AI & Agent

エージェントが、あなたがすでにログインしているChromeを使うべき理由、chrome-useがそこへどう接続するか、タブを邪魔しない仕組み、captchaで何が起きるかを5分で説明します。

motion-useはオープンソースの動画ツールです。コーディングエージェントが正確な時刻指定の描画コードを書き、ローカルでレンダリングし、完成したMP4をデコードして確認します。表示されるすべてのクリップがmotion-useで作られた1分の映像付きです。

switch-use は、sys-botbase と OCR を使って Nintendo Switch を PC から操作できる Rust 製コマンドラインツールです。

すべてのスマートフォン画面が実際の録画である、1分間のiphone-use動画です。AIが画面を読み取り、名前でタップし、手順がうまくいかなかったときはそう伝え、完了したタスクをトークンを消費せずに再生します。

1つの要件から、Opus 5.5はClaude Code上で演出稿、three.jsのシーン、音楽シンセサイザー、字幕を書き、自分でフレームを抽出して確認しバグを修正し、さらにオープンソースのmotion-useを使ってローカルで102秒、6120フレームの完成映像をレンダリングした。

同じ PC 上で Claude Code、Codex、Pi を開いていても、それらは互いを見られない。ocs はすべての AI コーディングセッションに共有チャンネルを用意し、対象セッションを実際に起こす。0.6 からは LAN 内の別 PC も呼び出せる。この記事では使い方と、作る中で踏んだ「成功に見えるが実は失われている」落とし穴を紹介する。

複数 agent の並列開発では、Rust が依存関係を繰り返し再コンパイルすることが最大のコストになりがちです。並行数を制限し（二つの軸で）、共有キャッシュを使い、target を分離し、そのルールを AGENTS.md に固定することで、同時に三つの作業ラインを走らせてもコンピューターが耐えられるようにします。

AgentParty は cross-session のネットワーク版です。Claude Code の cross-session は自分のセッション間だけですが、AgentParty はそれを別の人、チーム、会社へ広げます。私の AI とあなたの AI が直接対話して連携デバッグし、人間による中間翻訳を省きます。

AgentParty はとても薄いバスです。異なるマシン、異なる会社の coding agent（と、その背後にいる人たち）が同じチャンネルにいて、互いに @ し、待機し、引き継げるようにします。この記事では、3つの線に沿って説明します。それが何か、どんな問題を解決するのか。どんな場面で使えるのか。下層の原理がどう組まれているのか。

五大タスク行列、階層アーキテクチャから DiT/VAE/T5/分散/スケジューラまで、Wan2.2 のソースコードにある、文書とコードが乖離している実際の落とし穴を層ごとに分解する。

Wan2.2 の実コードで動画生成の完全な原理を一通りたどる：flow matching の数学的導出、VAE の時空間圧縮、DiT と 3D RoPE、CFG、MoE デュアルエキスパート、条件注入、シーケンス並列化について、各概念で具体的な数字を計算し、元コードを示す。

AIチャットを人間らしく見せるには、モデル性能だけでなく、返信のリズム、プロンプト設計、フォールバック、コスト計算、障害切り分けといった細部のエンジニアリングが重要になる。

chrome-useが1つの本物のChromeを複数のagentで共有しながら、session、タブグループ、拡張機能によって干渉を防ぐ仕組みを説明します。

ページ全体のHTMLを詰め込んでコンテキストを燃やす、1フィールドごとにfind/getを往復する、手書きのevalを書く。この3つのデータ取得方法を全部試したが、どれもしっくりこなかった。残ったのはchrome-useのsiteとextract。背後にある判断は同じだ。データ取得は一度の宣言的な評価であるべきで、命令的な往復の列ではない。この記事では実際の出力から両者の使い方、extractのschemaをどう書くのか（最初は私も間違えた）、そして取れない場面・使うべきでない場面を説明する。

初めて chrome-use で Slack デスクトップ版につなぎ、`snapshot` で名前付きのボタンが大量に出てきたとき、少し驚いた。あとで納得した——Slack デスクトップ版はそもそもWebページなのだ。Electron アプリは Chromium レンダリングエンジンにネイティブの殻をかぶせたもので、内部には構造のはっきりした DOM がある。この記事では、なぜこの事実によって、ずっと泥臭い作業だった「デスクトップ自動化」がWebページ操作へと単純化されるのか、そしてブラウザの場合と比べて必ず知っておくべきトレードオフについて説明する。

ブラウザ自動化に携わる人は、いずれ必ずある落とし穴にはまる。偽のブラウザを必死に真人間のように偽装し、さらに何層にも見破られていく、というものだ。この問題を理解するには、まず CreepJS のような検出が、そもそも「あなたはボットか」を直接判定しているわけではないことを知る必要がある。它はあなたの数十項目のシグナルを集めて相互に照合し、ひとつでも合わなければ嘘として記録する。この記事では、私が実測した本物のフィンガープリント一式から始め、もっとも隠しにくい痕跡、つまり JS 層ではなくプロトコル層にある痕跡まで分解し、パッチを当てることがなぜ負のゲームなのかを説明する。

chrome-use が既存の Chrome セッションに接続する仕組みを、Playwright、Puppeteer、browser-use が使う新規コンテキストや永続コンテキストと比較し、セッション状態、タブの所有、接続要件、フィンガープリントテストの限界について説明します。

