ARCHIVE
아카이브
기존에 공개한 글을 원래 주소 그대로 보관합니다.
과거의 글에는 작성 당시의 기술과 관점이 담겨 있습니다.
356개 글 · 7 / 12 페이지
· JA
コンテキストエンジニアリング：プロダクションAIエージェントを支える核心技術
プロンプトエンジニアリングを超えて、コンテキストエンジニアリングが2026年のAIエージェント開発における核心スキルになった理由を、4つの失敗パターンと5つの主要技法を通じて実務視点で解説する。
· JA
Karpathyのautoresearch — 単一GPUで一晩100件のML実験を自律実行
Andrej Karpathyが公開したautoresearchは、AIエージェントが一晩で自律的にML実験を繰り返す630行のOSSツールです。EMの視点からR&Dチームでの活用戦略を分析します。
· JA
LLMが匿名性を破壊する — 大規模オンライン身元追跡の実態と防御戦略
LLMを活用した大規模オンライン匿名解除(Deanonymization)の研究を分析し、エンジニアリングリーダーが知るべき組織セキュリティ対応戦略を提示します。
· JA
AI Reliability Engineer: 2026年エンジニアリングチームの新パラダイムとCentaur Podモデル
ジュニア開発者の役割がAI Reliability Engineer(ARE)へと進化している。Centaur Podチーム構造、Code Audit採用方式、Defect Capture Rate指標まで — EMが今すぐ実行すべきAIネイティブチーム設計戦略
· JA
ClaudeがFirefoxで22件のCVEを発見 — AIセキュリティ監査の新時代
Anthropic Claude Opus 4.6が2週間でFirefoxから22件のCVEを発見した事例を分析し、AIセキュリティ監査がエンジニアリング組織にもたらす変革をCTO/EM視点で解説します。
· JA
マルチエージェントスケーリングの科学 — Googleが明かした「エージェントを増やすほど良い」という神話
Google Researchの180設定定量実験が明らかにしたマルチエージェントの逆説 — 逐次タスクで39〜70%のパフォーマンス低下、エラー17.2倍増幅、87%予測精度の意味をEMの視点で分析します。
· JA
RoguePilot — GitHub Copilot プロンプトインジェクション脆弱性とAIコーディングツール セキュリティ戦略
GitHub Codespacesで発見されたRoguePilot脆弱性の分析とAIコーディングツールのパッシブプロンプトインジェクションリスク、EMがチームに適用すべきセキュリティガイドラインを整理します。
· JA
A2A + MCPハイブリッドアーキテクチャ：2026年マルチエージェントプロダクション戦略
Google A2AとAnthropic MCPは競合ではなく補完関係です。EM/CTO視点から両プロトコルの役割の違いを理解し、マルチエージェントシステムをプロダクションで安全に運用する戦略を解説します。
· JA
Cursor Agent Trace — AI生成コードを追跡するオープン標準が登場
CursorのAgent Trace 0.1.0仕様を実務視点から分析します。git blameでは追跡不可能なAIコード貢献をファイル・行 レベルで分類し、コードレビュー最適化・コンプライアンス監査・チームAI活用度測定に即活用できるEM・CTOガイドです。
· JA
異種LLMアーキテクチャでエージェントフリートのコストを90%削減する
大型モデルが計画し、小型モデルが実行するPlan-Executeパターン。EM/CTOがエージェントフリートを運用する際に必ず知っておくべき異種モデルアーキテクチャのコスト最適化戦略を実践的な数値とともに解説する。
· JA
Tool-R0: ゼロデータでツール使用AIエージェントを訓練するSelf-Play RLフレームワーク
arXiv最新論文Tool-R0は、学習データなしにSelf-Play強化学習だけでLLMのツール呼び出し能力を92.5%向上させます。Generator-Solver共進化構造とEM視点の実務示唆を分析します。
· JA
Bayesian Teaching: LLMの確率的推論訓練法 — Google研究解析
