このAIはテキストだけでなくコードも書く

大規模言語モデル（LLMs）は、根本的に決定論的な計算機ではなく、確率的テキスト予測器として機能します。そのアーキテクチャは、シーケンス内で次に最も可能性の高いトークンを予測することで、一貫性があり文脈に関連する言語を生成することに優れています。この設計は、創造的な執筆、要約、翻訳には強力ですが、正確で段階的な数学的計算には本質的に不向きです。LLMsは、計算を確実に行うのではなく、トレーニングデータ内のパターンに基づいて数値や論理的な結果を本質的に「推測」します。

この中核的な制限は、データ分析や数値タスクにおいて大きな障害を生み出します。LLMsは頻繁に数学的エラーを導入し、論理的関係を誤解し、データポイントや誤った統計的要約を幻覚することさえあります。未支援のLLMに数値の集計、平均の計算、生数値データからの複雑な洞察の導出を依存することは、精度と信頼性を著しく損ないます。出力はもっともらしく*見える*かもしれませんが、その事実に基づいた根拠は疑わしいままです。

開発者は伝統的に、「ツール呼び出し」または「関数呼び出し」というパラダイムを通じてこれらの問題を軽減してきました。LLMは計算の必要性を認識すると、計算機APIやデータベースクエリエンジンなどの外部の決定論的ツールへの構造化された呼び出しを生成します。このアプローチは精度を向上させますが、かなりの運用上のオーバーヘッドを伴います。各インタラクションにはLLMと外部ツール間の複数回の往復が必要となり、すべての中間ステップで高いレイテンシと大量のトークン消費につながります。複雑なデータワークフローは、すぐに非常に遅く、高価になります。

Jack Herringtonは、彼のビデオ「Prompt to Dashboard in One AI Tool Call」の中で、この課題を的確に表現しています。彼は「LLMはネイティブに数学を行うのが苦手だ」と述べています。Herringtonは、Tanstack AIのCode Modeのようなソリューションが、LLMに決定論的なTypeScriptコードを生成させることで、この問題にどのように対処しているかを強調しています。このコードは安全なサンドボックス内で実行され、すべての数学的演算を信頼性の高いランタイムにオフロードします。この方法は、LLM本来の数値計算の弱点を回避し、計算が正確かつ効率的に実行されることを保証します。

Tanstack AIは、大規模言語モデルに内在する制限、特に決定論的な計算や多段階推論における課題に対処する斬新なソリューションであるCode Modeを導入します。複雑なロジックに対してLLMの確率的テキスト予測に依存する代わりに、Code Modeは根本的にパラダイムを転換させます。LLMに、ツールを調整し、安全なサンドボックス内でタスクを実行する*プログラム*、具体的にはTypeScriptスクリプトを*書く*ように指示することで、AIが外部システムと対話する方法を変革します。

従来のLLMアプローチは「チャット」モデルを含み、AIが順次Tool Call Using Code Modeの決定を行い、多くの場合、多数の往復インタラクション、高いトークンコスト、および遅い実行につながります。しかし、Code Modeは決定論的なプログラミングモデルを採用しています。LLMはPromptを受け取り、それに応答して完全なTypeScriptプログラムを生成します。このプログラムは、`query table`、`report text`、または`report grid`のような注入された関数を活用して、安全なVM内で単一の効率的な実行ですべて必要な操作を実行します。

Jack Herrington氏のビデオ「Prompt to Dashboard in One AI Tool Call」は、この機能を鮮やかに示しています。彼は、Code ModeがNetlify Databaseに接続し、日次収益トレンドのDashboardを生成し、複雑な計算を実行する様子を紹介しています。LLMは、それ自体で数学を行おうとする（不正確さにつながる既知の弱点）のではなく、正確な数学的演算を実行するTypeScriptを巧みに記述します。これにより、計算は決定論的なランタイムにオフロードされ、精度が保証され、LLMの主要な課題を克服します。