開発デバッグ中に、まだ完成していないAPIをmockしたい、リクエストパラメータを変えたい、あるいは実際のレスポンスを変更したいことがあります。chrome-use network routeは、操作中のChrome上で直接インターセプトし、mockレスポンス、リクエスト変更、実レスポンス変更、ブロックの4つの使い方を提供します。なぜこれが最も軽量な方法なのか（内部はCDP Fetch、JS注入なし、拡張機能の権限追加なし、ストア再審査を誘発しない）を説明し、実機検証も添えています。

chrome-use test は、手作業のブラウザ点検を、繰り返し実行でき、CI に入れられる YAML スイートとして固定化するもので、フロントエンドにユニットテストを書くようなものです。それが何か、なぜ実装をここまで薄くできるのか、そして cookie-use と組み合わせて複数アカウントを行き来する方法を説明します。

AI agent に自分でアカウントへログインさせたい。アカウントとパスワードの経路は bitwarden-use で通せたが、OAuth の経路で半日以上つまずいた。「Sign in with Google」の裏で 3 つのウィンドウがどうやり取りするのか、なぜ自動化するとすぐ切れるのか、chrome-use が入れた 3 つの修正、そして最後に x へ全自動でログインできた流れを説明する。

私たちは一晩中 hook、プロキシ、パケットキャプチャ、session ログを追いかけた。最後に分かったのは、いちばん怖かったあの「注入の証拠」はツール出力ではなく、Claude 自身が語った物語だったということだ。

自動化ブラウザを空の設定から起動して、ログインし直し、 CAPTCHA にぶつかるのはもうやめましょう。chrome-use なら、どんな AI agent でも「すでにすべてログイン済み」の本物の Chrome を直接操作できます。CreepJS の bot 判定は 0% で、さらに構造化スナップショット + @ref インターフェースにより、1ページを見るのに 200–400 token しか使わず、スクリーンショット代も燃やしません。

朋友圈で、Codex がこっそり大量のログを書いて SSD を消耗させるという話が広まっている。手元で実測したところ、ファイルはローテーションで 126MB に安定しているが、10 日で 845 万行が挿入され、ディスクに書き込んでいたのはバックグラウンドのデスクトップ版 app-server だった――元投稿の方向性はおおむね正しく、「誰でも 1 年で必ず書き潰す」という部分だけが誇張されている。根本原因（ソースコード + GitHub issue）とクリーンアップ方法も添える。

Claude CodeやCursorのようなagentが、ドキュメントやREADMEを書くついでに挿絵も生成できるようにする。OPENAI_API_KEYは不要、追加料金も不要で、すでに支払っているChatGPTサブスクリプションを使う。この記事では、その背後でいちばん面白い実装ルートであるwebバックエンドを分解する。なぜ直接POSTできないのか、三層のアンチスクレイピングで本当の壁になるのは一度だけ有効なTurnstile tokenであること、そしてログイン済みのChromeを駆動して画像を生成する完全な流れを扱う。

Claude Code などの agent が画像を必要としたとき、人手や別途 API キーなしで、既存の ChatGPT サブスクを使って画像を生成・編集できる CLI の紹介です。

AI agent にブラウザをつなぐとき、本当に難しいのはページを開くことではなく、クロスオリジン iframe の中に隠れたフォームだ。読める、入力できる、でも「保存」だけクリックできない。この難題を突破した過程の記録。

カスタムXCTestランナー、CLI、HTTP API、MCPを備えた、オープンソースの実機iPhone自動化: 画面の読み取り、タップ、入力、リモート制御、ワークフローの再生。

Claude Code は昨日（2026-05-28）dynamic workflows をリリースしました。現時点ではまだ research preview です。この記事ではソースコードには触れず、それが何を変えたのか、いつ使うと得なのか、いつ単なる token の無駄なのか、そして subagent / skill との本質的な違いだけを扱います。

私が Claude Code 向けに書いたステータスバーには、prompt-cache のカウントダウン行がある。それが何を基準にしているのか、式はどう立てるのか、どんなときに誤解させるのか——ソースコードと実際の transcript を一緒に掘り下げる。

1ページのビジュアル早わかり：ChatGPT サブスクリプションが chatgpt-imagegen によってコマンドライン画像生成ツールへどう変換されるのか——OAuth による token 取得、Responses API SSE ストリーム、機能境界マトリクス、使うべきでない場面を一枚で明確化。

Claude Code 2.1.139 headless 版のソースコードに基づき、/goal コマンドがセッションレベルの Stop hook を通じて、条件が満たされるまで Agent に作業を継続させる仕組みを分解します。

Claude Code 2.1.139 のソースコードをもとに、claude agents、--bg、/bg がバックグラウンド job モデル、daemon、FleetView TUI をどのように共有しているかを分解します。

Slidevスタイルの中国語プレゼン資料。Agentic Coding、SkillとMCP、AGENTS.mdとCLAUDE.md、サンドボックスと権限制御、そしてチームがPlan、YApi Skill、docs-syncを使ってAIプログラミングを本当に現場へ定着させる方法を説明する。

Agentic Coding をめぐる中核的な問いを軸に、主流ツールの形態、Skill と MCP の境界、AGENTS.md と CLAUDE.md の役割と仕組み、サンドボックスと権限制御、そしてデモを見るだけではなく実際のタスクとベンチマークで AI プログラミングを評価する方法を体系的に整理する。

この記事では、「制御面 / 実行面」という総論にとどまらず、現在の実装に基づいて、ブリッジ層、IPC、設定フィールド、WeChat 連携、ロールバック機構、証拠インデックスを一つずつ展開し、QClaw が OpenClaw をどのように提供可能なデスクトップランタイムとして構成しているのかを説明します。

公式の release notes をもとに、OpenClaw v2026.3.8 の主な変更点を整理します。バックアップコマンドの正式導入、macOS のリモートゲートウェイ onboarding、Talk の silence timeout、Brave 検索対応、ACP receipts、そしてマルチプラットフォームのルーティング修正が中心です。