はてなブックマーク

こんにちは。 先日、Azure-Samples 上に infra-support-copilot というレポジトリを公開しました。 今回は、このレポジトリで実装しているツールについて解説をしていきます (2025 / 9 / 26 現在時点の内容です) 。 1. はじめに - 課題 クラウド運用に携わるインフラ エンジニアは、次のような課題を抱えていることがよくあります。 構成管理: 手元にあるエクセルのインベントリ情報が古くなっていて、対象サーバーを管理している部署がわからない 部署ごとの呼称の差分により、インベントリ情報に表記ゆれがあり、完全一致検索だとうまく検索ができないケースがある 障害対応 監視ログの検索に必要なクエリ作成が難しく、ログ調査に時間がかかる 対応しているチケットと類似した過去のインシデント情報をうまく参照できていない これらは、Azure でも例外ではありません。特

はじめに 最近 GitHub って Team プランから Enterprise プランに変えると何がいいの?と聞かれることが多くなったので、本記事にまとめてみました。 この記事では、普段皆さんがお使いの GitHub について、Team プランから Enterprise プランにアップグレードして出来ることや、どのような企業が Enterprise プランへの Upgrade を検討した方が良いかを解説します。 開発時に GitHub 使うことはもちろん、契約形態やどれぐらいコストかかるんやろ?みたいな興味がある人は是非確認ください 🚀 GitHub Enterprise プランとは? GitHub Enterprise は、GitHub が提供する大規模組織・企業向けの上位プランです。 Team プランや Free プランと比べて、セキュリティ・管理性・サポートが強化されており、数百〜

はじめに GitHub Copilot の Agent Mode には調べものやコードを書いてもらったり毎日大変お世話になっています。 MCP サーバーや各種 instructions, chat mode, prompt files などを使用することで、より便利に使うことができます。ただ、毎回独自に生成するのは面倒ですし、他の人が作成したものを参考にしたいと思うこともあります。 そんな時に使えるのが Awesome GitHub Copilot のリポジトリ です。 ここには様々な用途で使える Chat modes, Instructions, Prompt files が纏められています。2025 年 9 月現在、これを何個くらい使えるか数えてみたところ、以下のようになりました。 chatmodes フォルダー: 53 個 instructions フォルダー: 69 個 promp

はじめに 今回は AI Agent に AI 関連の最新情報を取得し、スライド形式でドキュメントにまとめてもらう PoC を作成してみました。 実装は Python のみで、LangChain・LangGraph・LangSmith を活用し簡単に実装しています。 全体のアーキテクチャフローは以下のような感じです。 フローをざっくり説明すると以下のようになります。 collect_info -> Tavily 情報収集 make_outline -> アウトライン生成 make_toc -> 目次生成(JSON) write_slides -> スライド本文生成(Marp) evaluate_slides -> 自動評価とリトライ分岐 save_and_render -> 保存 & marp-cli レンダリング LangGraph で AI Agent を実装しつつ、LangSmith

この記事は主に gpt-5-thinking と gpt-5-main に焦点を当てています。GPT-5 システムは、ベンチマーク性能だけでなく、現実世界での有用性も向上しています。具体的には以下の改善があります。 幻覚(hallucination)の削減 指示への忠実性向上 迎合的応答(sycophancy)の抑制 さらに、ChatGPT の主要な 3 つの用途(文章作成、コーディング、健康関連)での性能向上が図られています。すべての GPT-5 モデルは、不適切なコンテンツ生成を防ぐための最新の安全訓練アプローチ safe-completions を採用しています。 また、gpt-5-thinking は生物学・化学分野で 高リスク能力(High capability) に該当すると判断し、Preparedness Framework に基づく安全策を有効化しています。現時点でこのモデ

ブラウザの操作の自動化のニーズが徐々に増えていく中で、Playwright Workspace と連携してAzure AI Foundry Agent Service における最新のアクションツールとして、ブラウザー自動化ツール(プレビュー) が発表されました。 概要 API および SDK を通じて利用可能で、自然言語プロンプトを使って以下のような現実的なブラウザー操作を自動化できます。 検索やページナビゲーション フォーム入力 予約・スケジューリング 基盤には Playwright Workspaces が採用されており、クラウド上で隔離された安全なブラウザー自動化環境を提供します。 これにより、実際のユーザー操作を模倣し、マルチターンの会話でタスクを完了できます。 主な利点 自然言語から自動化へ 目的を文章で説明するだけで、ブラウザーベースのワークフローを実行可能。 現実的な Web