この革新的なアプローチにより、AIは単一の最適化されたプロセス内で複雑な多段階タスクに取り組むための前例のない能力を獲得します。複数の操作を1つの生成されたプログラムに統合することで、Code Modeは従来の逐次的なツール呼び出しと比較して、トークン使用量を劇的に削減し、実行速度を向上させます。システムプロンプトは、利用可能なすべての注入されたツールに関する包括的な詳細をLLMに提供し、非常に効果的で統合されたプログラムを作成する能力を与えます。これにより、AIはHerrington氏のデモンストレーションで示された動的なDashboardのような、複雑なデータ変換を実行し、豊富な出力を生成することが、優れた信頼性と効率性をもって可能になります。これは、より自律的で有能なAIシステムに向けた重要な一歩となります。

Tanstack AIのCode Modeは、大規模言語モデルが複雑なシステムと対話する方法を根本的に再定義します。断片的なツール呼び出しを生成したり、直接データベースクエリを試みたりする代わりに、LLMは利用可能な事前定義された関数スイートを詳述する堅牢なシステムPromptを受け取ります。これらは単なる抽象的なコマンドではなく、データベースのクエリやUIコンポーネントのレンダリングなどの特定の操作を実行するために細心の注意を払って作成された、完全に型付けされたJavaScript/TypeScript関数です。このアプローチは、決定論的なタスクを安全で高性能なランタイムにオフロードすることで、LLMの固有の制限、特にその確率的性質を軽減します。

開発者は、データベース操作のための`queryTable`やUIレンダリングのための`reportGrid`といった標準的なTanstack AIツールを定義します。Code Modeはこれらの定義を受け取り、そして決定的に、それらをセキュアな実行環境に直接注入します。この環境は、Node.js V8 isolate、軽量なQuickJS WebAssembly runtime、あるいはCloudflare Workersである可能性があり、セキュリティとスケーラビリティの両方を保証します。この注入プロセスは、LLMに具体的で実行可能なAPIを提供し、そのテキスト生成能力と正確な計算ロジックの必要性との間のギャップを埋めます。より深い技術的洞察については、Overview | TanStack AI Docsを参照してください。

この包括的なシステムPromptを装備することで、LLMはAPI呼び出しを「推測」することがなくなります。それは、ユーザーのリクエストをエンドツーエンドで解決するように設計された、完全で自己完結型のTypeScriptプログラムを生成します。このプログラムは、注入された関数をその構成要素として活用します。例えば、「日次収益トレンド」を尋ねるユーザーは、LLMに、まず`queryTable`を呼び出してNetlify Databaseから生の売上データを取得するTypeScriptを記述するよう促します。

データが取得されると、生成されたTypeScriptプログラムが重い処理を引き継ぎます。それは、標準的で決定論的なTypeScriptロジックを使用して、必要なすべての集計、日付計算、およびトレンド分析を実行します。ここがCode Modeの真骨頂です。LLMはネイティブな算術演算が著しく苦手ですが、数学的演算を完璧に実行する正確なTypeScriptコードを生成することには優れています。最後に、プログラムは`reportText`、`reportGrid`、または`reportCard`のような注入されたUI関数を使用して、計算された結果を構造化された人間が読める出力にフォーマットし、その後、要約のためにLLMに返されます。

この簡略化された概念フローを検討してください: ```typescript async function generateDailyRevenueReport() { const rawData = await queryTable("purchases", { where: { date: { gte: "two_months_ago" } } });

// TypeScriptで複雑な日付のグループ化と合計計算を実行します const aggregatedData = calculateDailySums(rawData);

reportGrid("Daily Revenue Trend", aggregatedData); reportMetrics({ totalRevenue: sumAll(aggregatedData) });

return "Report generated successfully with daily revenue trends."; } ``` この単一の生成されたTypeScriptプログラムはサンドボックス内で実行され、反復的なLLMツール呼び出しと比較して、正確な結果を提供し、トークンコストを大幅に削減します。LLMはプログラムの戻り値を受け取り、Discordチャットでユーザー向けに簡潔なマークダウン要約を作成できるようになります。

