youtube版(スライド付き) 関連リンク Dynamic context discovery エンジニアの間で絶大な人気を誇るAIエディタ「Cursor」が、開発効率と精度を劇的に向上させる新技術「Dynamic Context Discovery（動的コンテキスト探索）」を発表しました。これまでのAI（コーディングエージェント）は、関連しそうな情報をあらかじめプロンプトにすべて詰め込む「静的コンテキスト」に頼ってきました。しかし、情報が多すぎるとトークン（AIが消費する文字数のようなもの）を無駄に消費し、AIが重要な情報を見失って誤答する原因にもなります。そこでCursorは、AIが必要な時に、必要な情報だけを自ら「探しに行く」仕組みへとシフトしました。このアプローチの核心は「あらゆる情報を『ファイル』として扱う」という非常にシンプルで強力な工夫にあります。具体的には、以下の5つの方法で実装されています。長い実行結果のファイル化: ツールやコマンドの長い実行結果をプロンプトに直接貼るのではなく、一度ファイルに書き出します。AIは必要に応じてそのファイルを読みに行けるため、情報が途中で切り捨てられる（Truncation）のを防げます。会話履歴の再検索: 会話が長くなり、過去のやり取りを「要約」して圧縮した際、重要な細部が消えてしまうことがあります。履歴をファイルとして保持することで、AIは要約で分からなくなった情報を後から検索して復元できます。 Agent Skills（スキルの動的読み込み）: 特定のタスク（例：特定のライブラリ操作）の手順を記した「スキル」ファイルを、必要な時だけAIがセマンティック検索で見つけ出し、利用します。 MCPツールの効率化: 外部連携ツール（Model Context Protocol）の膨大な定義情報を常に読み込むのではなく、必要なツールの説明だけを動的に読み込みます。これにより、トークン使用量を約47%も削減することに成功しました。ターミナル履歴の同期: 統合ターミナルの出力をファイルとして同期。AIは「grep」などのコマンドを使って、膨大なログの中からエラーの原因だけを特定できます。新人エンジニアの方にとって、LLMの「コンテキスト制限（一度に覚えられる量の限界）」は大きな壁に感じられるかもしれません。Cursorのこの技術は、情報を闇雲に詰め込むのではなく、「賢く検索して必要な分だけ取り出す」という、ベテランエンジニアがドキュメントを読み解くような動きをAIにさせている点が非常に画期的です。このアップデートにより、大規模なコードベースでもAIがより正確に、そして高速にサポートしてくれるようになります。引用元: https://cursor.com/blog/dynamic-context-discovery Accelerating LLM and VLM Inference for Automotive and Robotics with NVIDIA TensorRT Edge-LLM NVIDIAは、自動運転車やロボティクスなどのエッジデバイス上で、大規模言語モデル（LLM）や視覚言語モデル（VLM）を高速かつ効率的に動作させるための新しいオープンソースC++フレームワーク「NVIDIA TensorRT Edge-LLM」を発表しました。背景と開発の目的これまでLLMの推論フレームワーク（vLLMなど）の多くは、データセンターでの大量の同時リクエスト処理やスループットの最大化を重視して設計されてきました。しかし、自動車やロボットといったエッジ環境では、「単一ユーザーに対する極めて低いレイテンシ」「オフライン環境での動作」「限られたメモリや電力リソース」といった特有の課題があります。TensorRT Edge-LLMは、こうしたエッジ環境特有のニーズに応えるために、ゼロから設計された軽量かつ高性能なソリューションです。本フレームワークの主な特徴エッジ特化の軽量設計: C++ベースで依存関係を最小限に抑えており、リソースに制約のある組み込みシステムへの導入が容易です。最新の高速化技術: EAGLE-3 投機的デコーディング: 推論速度を劇的に向上させます。 NVFP4 量子化: 高い精度を維持しつつ、メモリ消費と計算負荷を削減します。チャンク化プリフィル (Chunked Prefill): 効率的なトークン処理を可能にします。高い信頼性: リアルタイム性が求められるミッションクリティカルな製品（自動運転や産業用ロボット）に耐えうる堅牢なパフォーマンスを提供します。