LLMにおける意思決定の課題 近年ではLLMの精度も向上し、簡単なタスクであれば単純に推論をするだけでそれなりの出力が得られるようになってきました。 しかし、実務レベルの意思決定の場面ではいわゆる「ハルシネーション」が発生することもあります。 また、ハルシネーションのような確定事項を誤って判断するだけでなく、「料理のレシピ」などのようにそもそも答えが決定的でない場合もあります。 しかし、ここで重要なのはLLMだから間違うということではなく、人間も同じように間違える可能性があるということです。 では人間が間違わないためにはどうすればよいか?ということですが、複数の人数で多角的に議論をし、合議するという手段が一般的に取られています。 例えば製品の出荷判定会議やソフトウエア設計レビュー会、国会などさまざまなところで合議制が取られます。 もともとLLMにも使われている機械学習の一種であるニューラル

こうした領域の相当部分は「観察 → 判断 → アクション」であり、人間が実施すると非常に技術力と経験が求められ、各社 SRE を担当する方に業務が属人化するという現象が発生します。 ここで考えられているのが、AI Agent による支援・自動化と親和性が極めて高いということです。 AI Agent 活用の潮流と SRE 昨今の AI エージェントは、運用データ(メトリック/ログ/イベント)を LLM ベースで要約・推論し、自然言語で対話しながら修復アクションを提案・実行する方向に急速進化しています。Microsoft は Build 2025 で Azure SRE Agent を発表し、インシデント検出から診断、協働復旧に至るプロセスの高速化を狙うソリューションを提示しました。 この発表を見た筆者は、「これでトイルが減る」「SRE の仕事が変わる」「AI が SRE を全部やる時代?」と

はじめに Microsoft Learn Docs の MCP Server で GitHub Copilot が Azure 超詳しいマンになるという話をします。 Microsoft Learn の Docs の MCP Server が先日公開されました。ドキュメントはこちらになります。 Microsoft Learn Docs MCP Server の概要 追加自体は簡単で認証もないので https://learn.microsoft.com/api/mcp を登録しておけば使えるようになります。 活用方法 この MS Learn Docs の MCP を追加すると、Microsoft のドキュメントを検索しながら GitHub Copilot の Agent Mode を使うことが出来ます。 純粋な調べもののお供に まず、純粋に調べものに便利です。Google などの検索エンジンを

はじめに この記事では、Azure API Management (APIM) を使用して MCP (Model Context Protocol) サーバーの認証・認可を実装する方法について解説します。 Microsoft が提供する公式サンプル コード remote-mcp-apim-functions-python を基に、MCP サーバーにおける認証・認可の実装パターンを学びます。このサンプル コードには、Entra ID 認証が実装された MCP サーバー アーキテクチャ が含まれています。 サンプル コードを実際に動かしながら、MCP サーバーにおける認証・認可の実装パターン を理解し、本番環境で使用できるセキュアな MCP サーバーの構築方法を習得することが本記事の目的です。 Azure の各サービスがどのように連携して動作するかを、具体的なコード例とともに詳しく見ていきまし

はじめに 本記事では、昨今話題の AI エージェントサービスをこれから作る方へ、AI エージェントシステムを作る上での抑えるべきポイントと実践的なハンズオンにて DeepDive していきたいと思います。 本記事は 2 部構成になっており、以下の構成です。 第 1 部: AI エージェント の基本概念とエージェントシステム構築のガイド 第 2 部: Azure AI Agent Service を使ったワークフロールーティングの実装 第1部では、OpenAI 社のa-practical-guide-to-building-agents を参考に、AI エージェントの基本概念とエージェントシステム構築のガイドを解説します。 第2部では、Anthropic のブログ記事 Building Effective Agents – Workflow Routing で紹介されている ワークフロールー