Tanstack AIのCode Modeを使用して、単一のPromptでデータをアンロックします。このシステムは、Netlify Databaseのデモで示されているように、SQL databasesと見事に統合されています。ユーザーは複雑なインサイトを簡単にリクエストでき、従来のコードを1行も書くことなく、生データを実用的なインテリジェンスに変換できます。

Jack Herringtonのデモンストレーションでは、eコマースのシナリオが紹介されました。ユーザーが「daily revenue trend」というPromptを発行すると、包括的なレポートが即座に生成されました。このレポートは、新しいDashboard要素として表示され、過去2か月間の収益トレンドを、動的なチャートと簡潔なマークダウン要約とともに提供しました。

Code Modeが直接的なLLM-to-SQLインタラクションよりも優れているのは、そのインテリジェントなオーケストレーションにあります。AIに生の`execute SQL` toolsを与える代わりに、LLMはTypeScript codeを生成します。このプログラムは、`query table`のような注入された関数を使用して、データベースから必要な生データをフェッチします。この重要な違いにより、すべての複雑なデータ変換と数学的計算は、精度が保証されるTypeScript runtimeにオフロードされます。

LLMsは、ネイティブな数学演算において信頼性が低いことで知られています。LLMに数学を実行するTypeScriptを生成させることで、Code Modeはこの根本的な制限を回避し、正確な結果を保証します。このアプローチは、連続的なLLM tool callsと比較して、トークンコストを劇的に削減し、実行速度を向上させます。生成されたTypeScriptは、その後、`report text`や`report grid`などの他の注入されたツールを使用して、処理されたデータを最終レポートにフォーマットします。

このデータベースインタラクションを支えているのはDrizzle ORMです。このObject-Relational Mapperは、顧客や購入などのエンティティのデータベーススキーマを定義し、異なるPostgreSQL databases間での重要な移植性を提供します。Drizzle Kitの`defineConfig`はセットアップを簡素化し、Code Modeエコシステム内で堅牢なデータベース統合を強力かつ簡単に行えるようにします。この組み合わせは、AI駆動型データ分析のための非常に信頼性が高く効率的な方法を提供します。

Jack Herringtonは、Code Modeデモンストレーションの堅牢なバックエンドとして、Netlifyの新しいNetlify Databaseを選び、その機能を称賛しました。サーバーレスのPostgresサービスとして、簡単なローカルセットアップとシームレスな本番デプロイにより開発を効率化します。Herringtonは、その「super cool」なブランチデプロイを強調し、すべてのコードブランチに対して隔離されたテスト環境を自動的にプロビジョニングすることで、堅牢で競合のない開発を保証します。

セットアッププロセスは、必要な依存関係のインストールから始まり、`package.json`に`@netlify/database@1.0`が目立つように含まれていました。開発者はその後、ローカル開発環境を起動し、別のターミナルでローカルデータベースシミュレーターを自動的に開始しました。このローカルシミュレーションは本番環境を正確に反映しており、初期段階から一貫性と予測可能性を保証します。

次に、Herringtonはデータベース構造を定義するための重要なステップである`Drizzle Kit generate`を使用してデータベーススキーマのマイグレーションを生成する方法を実演しました。このコマンドは、`netlify/database/migrations`ディレクトリ内にバージョン管理されたマイグレーションファイルを生成し、顧客や製品のようなテーブルを概説しました。これらのマイグレーションの適用は迅速で、`netlify database migrations apply`で実行され、スキーマが正しく確立されていることを保証しました。

スキーマがしっかりと確立された後、テストデータでデータベースを投入することが次の重要なステップとなりました。シンプルな`DB seed`コマンドは、顧客と製品の包括的なサンプルデータを効率的に挿入し、現実的なエントリでデータベースを準備しました。この迅速なシーディングにより、データベースはCode Modeによる複雑なクエリと高度な分析にすぐに利用できるようになり、開発が加速しました。

