pi-coding-agentを使わずにOpenCode Go×Hermes Agentを選んだ理由
正直に言うと、この記事を書くまで自分でも整理できていなかったことがある。「OpenCode Go×pi-coding-agent」の組み合わせがハーネス界隈で評判になっているのを見て、自分もそれで行こうと思っていたのに、実際に手を動かしたら別の組み合わせに落ち着いていた、という話です。 3週間ほど記事の更新を空けていた間、Discord経由でAIエージェントに指示を出しながらBlazor Web Appを3つほど形にしていました。その環境は「OpenCode Go(モデル基盤)×Hermes Agent標準のDiscord連携」で、piは使っていません。この記事は、なぜそうなったのか、そ...
出典: Zenn AI（配信元の紹介文より引用）
このニュースの全文は、配信元でお読みいただけます。 Zenn AIで元記事を読む →
編集部の実践記録から
AI解体新書
社内文書をAIに探させるのに、大きなモデルは必要か — 18分の1の規模で戦えるという報告
社内文書の検索にAIを使う場合、最上位のモデルでなければ話にならないと考えがちです。2026年7月公開の研究は、17億パラメータの小さなモデルをスマートフォン上で動かし、最大18倍の規模のモデルと競合したと報告しました。中小企業にとっての現実的な読み方を整理します。
続きを読む →
AI解体新書
需要予測AIはなぜ繁忙期を外すのか — 平均誤差では見えない失敗
需要予測で本当に困るのは、平均的な誤差ではなくピークを外すことです。2026年7月公開の研究は、一般的な誤差指標がピークの失敗を覆い隠すと指摘し、少なく見積もる誤りを重く扱う手法を提案しました。発注・仕込み・人員配置に効く読み方を整理します。
続きを読む →
AI解体新書
AIの正答率が上がっても、説明が正しくなるとは限らない — 9システムの比較分析
AIツールを比べるとき、正答率の高さで選びがちです。しかし2026年7月公開の研究は、回答の精度が上がっても、根拠の説明が忠実で完全になるとは限らないと報告しました。業務でAIを使うとき、どこを見るべきかを整理します。
続きを読む →