このリポジトリのDeep Research機構の流れは以下のようになっている。 クエリ生成:トピックに関して最適な検索クエリを生成 Web検索:Tavily APIを使用して複数の検索を行い情報を収集 要約:AIが収集した情報を分析し要約 リフレクション:システムが知識のギャップを特定しさらなる調査を行う 繰り返し:リフレクションの結果、追加の調査が必要であれば調査サイクルを繰り返し実施 レポート生成:画像を含んだ最終的かつ包括的なレポートを作成 課題点としては以下の様な点が見られた。 リフレクションのゴール判定が固定値としてのループ回数で行われている 最終レポートの生成コンテキストに最初のクエリ生成からの検索結果も含める方が良い DeepSeek以外のモデルへの対応と構造化オプションの利用 C#で実装しなおしたコードは以下のリポジトリに公開した。 はじめに LLMの発展は目覚ましく、直近

更新日: 2025年08月01日 本機能が「AI ゲートウェイ先行アクセス」に入らなくても利用できるようになったので、 先行アクセスの手順を削除しました。 本機能が v2 SKU で使用可能になったので、価格レベルの選択肢を Basic v2 に変更しました。 本機能によって公開される MCP サーバーが SSE ではなく Streamable HTTP で公開されるようになったので、記事内の説明を更新しました。 はじめに この度、Azure API Management (APIM) で、既存の API を MCP サーバーとして公開する機能 がプレビューでリリースされました。 この機能は先日の Microsoft Build 2025 で発表された機能です。以下がその発表の動画です。 猫も杓子も MCP な時代ですが、既存の API サーバーを MCP サーバーに変えるのは中々大変です。

先日、GitHub Copilot の Agent モードを使って 2000 行弱のコードを C# から Python に書き換えるということをやりました。 その時に Python のコードはほとんど自分で書かずに Copilot に書いてもらったときに気を付けたことをメモしておきます。 賢いモデルを使えるだけ使おう やっぱり賢い AI の方が快適なことが多いです...。 私は Claude Sonnet 4 (Preview) を先日は使っていました。 GPT-4.1 でも良いのですが、こう粘り強くやってくれる感は圧倒的に Claude Sonnet 4 の方が自分の体感的には良かったです。 お願いすることは小さく Agent モードのデモとかをするときには、「TODOアプリを next.js を使って作って!」のような大きなタスクを振って、いきなり書いてもらうことが多いですが、これをやると

Semantic Kernel(セマンティック カーネル) は Microsoft が提供するオープンソースの SDK で AI をアプリケーションに簡単に組み込むことができるツールです。AI エージェントも勿論作成できます。 本記事は Semantic Kernel(セマンティック カーネル) 超入門!簡単に概要と大まかな実装をご紹介します。 Semantic Kernel 何がすごいの? 単なる Copilot ではなく、もっとカスタマイズができる AI エージェントを会社、製品に導入したい!でもやり方が分からない、開発に時間をかけたくないけど信頼性の高いフレームワークを利用したい、、、時に活躍するのが Semantic Kernel(セマンティック カーネル) です。 Semantic Kernel により、AI エージェントを簡単に構築し、業務の簡易化、効率化に繋げることができます

はじめに 昨今、AI の進化により、様々な分野での応用が進んでいます。特に、自然言語処理(NLP)の分野では、RAG( Retrieval-Augmented Generation)が注目されています。RAG は、情報検索と生成を組み合わせた手法であり、特に大規模言語モデル(LLM)と組み合わせることで、その性能を大幅に向上させることができます。 また、NativeRAG や GraphRAG, AgentRAG などさまざまな RAG のバリエーションが登場しており、これらは特定のユースケースやデータセットに対して最適化されています。 今回は、RAG の基本的な概念から、RAG のプロジェクトの進め方、精度向上の方法に至るまで詳しく解説します。 みなさんの GenAI Application の開発に役立てていただければ幸いです。 本記事は 5 万文字を超える大作となっております。 お時

