Claude Code、CLIで始めたセッションをデスクトップアプリで再開可能に
Claude Code のデスクトップアプリで、ターミナルのセッションを再開できるようになった。/resume と入力すると CLI で始めたセッションの一覧から選択でき、会話とコンテキストを完全に引き継いだままアプリ側で続行できる。
ターミナルで走らせた作業を GUI で続きから触れるのは実務で地味に効く。CLI とアプリを同じセッション基盤で行き来できる設計になってきた。
CONTACT →
Daily AI Briefing
毎日のようにAI関連のニュースが届きますが、その多くは一次情報ではなく、ノイズも少なくありません。研究機関・開発企業・第一線の専門家による発信の中から、本当に押さえておきたい情報だけを厳選してお届けします。
Claude Code のデスクトップアプリで、ターミナルのセッションを再開できるようになった。/resume と入力すると CLI で始めたセッションの一覧から選択でき、会話とコンテキストを完全に引き継いだままアプリ側で続行できる。
ターミナルで走らせた作業を GUI で続きから触れるのは実務で地味に効く。CLI とアプリを同じセッション基盤で行き来できる設計になってきた。
エージェンティックコーディングによってソフトウェアエンジニアリングの基礎はどう変わったのか。Andrew Ng がソフトウェア工学の基礎領域を整理した「AI Engineering Skills map」を公開した。
コーディングエージェント前提で「どの基礎スキルが残り、何が変わるのか」を体系図で示した点が参考になる。自分の学習の棚卸しにも使える。
Google が今週のローンチをまとめて紹介。同社として最も高精度な speech-to-text モデル「Gemini 3.5 Transcribe」と、動画の生成・編集におけるクリエイティブな機能とコントロールを拡張した「Gemini Omni 1.1 Flash」が登場した。Gemini アプリの Live 機能にも言及している。
音声書き起こしと動画生成が同じ週にまとめて更新された。文字起こし系のパイプラインを持っているなら Transcribe の精度は要チェック。
Google DeepMind が Gemini Omni 1.1 Flash のロールアウトを開始。生成動画の高いコントロール性、より速いイテレーション、プロダクション用途に耐える仕上がりを狙ったモデルで、Flow などから試せる。
動画生成の論点が「きれいに出るか」から「制御と反復速度」に移っている。実制作のワークフローに組み込む前提の売り出し方が今のトレンド。
Rosalind Workbench は、科学的な問いを専門特化モデル・ツール・レビュー可能な出力へと1つのワークフローでつなぐ。タンパク質の構造・配列解析からシーケンシングパイプラインまでをカバーする。
汎用チャットではなく「レビュー可能な出力」を軸に科学ドメインへ寄せた設計。専門領域向けのエージェント製品の作り方として参考になる。
appshots は、目の前で開いているアプリのコンテキストを ChatGPT Work と Codex に丸ごと渡す機能。ユーザーが何を見ているかを理解した上で、それに対してアクションできる。作業中に ⌘ を2回押すだけで呼び出せる。
「画面がそのままコンテキスト」という方向性。スクショ貼り付けやコピペで文脈を渡す手間が消えると、アシスタントの使用頻度は一段変わりそう。
GLM-5.3 は良いモデルだとした上で、オープンウェイトモデルの性能向上に伴い、モデルカードの公開やレッドチーミングの実施がますます重要になると指摘。オープンモデルはガードレールを外せてしまう以上、どんなリスクがあるのかを把握しておく必要があると述べた。
オープンモデルを本番採用するときの評価観点として妥当な指摘。性能ベンチだけでなく、リスク情報の開示姿勢もモデル選定の基準になっていく。
動画生成モデルが持つ視覚的な知能(Visual Intelligence)を検証するベンチマーク「VGI-Bench」の論文が Hugging Face Papers で公開された。
動画生成の評価が見た目の品質から「世界を正しく理解しているか」に踏み込んできた。生成モデルを世界モデルとして測る流れの一つ。
PyTorch Conference North America 2026 では、PyTorch 本体をはじめ vLLM、DeepSpeed、Ray、Helion、Safetensors に取り組む開発者から直接話を聞ける。GPU / NPU、モデルアーキテクチャ、推論エンジンなどの専門家も参加する。
推論・学習インフラの主要 OSS が一堂に会する場。現地に行かなくても、後日公開されるセッション動画はインフラ系の情報源として有用。
エンタープライズ向け RAG パイプラインで本当にエンジニアリングが必要なのはループ自体だ、という指摘。パーサーが答えの載った表を潰す、検索が正解の隣のページを返す、モデルが不正な JSON を返す — ループが吸収すべき失敗は、こうした「ありふれたもの」だからだと論じている。
RAG の本番運用でつまずくのはまさにこの種の地味な失敗。モデル性能ではなく失敗を吸収するループ設計に焦点を当てているのが実務的。
こうした動きを、自社の業務にどう活かせばいいか ―
迷ったときに相談できる窓口があります。