを直せばいいのか」が難しくなるはずで、そこは記事の爽快さの裏で少し気に

この記事を読んでまず思ったのは、発想の中心が「コードを書くこと」ではなく「大量の小さな依頼を壊さず回すこと」に完全に移っている、ということだった。そこが面白い。LLMやcoding agentの話って、つい「何でも自動化できる」方向に寄りがちだけれど、実際の現場では小さな修正が雪だるま式に増えていく。しかも、その一つ一つが地味にあいまいで、雑に投げると別の場所まで触られる。この記事はそこをかなり正直に見ている。 特に腑に落ちたのは、全部を一つのセッションに押し込まない判断だ。コンテキストが長くなると、モデルは当然つらくなるし、人間側も何がどこで決まったか追いにくくなる。だから、最初にSlackやLinearで受け皿を整えて、軽いものだけをClaude Codeの同じ流れで処理し、重いものは別スレッドに逃がす。これは派手さはないけれど、現実的だと思う。AIを入れた瞬間に「全部速くなる」はず、ではなくて、むしろ受付・仕分け・確認の設計がないと詰まる、という話に見えた。 もう一つ印象に残ったのは、HTML reportを何度も挟むところだ。人間が確認しやすい形にわざわざ整えるのは、少し回り道

200,000 tokens を先に食ってからようやく答え始める、という話を読むと、便利そうに見えるAIツールの裏側で、ずいぶん雑なことが起きていたんだなと感じる。人間なら「資料が多いから少し重い」で済む場面でも、LLM だとその「少し重い」がそのままコストと待ち時間に跳ねる。しかも利用者から見えにくい形で起きていたのが、かなり気持ち悪い。 いちばん引っかかったのは、問題が“賢さ”ではなく“読み込み方”にあったことだと思う。Claude Code の skill が、質問に答える前に関係ありそうなドキュメントをまとめて抱え込んでいたわけで、これは人間でいえば「とりあえず本棚の全部を机に積む」みたいなものだ。実際の作業では、必要なページを必要なときに開けばいい。そこを on-demand に変えて 25K まで落とした、というのはかなり素直な改善に見える。 ただ、ここで終わらないのも面白い。LLM 周辺の製品は「モデルの性能」ばかり話題になりがちだけれど、実際には入力の設計、ドキュメントの切り出し方、どのタイミングで何を読むか、みたいな地味な部分が体験を決める。今回の話は、その地味な部分

最初に思ったのは、「これ、便利だけど境界がかなり繊細だな」ということだった。 Claude Code が別のセッションへメッセージを飛ばせる、という発想自体はわかりやすい。長い migration を別端末で回していて、片方で見つけたことをもう片方に渡したい。並列で worktree を触っていると、いちいち人間がコピペで中継するのは正直つらい。そこを AI 同士でつなぐのはかなり筋がいいと思う。 ただ、読んでいて面白かったのは、作者が「会話を共有する機能」ではなく「テキストの単発配送」としてかなり厳密に切っているところだった。履歴もファイルも渡さない。あくまで一文のメッセージだけ。しかも受け取った側では、別セッションから来たという扱いになって、permission prompt の代わりにはならないし、設定変更も命令できない。ここはかなり重要で、便利さを足しつつも「他人の承認を勝手に流用しない」線を引いている。雑に作るとすぐ危ない機能だから、こういう制限はむしろ安心材料だと思った。 もう一つ引っかかったのは、同じ「メッセージ」と言っても、ローカルでは直接 socket で飛ぶのに、別

最初に思ったのは、これはわりと当たり前のことを、ちゃんと実務の形に落とし込んだ話だな、ということでした。AIを1回ずつ順番に使うと、待ち時間も文脈の肥大化も避けにくい。人間の作業でも、調べもの、実装、テスト、レビューを同じ人が全部抱えると遅くなるのと同じで、AIにも役割分担をさせたほうが自然です。 面白いのは、この記事が「すごい裏技」というより、「Claude Codeをちゃんとチームっぽく扱え」という発想を押し出しているところです。サブエージェントという言い方をしているけれど、要するに小さな専門家を複数走らせる感じで、これはかなり腑に落ちました。コンテキストウィンドウ、つまりAIが一度に覚えていられる範囲が広がるほど雑になる、という感覚は使っていると身に覚えがあります。長いやり取りのあとに急に浅くなること、ありますよね。 一方で、そこまで万能でもないのも正直だと思いました。トークンコストが増える、独立した作業にしか向かない、という線引きがちゃんと書かれているのがよかったです。ここを曖昧にすると「なんでも並列化すれば速い」と勘違いしがちですが、実際はむしろ逆で、依存関係がある仕事まで分

最初に思ったのは、「AIを賢くする話というより、AIの暴走をどこで止めるかの話なんだな」ということだった。ここが面白い。ふつうはモデルの性能ばかり見てしまうけれど、この記事は Claude Code を“どう使わせるか”にかなり寄っていて、むしろ実運用ではそっちのほうが効くのだと思わされた。 とくに、CLAUDE.md、rules、skills、agents、hooks、output styles、system prompt への追記といった道具立てが並んでいるのを見て、AI の仕事は「よく考えさせる」だけでは足りないんだと感じた。人間の開発でも、優秀な人に口頭でお願いするだけでは品質が揃わない。手順書があり、禁止事項があり、レビューの観点があり、例外処理がある。Claude Code も、結局はその延長線上に置かれている。AI なのに、かなり地味なガードレール設計が主役になっているのが妙に現実的だった。 一方で、少し引っかかったのは、これだけ細かく分けても、現場の人が本当に運用しきれるのかという点だ。設定項目が増えるほど制御は効くけれど、そのぶん「どこに何を書けばいいのか」を覚えるコ