AIエージェント

Orca を Mac で使ってみた:AI エージェントを並べて動かす方法とできること

Claude Code や Codex を何体も同時に動かすと、変更がぶつかる・どれが終わったか分からない――そんな悩みを解決する無料のデスクトップアプリ Orca を、公式ドキュメント全60ページと Mac での実際の操作で解説します。インストールから3体の並行実行、変更点へのメモの送り返し、AI によるコミット、orca.yaml まで、画面と操作動画つきの手順書です。
AI最新情報

拒否率が高いAIは安全なのか? 従来の安全性評価が見落としていたもの

Anthropic が公開した安全性評価の作り方のガイド「Building strong safety evaluations」を、「従来の評価で見落とされていたこと → 新しい作り方で測れるようになること」の 9 組のビフォーアフターで解説します。拒否率ではなく適切応答率、危険と正当の依頼の対、複数ターンの会話、採点 AI の検証、信頼区間、設定の記録まで。架空の業務エージェントでの模擬実験と、社内エージェントへの当てはめ方も紹介します。
AIエージェント

Google の A2UI 1.0 を Mac で動かしてみた

Google が正式版を出した A2UI 1.0(AI エージェントが「画面の設計図」を JSON で返し、アプリが許可した部品だけで描く仕組み)を、公式サンプルと自作の求人推薦エージェントで Mac 上で動かしました。両方向の関数呼び出し、書き方による速さの違い(出力 1,927→392 トークン)、危ない出力がどこで止まるか、公開版パッケージで使える範囲までまとめています。
AIエージェント

AI エージェントだけで作られた「AWS Emulator」を Mac で動かしてみた

Amazon が公開した AWS Emulator(AWS のサービスを手元で再現する無料・CC0 のプログラム。コードは数千の AI エージェントが書いた)を解説し、Mac で実際に動かしました。起動は約 0.3 秒、自作の 15 項目のテストは 14 項目が本物と同じ動き。一方で Lambda の Python は RustPython で C 拡張が使えない、権限の確認はまだら、S3 の容量に上限があることも分かりました。できること・費用・向いている人までまとめています。
AIエージェント

プロンプトインジェクション対策「LLMON」を Mac で試してみた

IBM が公開したプロンプトインジェクション対策「LLMON」と、専用に学習した Granite 4.1 の 3B・8B モデルを解説し、Mac で通常版と比べました。指示と文書を分けて渡すと、文書に仕込んだ命令に従った割合は 77%→16%(3B)、97%→10%(8B)に下がる一方、まとめて渡すと約半分が通り、日本語のツール結果ではまだ通りやすい場面もありました。仕組み・手順・守りの重ね方をまとめています。
AIエージェント

Agent Skills は本当に効くのか? SkillsBench が示した「効く Skill」の条件

Claude Code や Codex に入れる Skill(スキル)は、本当に役に立っているのか。同じ課題を「Skill なし」と「Skill あり」で解かせて比べたベンチマーク論文 SkillsBench を、最新版の数字で解説します。人が選んで磨いた Skill は合格率を平均 33.9% から 50.5% に上げ、AI に書かせた Skill は逆効果、数が多い・長い Skill は伸びが小さい、という結果と、自分の Skill づくりへの活かし方をまとめました。
AIエージェント

AGENTS.md・CLAUDE.md は本当に効く? 成功率は変わらず、費用だけ2割増えた理由

AI のコーディングエージェントに渡す指示ファイル(AGENTS.md・CLAUDE.md)は、本当に仕事の出来を上げているのか。ETH Zurich と LogicStar.ai の論文「Evaluating AGENTS.md」は、成功率はほとんど変わらず、費用だけが約2割増えると報告しています。何をどう測ったのか、なぜそうなるのか、公開データと手元の実行で確かめたこと、そして自分の指示ファイルの直し方までを解説します。
AI最新情報

Claude Fable 5.2 は 5.1 から何が変わった? 性能・料金・effort・API の違い

2026年11月9日に公開された Claude Fable 5.2 を、前の Fable 5.1 と比べて整理しました。主要ベンチマークの伸びと伸びなかった項目、2割下がった単価と新しい fast mode、effort ごとに見た「1タスクあたりの費用」、プロンプトへの反応の変化、そして API で 400 エラーになりうる4つの変更と直し方までを、公式発表・システムカード・第三者の測定をもとに解説します。
AIエージェント

AIエージェントの高度なメモリは、素のRAGに負ける? 要約と整理が払う「メモリ税」とは

会話を要約・整理して覚える AI エージェントのメモリ11種類が、原文をそのまま検索するだけの素の RAG に、99通り中90通りで負けていました。イリノイ大学・清華大学などの論文「Memory Tax」をもとに、整理で解ける問題(メモリ利益)と解けなくなる問題(メモリ税)を1問ずつ数える考え方、税が生まれる3つの場所、原文も残して検索する対策までを解説します。公開された問題ごとの正誤データから、論文の主要な数字を手元で再計算した結果もあわせて載せています。
AIエージェント

ダウンロードフォルダで Claude Code や Codex を起動してはいけないのはなぜ?

ダウンロードフォルダで Claude Code や Codex を起動すると、Webページが確認なしで保存した指示ファイルを、AI が「あなたのルール」として読んでしまいます。Forever Security が2026年10月22日に報告した攻撃をもとに、やってはいけない6つのこと、その理由、安全な使い方と自分の PC の点検方法をまとめました。手元の Mac では、無害な目印だけのファイルで Codex が2回中2回従い、Claude Code も上のフォルダのファイルまで読み込むことを確かめました。
AI最新情報

GPT-6.1 Terra は前の Terra からどれだけ伸びた? Sol の半額モデルを Codex で比べた

OpenAI が2026年10月26日に公開した GPT-6.1 Terra を、前の Terra(GPT-5.6 Terra)や GPT-6.1 Sol などと比べました。単価は100万トークンあたり入力1ドル・出力5ドルで、6.1 Sol のちょうど半額です。公式の数字では OSWorld 2.1 が27.4%から66.7%に、事実の誤り率が51.5%から10.1%に改善しました。手元の Codex 比較では、実装の7題を Terra も Sol も21回すべて満点で解き、1回の費用は0.035ドル対0.101ドル。一方、推論の難問の正解は Sol 21問・Terra 16問でした。
AIエージェント

1,024体のAIが指揮役なしで協調する「Agensh」を Mac で動かしてみた

Microsoft Research が2026年10月24日に公開した、指揮役なしで最大1,024体の AI エージェントが協調する「Agensh」を解説し、公式の共有ボードを Mac で動かして Codex(GPT-6.1 Sol)を1・2・4・8体で比べました。難しいテスト218問の通過率は1体65.8%・2体64.7%・4体79.6%・8体85.6%、API 換算の費用は約0.93ドルから約9.06ドル。最初に起動した1体が分担を決めたことや、自作テストを全部通したまま採点用のテストを40問以上落とした回のことまでまとめました。