最後に、Herringtonは、アクティブな開発中にデータベースを視覚化し、操作するための強力で直感的なインターフェースであるDrizzle Studioを紹介しました。`DB Studio`を実行することでアクセスできるこの「本当にクールなインターフェース」は、テーブル、データ、スキーマの即時かつグラフィカルなビューを提供し、「文字通りこれ以上ないほど簡単」と評されています。これにより、デバッグと検証が大幅に簡素化され、データベースの状態を明確かつリアルタイムで確認できます。

Tanstack AIのCode Modeは、AI駆動開発の新時代を到来させ、より高速な実行、大幅に低い運用コスト、そして明らかに賢く、より信頼性の高い結果という魅力的な三つの利点をもたらします。この革新的なパラダイムは、精度と効率が求められる複雑な多段階タスクをオーケストレーションする際のLarge Language Modelsの固有の欠点を直接的に解決します。

前例のない速度向上は、ユーザーエクスペリエンスを再定義します。従来の方法では、それぞれが個別のネットワークラウンドトリップと個別のLLM呼び出しを必要とする多数の連続したステップが含まれます。このワークフロー全体を単一のTool Call Using Code Modeに統合することで、システムはネットワーク遅延とユーザーの待ち時間を劇的に削減します。一連の対話的なやり取りではなく、完全な生成されたTypeScriptプログラムが1つの統合されたバースト内で実行され、ほぼ瞬時に結果を提供します。

経済的な節約も同様に重要です。従来のツールチェイニングでは、LLMがコードの一部を生成し、その実行を待ち、結果を受け取り、そのフィードバックに基づいてさらなる指示を生成するという、広範な対話のやり取りが必要です。これらの反復的なやり取りのそれぞれが、かなりのtoken costsを発生させます。Code Modeのシングルコール実行モデルは、このコストのかかるやり取りを大幅に排除し、複雑な操作に対してはるかに経済的なソリューションを提供します。

知能そのものが、近似を超えて大幅なアップグレードを遂げます。大規模言語モデル（LLM）は、本質的に確率的なテキスト予測器であり、決定論的な数学的演算や論理的推論に著しく苦戦します。すべての複雑なロジック、データ変換、計算を安全な TypeScript runtime にオフロードすることで、Code Mode は100%正確な計算を保証します。これにより、LLM の本質的な弱点を完全に回避し、特に Netlify Database のようなデータベース統合において極めて重要な、信頼性の高いデータ分析、レポート生成、Dashboard 出力を保証します。Netlify Database の詳細については、公式ドキュメントを参照してください: Netlify Database | Netlify Docs。この統合された決定論的なアプローチは、AI との対話を一連の推測から、正確で効率的かつ非常に信頼性の高い実行エンジンへと変革し、AI アシスタントが複雑な多段階操作を実行する方法を根本的に再構築します。

Tanstack AI の Code Mode は、AI がデータ出力だけでなく、ユーザーインターフェースを能動的に構築する画期的な機能である Generative UI を導入します。これは従来のデータ操作を超え、AI がオンデマンドで視覚コンポーネントを設計およびレンダリングすることを可能にし、自然言語の Prompt から完全な Dashboards を作成します。

AI が生成する TypeScript コードがこのプロセスの中心です。データ処理後、`reportGrid`、`reportChart`、`reportText`、`reportCard` といった包括的な注入型 UI 関数セットを活用します。これらの関数は高レベルの指示として機能し、AI が処理された情報を、単純な要約から複雑な視覚化まで、どのように表示すべきかを正確に指示することを可能にします。

例えば、Netlify Database から日次収益トレンドを計算した後、AI は `reportChart` を呼び出して結果を折れ線グラフとして視覚化したり、`reportGrid` を呼び出して詳細な表形式で表示したりできます。システムには、`progress`、`sparkline`、`grid`、`VBox` といったプリミティブも含まれており、UI 構築のための豊富なツールキットを提供します。