導入のメリットとワークフロー開発者は、Hugging Faceで公開されているモデルをONNX形式に変換し、ターゲットとなるNVIDIA DRIVE AGX ThorやJetson Thorなどのハードウェアに最適化されたTensorRTエンジンをビルドすることで、即座に推論を実行できます。すでにBoschの車載AIアシスタントやMediaTekのキャビンAIプラットフォームなどで採用が進んでおり、現場での実用性が証明されています。まとめ TensorRT Edge-LLMは、NVIDIA JetPack 7.1リリースの一部としてGitHubで公開されており、新人エンジニアにとっても、最新の生成AIを物理デバイスに実装するための強力な武器となります。クラウドに依存しない「自律的なAI」を構築したいエンジニアにとって、今最も注目すべきフレームワークの一つと言えるでしょう。引用元: https://developer.nvidia.com/blog/accelerating-llm-and-vlm-inference-for-automotive-and-robotics-with-nvidia-tensorrt-edge-llm/ How Tolan builds voice-first AI with GPT-5.1 「Tolan」は、ユーザーがパーソナライズされたアニメーションキャラクターとリアルタイムで対話できる、音声特化型のAIコンパニオンアプリです。Portola社の開発チームは、従来のテキストベースのチャットボットとは一線を画す「流動的で自然な音声会話」を実現するために、最新のGPT-5.1を活用しています。 1. GPT-5.1による劇的な改善最新モデルGPT-5.1の導入は、プロダクトにとって大きな転換点となりました。特に「制御性（Steerability）」が向上したことで、複雑な指示（キャラクターのトーン、過去の記憶、感情表現など）を忠実に守れるようになりました。また、Responses APIの活用により、音声応答の開始時間が0.7秒以上短縮され、人間同士のようなテンポの良い会話が可能になりました。 2. ターンごとのコンテキスト再構築技術的に興味深いのは、プロンプトのキャッシュをあえて利用せず、会話のターンごとにコンテキストをゼロから再構築している点です。音声会話はテキストよりも話題が急変しやすいため、固定的なキャッシュでは対応しきれません。毎ターン、最新のメッセージ、会話要約、ベクトル検索された過去の記憶、ペルソナ設定、リアルタイムの信号を統合して入力することで、急な話題転換にも柔軟に適応する「迷子にならない会話」を実現しています。 3. 記憶と個性を維持するアーキテクチャ記憶システムには、OpenAIの埋め込みモデルと高速ベクトルDB「Turbopuffer」を採用し、50ms以下の高速検索を実現しています。また、単に情報を蓄積するだけでなく、毎晩「メモリ圧縮ジョブ」を実行し、不要な情報の削除や矛盾の解決を行うことで、記憶の質を高く維持しています。キャラクター設定にはSF作家や行動科学者が関わっており、会話の感情的な「ノリ」を監視して応答を動的に調整するシステムも組み込まれています。 4. 次世代音声AI開発の4原則チームは、エンジニアが音声エージェントを構築する際の教訓として以下を挙げています。会話の揮発性を前提にする: 話題は急変するものとして設計する。レイテンシを体験の一部とする: 1秒未満の応答速度が「機械感」を払拭する。記憶は検索システムとして作る: 単なるログ保存ではなく、圧縮と高速検索が鍵。コンテキストを毎ターン作り直す: ドリフト（会話の脱線）を防ぎ、常に最新状況に基づかせる。現在、Tolanは月間アクティブユーザー20万人を超え、高い評価を得ています。エンジニアにとって、大規模言語モデルの能力をいかに音声という制約の多いインターフェースに最適化させるかを示す、非常に優れた事例です。引用元: https://openai.com/index/tolan お便り投稿フォーム VOICEVOX:ずんだもん

Ask this episode

“What did the council decide on item 42?” — answered with the speaker and the moment.

Transcript

Related