はじめに 2025年4月16日 に OpenAI が発表した o3 と o4-mini について、以下の内容をまとめました。 内容は主に o3-and-o4-mini-system-card を参考にしています。 ※(注記)参照: o3-and-o4-mini-system-card OpenAI が提供する GPT 系モデルは GPT-4 系(パターン認識重視) と o シリーズ(推論・ツール活用重視) が主流になっています。 本記事では、o3 と o4-mini のことをちゃんと理解し、o1 との違いなど腹落ちするための記事となります。 かなりのボリュームの投稿なので、お時間ある時に一気に読んでいただければと思います。 時間がない方はラストの まとめ でざっと要点を確認していただければと思います 🚀 それでは行きましょう 🚀 o3, o4-mini について 📚 Introduction

はじめに エージェントの出現は人間と計算機それぞれのあり方を変えつつあります。それはモダリティなどの接点だけの話ではなく、ユーザーの体験や存在意義にまで影響を与えています。 エージェントがこれから世界を変えて行くであろうことは多くの人が認識していることだと思います。一方で「それをどのように実現できるか」ということは依然として手探りの状態です。 特にエージェントのUI/UX設計は、ユーザーとエージェントの立ち位置を決定づける重要な要素です。 そのような折にMicrosoft Designから「UX design for agents」が公開されました。これはエージェントのUX設計に関する原則をまとめたもので、エージェントのUX設計に関わる人々にとって非常に有用なリソースです。 本記事では、原著の内容を日本語で整理し、本記事の著者(07JP27)の見解を交えながら記録していきます。 エージェン

はじめに この記事は GitHub Copilot の Tips を詰め込んだ記事になります。 GitHub Copilot を普段使っているが、コード補完しか使ってない方や、これから使おうと思っている方に向けて Tips をまとめて紹介する記事になります。 是非日々の開発ライフにお役立てください 🚀 GitHub Copilot とは? GitHub Copilot は、開発者がコードをより速く、少ない労力で記述できるように支援する AI コーディング アシスタントです。 コンテキストに応じた支援を提供し、開発者が入力中にコードの提案を行います。 これは、行の補完の場合もあれば、まったく新しいコードのブロックの場合もあります。 これにより、開発者は問題解決、共同作業、イノベーションに集中できます。主要なエディターと統合され、GitHub にネイティブに組み込まれているこのツールは、最も

更新履歴 2025年04月07日 Azure へのデプロイについて追記 はじめに Azure Functions で MCP サーバーが作れるようになりました! Build AI agent tools using remote MCP with Azure Functions 桜の時期のお気に入りの散歩コースを歩いて記事を書こうと思ったら、JP さんに先を越されてました...。 Azure FunctionsでMCPサーバーを作る! 試してみよう JP さんのやっていることと同じにはなりますが、私は Visual Studio 2022 で C# のみでやります。 まずは Azure Functions のプロジェクトを作成します。今回は .NET Aspire の機能も使いたいと思っているので .NET Aspire オーケストレーションへの参加 (プレビュー) をオンにしました。プロジェク

注目MCPニュース 昨今LLM界隈を賑わせているMCP(Model Context Protocol)ですが、個人的には最近のビッグニュースとして以下の2つが挙げられます。 Azure FunctionsトリガーがMCPに対応! Azure Functionsは「トリガー」と呼ばれる仕組みを使ってイベントドリブンなアプリケーションを構築することができます(たとえばタイマートリガーで定期実行、HTTPトリガーでWeb APIを作る、など)。 2025年4月5日にAzure FunctionsのMCPトリガーがプレビュー版として公開されたことがMicrosoftの公式ブログで発表されました。本記事執筆時点での対応言語はC#、Python、Nodeの3つです。 VS Code Stable 1.99でMCPが正式サポート! GitHub CopilotにAgent modeが追加され、それと同時

先日 .NET で MCP サーバー・クライアントを試してみよう で MCP サーバー・クライアントを試してみましたが、今回はその続きとして、Claude のデスクトップアプリから MCP サーバーの連携を試してみます。ローカル PC 内での連携の場合は標準入出力を通じた連携が可能なので、そちらのやり方も紹介します。 といっても前回やった /sse のエンドポイントの定義は自前で定義が必要でしたが、今回の標準入出力を通じた連携は非常に簡単にやれるようになっています。AddMcpServer メソッドに続いて WithStdioServerTransport を呼ぶだけで、標準入出力を通じた連携が可能になります。 C# の Worker Service のプロジェクトに ModelContextProtocol NuGet パッケージを追加して、以下のようなコードを書くだけで標準入出力を通じ