AI の TypeScript がこれらの UI 関数を呼び出すとき、それらはコンポーネントを直接レンダリングしません。代わりに、構造化された「ノード」を動的に JSON array に追加します。各ノードは特定の UI 要素またはレイアウトプリミティブを表し、正確な React component の実装を指示することなく、何を表示する必要があるか、どのように表示するかを抽象的に定義します。

その後、フロントエンドアプリケーション内の専門的な Node Renderer が引き継ぎます。このレンダラーは JSON array を反復処理し、各ノードタイプを対応する React component にマッピングする洗練されたインタープリターとして機能し、UI 全体をプログラム的に効果的に組み立てます。この分離されたアーキテクチャは、柔軟性と拡張性の両方を保証し、AI のコアロジックを変更することなくフロントエンドコンポーネントを簡単に更新できるようにします。

この洗練されたメカニズムは、AI にデータ視覚化に対する並外れた制御能力を与えます。処理された情報を動的に評価し、最も効果的な提示形式について自律的な決定を下します。AI は、データとユーザーの最初の Prompt に正確に合わせたカスタム UI をその場で構築し、真に動的でパーソナライズされた体験を提供します。

ユーザーは静的なテンプレートではなく、AI のデータと最適な提示戦略の両方に対する深い理解を反映した、オーダーメイドの Dashboards を受け取ります。この革新は、単純なテキスト生成を超え、AI が単一の Tool Call Using Code Mode からリッチでインタラクティブな UI を構築できる時代を到来させます。

システムは、開発者とエンドユーザーが複雑なデータと対話する方法を劇的に強化します。生の洞察を視覚的に魅力的で理解しやすい形式に変換し、抽象的なデータを具体的でインタラクティブな体験へと効果的に変えます。これは、AI駆動型アプリケーション開発の強力な未来を示しています。

Tanstack AIのCode Modeは、AIを活用したビジネスインテリジェンスの競争が激化する分野に参入していますが、根本的に異なる領域で独自の地位を確立しています。多くのソリューションが既存のBIプラットフォームにAIを導入することに焦点を当てているのに対し、Code Modeは開発者向けの基盤レイヤーとして位置づけられています。これにより、開発者は事前に定義された分析環境に適応するのではなく、AI駆動型のデータ機能をゼロから構築できるようになります。

主要なプレイヤーはすでに、高度なAI機能を自社の製品に統合しています。MicrosoftのPower BI Copilotは、自然言語からレポートや視覚化を生成することを可能にします。Tableau Pulseは、パーソナライズされたAI駆動型の洞察をプロアクティブに提供します。GoogleのLooker + Geminiは、高度な分析と生成AIを組み合わせて、直感的なデータ探索を実現します。これらのツールは、確立されたユーザー向けプラットフォームを通じて、複雑なデータへのアクセスを民主化します。

しかし、Code Modeは

一度限りのインタラクションを超えて、Code ModeはAgent Skillsを導入します。これは、大規模言語モデル（LLM）が学習し、動作する方法を根本的に変える高度な機能です。この機能により、LLMは以前に生成した効果的なTypeScriptコードスニペットを保存し、永続的に保持することができ、事実上、独自の再利用可能なソリューションライブラリを構築します。

Agent SkillsはAIに永続的な記憶の一種を提供し、成功したコードブロックは実行後に単に破棄されることはありません。代わりに、AIはこれらの「スキル」に名前を付け、型を定義し、呼び出すことで、その後の会話で同様の課題に対処できます。これにより効率が大幅に向上し、システムは繰り返し発生するタスクに対する冗長なコード生成を回避できます。

AIが、複数通貨の換算とさまざまな地域にわたる売上データの集計を行う複雑なTypeScript関数を生成するシナリオを考えてみましょう。毎回この複雑なロジックをゼロから再作成するのではなく、LLMはそれを「generateRegionalRevenueReport」という名前の「スキル」として保存できます。その後、「第3四半期の地域別収益の内訳を表示してください」のような簡単なプロンプトで、この正確で事前に最適化された関数を呼び出すことができます。

