LLMs(Large Language Model): 大規模言語モデル/プロンプトエンジニアリング †
用語とかまとめ:
記事:
トークン節約/効率化 †
記事:
教育 †
記事:
作業をまかせたい時 †
記事:
Skills: 専門的(スキル)に必要な手順、ファイルをまとめて提供 †
GoogleCloud:
Playwrightの活用。ブラウザテストをLLMに †
記事:
TAKT: AIチームを指揮する †
記事:
SKILL.md: 専門家への指示 †
よく使うプロンプト例 †
AIコードドキュメント †
RAG(Retrieval-Augmented Generation): 検索拡張生成 †
- 生成AI(LLM)が外部の情報を検索・参照して、より正確で最新な回答を生成する技術
記事:
QA/テストの自動化 †
記事:
ローカルLLMの開発 †
- 巨大資本を投入したChatGPTやClaude Codeほどの精度はローカルLLMに期待できない。
- それでもローカルLLMで改善したい課題があるのか？
記事:
ChatGPT: OpenAI社開発のチャットボット †
記事:
インシデント事例 †
記事:
不正利用時の対応 †
記事:
Claude Code: Anthropicが開発したエージェント型コーディングツール †
活用事例 †
社内:
画像生成 †
Google Gemini †
記事:
MCP(Model Context Protocol) Servers: 文脈情報をAIモデルに効率的に伝達するためのプロトコル †
- LLMから外部情報にアクセスするプロトコル。標準化する事で、◯◯専用の情報は◯◯MCP serverから取得等の設定ができる。
- CLIが提供されている場合、CLIの方が良い。 mcpは常駐接続、ツール定義が常にロードされコンテキストを消費する。
GoogleCloud:
slack:
draw.io:
Notion:
VS Code向け:
GitHub:
AWS:
Terraform:
Backlog:
Grafana: Memo/Grafana#sf15bfa3
Slack:
MCPの実装 †
記事:
chrome-devtools-mcp: MCPクライアントから"Chrome の DevTools プロトコル"経由でブラウザを操作 †
記事:
Playwright MCP: ブラウザをAIで操作 †
記事:
大量のドキュメントから回答AIを作成 †
記事:
セキュリティ †
記事:
Amazon Kiro: 仕様書駆動型のIDE †
記事:
Amazon Q Developer †
rulesync: 複数の生成AI向けのruleファイルの統合管理 †
記事:
llms.txt: AIクローラー対策 †
記事:
dockerを利用した環境構築 †
記事:
Open Interpreter: localでも動作、複数モデル選択可能なLLVM †
- The Open Interpreter Project
- localで実行可能
- 複数のモデルを選択可能: Code-Llama(無料), GPT-4(有料。ChatGPTのAPIキーを使う)
- たくさんpipモジュールをインストールするので、dockerで動作させると環境を汚さなくてよい
記事:
社内でのAIサービス利用ガイドライン †
記事:
![[PukiWiki]](image/owl.png "[PukiWiki]")