はじめに 今まで Model Context Protocol (MCP) の C# SDK を調べて記事を書いてきました。 .NET で MCP サーバー・クライアントを試してみよう .NET で MCP サーバー・クライアントを試してみよう その 2 .NET で MCP サーバー・クライアントを試してみよう その 3 今回は MCP サーバーを自作して Visual Studio Code の GitHub Copilot の Agent から使ってもらおうと思います。 プロジェクトの作成と下準備 ASP.NET Core の Web API のプロジェクト(Minimal API) を作成して、そこに以下のパッケージを追加します。 ModelContextProtocol.AspNetCore v0.1.0-preview.4 余談ですが 2 日前にはこのパッケージは無くて Mod

はじめに 本記事では、VS Code 拡張機能を活用し、GitHub Copilot 用のカスタム コマンドを開発する手順を詳しく解説します。 拡張機能作成の基礎から、カスタム コマンドの実装、LLM との連携、さらには配布方法まで、実践的な内容を網羅していますので、ぜひ最後までお付き合いください。 現状、GitHub Copilot には以下のようなコマンドが用意されています(参考)。 @azure:Azure サービスに関するコンテキストと支援を提供します。 @github:GitHub 固有の Copilot スキルを利用可能にします。 @terminal:VS Code ターミナル・シェルに関するコマンドやデバッグ支援を行います。 @vscode:VS Code のコマンドや機能に関するヘルプを提供します。 @workspace:ワークスペース内のコードに関するコンテキストを補助し

注意: この記事内にある Model Context Protocol の C# SDK のサイトからコピーしてきたコードは、単一の接続しか受け入れられないように実装されています。複数のクライアントからの接続があった場合は後に接続したもののみ動作する実装になっています。 リポジトリ側のコードも、記事を書いてから数日のうちに更新されていて以下の Pull Request で、ちゃんと接続を管理するようになっているコードが追加されています。ModelContextProtocol.AspNetCore NuGet パッケージを追加して MapMcp メソッドを呼び出すことでちゃんと接続を管理する機能のついた /sse と /message のエンドポイントが追加されるようになります。 Add ModelContextProtocol.AspNetCore #160 本文 ここ最近、色々なところ

GitHub Copilot は、日々のコーディング作業を効率化する強力なツールです。最近は Custom Instructions を用いて、プロジェクト固有のライブラリやコーディングスタイルに合わせたコード生成を実現してきました。 しかし、従来の方法では 単一の Markdown ファイルしかインプットできない ため、複数の指示を場面ごとに分割して管理することは難しいという課題がありました。 そこで今回ご紹介するのが「Reusable Prompt Files」です。現在「Experimental(試験的機能)」である本機能により、役割ごとに異なる指示ファイルを用意し、必要なものだけを取り出してコンテキストとして反映させることが可能になりました。 ここでは、対比構造として書いていますが、公式ブログ だと Custom Instructions の紹介記事中に Reusable Prom

はじめに Dify はみなさまご存知でしょうか。 LLM のアプリケーションがノーコード(ローコード)で簡単に作れるツールです。 このツールを使っている方が最近増えてきており、且つ Azure 上で動かしたいというご要望をいただいたので、今回は Dify を Azure Kubernetes Service(AKS)にデプロイして本番環境で使う手順をご紹介します。 Dify 環境構築 まずは Dify を Web 上ではなく、ローカルで動かすために Docker を使って環境構築を行います。 以下のサイトへアクセスして、Dify のリポジトリを clone します。

Microsoft の Azure では、全世界に広がる 300 以上のデータセンターの数百万台を超えるサーバーを運用するために SRE が組織され、日々の安定稼働に向けて支援しています。その支援には、システム、サービス、製品でのサービス停止時の対応やその改善、新しい機能のリリースや変更などにあるリスクの評価、品質の確認などさまざまな活動が含まれます。 この記事では Azure の SRE チームがどのように組織され、どのような原則に基づいて運用しているか紹介します。 SRE の活動について、以下のような Microsoft のイベントやブログ記事、Podcastなどでも断片が紹介されているので参考になります。 Advancing Microsoft Azure reliability Advancing safe deployment practices Outages are inev