このパラダイムシフトにより、AIは反応的なコードジェネレーターから、知識ベースを拡大するプロアクティブな問題解決者へと移行します。これは、より速く、より正確な結果を意味し、トークンコストを削減し、特にNetlify Databaseのようなシステムと対話する際の複雑なデータ分析を加速します。このような複雑なレポートの基盤となるデータ構造を理解したい開発者にとって、Meet Drizzle Studioのようなツールを探索することは、スキーマの視覚化とクエリに関する貴重な洞察を提供します。これにより、Code Modeは単なるTool Call Using Code Modeのオーケストレーターを超え、AIを継続的に改善する非常に効率的なエージェントへと高めます。

テキストを単に予測する確率的なAIエージェントの時代は終わりを告げようとしています。Tanstack AIのCode Modeは、人間とAIのコラボレーションの新しい未来を告げ、大規模言語モデルを能力のある決定論的なプログラマーへと変革します。これは単にツール呼び出しの改善にとどまらず、開発者がAIをガイドして堅牢で検証可能なCodeを記述し実行させるという根本的なパラダイムシフトであり、ソフトウェアの構築方法を根本的に変えるものです。

LLMが持つ固有の数学的弱点や高額なトークンコストに苦しむ代わりに、Code ModeはLLMがTypeScriptプログラムを生成することを可能にします。これらのプログラムは、Netlify Databaseのようなシステムに対して複雑なデータクエリを編成し、保証された精度で正確な計算を実行し、さらには動的なGenerative UI要素を構築します。これらすべてが、レイテンシーと費用を劇的に削減する安全で効率的なサンドボックス内で行われます。

このプログラムによるアプローチは、これまでにない精度と低いトークン消費で、複雑な多段階操作が可能な、より強力で信頼性の高いAIエージェントを提供します。開発者は、データ駆動型機能の劇的に速い開発サイクルを経験し、自然言語のPromptから、単一のAI Tool Call Using Code Modeで完全に機能するDashboardへと移行できます。

その影響は単なる効率を超えています。私たちは、実行可能なロジックを理解し生成するインテリジェントなエージェントによってゼロから構築される、新しいクラスのAIネイティブアプリケーションの誕生を目の当たりにしています。複雑なデータ質問に答えるだけでなく、自身の運用コンポーネントを積極的に構築・維持し、ユーザーのニーズに動的に適応するシステムを想像してみてください。

「Skills」により、これらのAIエージェントは効果的なコードパターンを学習し再利用できるようになり、時間とともにますます洗練され自律的になります。これは、AIがソリューションを*説明する*アシスタントから、ソリューションを*構築する*ものへと移行する深遠な進化を表しており、人間と機械の知能の共生関係を育みます。

この未来は遠いものではありません。今すぐアクセス可能です。この次世代のAI搭載アプリケーションを形成したい開発者は、Tanstack AI GitHub repositoryを探索すべきです。今日から独自のプログラムAIツールの構築を試し始め、AIエージェントが単にインテリジェントであるだけでなく、実証的に有能で堅牢である状況に貢献してください。

Tanstack AIのCode Modeとは何ですか？

これは、複数の連続したtool callsを行う代わりに、Large Language Model (LLM)が安全なサンドボックス内で完全なTypeScriptプログラムを記述し実行することを可能にする機能です。

Code Modeは従来のAIツール利用をどのように改善しますか？

操作を1回の呼び出しにまとめることで、token costsとlatencyを削減します。また、計算をLLMではなく信頼性の高いTypeScript runtimeにオフロードすることで、数学的精度を保証します。

Code Modeは自分のデータベースに接続できますか？

はい。注入された関数を使用してSQL databasesに接続するように設計されています。このビデオでは、Netlify DatabaseとDrizzle ORMを使用してこれを実演しています。

この文脈におけるGenerative UIとは何ですか？

これは、AIが生成されたcodeを使用して処理したデータに基づいて、レポートやダッシュボード用のチャートやグリッドのようなuser interface componentsを動的に作成する能力です。