GoogleがNature Communicationsに発表したBayesian Teaching研究は、LLMが新しい情報を受け取ったとき確率的に信念を更新するよう訓練する方法論だ。AIエージェントの不確実性処理方式を根本的に改善するこの研究をEM視点で分析する。
· JA
Deloitte 2026 Agentic AI運用戦略 — 89%が本番化できない理由とEMフレームワーク
Deloitte Tech Trends 2026が明かす衝撃—11%しか本番Agentic AIを運用していない現実。89%が停滞する 根本原因は技術ではなく運用モデル。月曜朝から即実行できるDelegate・Review・OwnフレームワークのEM・VPoEガイドです。
· JA
MCP セキュリティ危機 — 60日で30件のCVE、企業防御ガイド
MCP（Model Context Protocol）の攻撃対象面が急速に拡大中。30件のCVE分析と3層攻撃モデル、エンタープライズ向けハードニングチェックリストを解説します。
· JA
ADL（Agent Definition Language）— AI エージェント ガバナンスの OpenAPI が登場
AIエージェントの役割・権限・許可ツールを宣言的に定義するADL仕様が公開されました。OpenAPIがAPIを標準化したように、ADLはエージェントアーキテクチャを標準化します。核心フィールド構造の詳細分析とEM・CTOが即座に適用できるガバナンス導入戦略を解説します。
· JA
Cognitive Debt: Anthropic 2026エージェンティックコーディングレポートが警告するAI時代の新たな負債
Anthropicの2026 Agentic Coding Trends Reportと共に登場した新概念「Cognitive Debt」— AIがコードを代わりに書くほど、チームの理解力は静かに侵食される。EMが今すぐ実践すべき対応戦略を分析します。
· JA
2026年、エリートAIエンジニアリング組織の作り方：3人チームが50人に勝てる理由
Hacker Newsトップを獲得したエリートAIエンジニアリング文化の分析。1人当たり売上$3.48M vs $610Kの5.7倍格差が生まれる理由と、EMが実践すべきTaste × Discipline × Leverageの公式
· JA
Olmo Hybrid — Transformer + リニアRNNハイブリッドでデータ効率2倍を達成
AI2のOlmo Hybridは、TransformerとDeltaNetを3:1の比率で組み合わせ、49%少ないトークンで同等の精度を実現します。ハイブリッドLLMアーキテクチャの仕組み、性能ベンチマーク、LLM開発者のための実践的な示唆を詳しく解説します。
· JA
AIコーディングツールが生む「便利ループ」— TypeScript 66%急騰と言語選択の構造変化
GitHub OctoverseデータでAIコーディングツールが生む便利ループ効果を分析します。TypeScript 66%急騰とPython首位獲得の構造的原因を EM・CTO視点で解説し、AIコーディング時代における技術スタックの長期意思決定フレームワークを具体的に提示します。
· JA
Meta Llama 4 完全解説 — Maverick・ScoutのオープンソースAIがエンタープライズ戦略を変える
Meta Llama 4 Maverick（400B MoE）とScout（10Mコンテキスト）のアーキテクチャ・ベンチマーク・コスト構造を分析し、エンジニアリング組織がオープンソースAI戦略をいかに再定義すべきかをCTO/EM視点でまとめる。
· JA
NIST AI エージェント セキュリティ基準 — EM が今すぐ準備すべきフレームワーク
NIST AI Agent Standards Initiative のコア内容と、Engineering Manager がチーム内の AI エージェント セキュリティを強化するためのステップ別チェックリストを整理します。アクセス制御、監査ログ、ガードレール設計まで実践的な対策を紹介します。
· JA
AIエージェントワークフローをメタツールで最適化: AWOフレームワーク実践ガイド
arXivの論文に基づくAgent Workflow Optimization(AWO)フレームワークを分析します。反復的なツール呼び出しパターンをメタツールにコンパイルしてLLM呼び出しを12%削減します。
· JA
Claude Cowork企業版 — 開発ツールから全社AI基盤へ
Claude Coworkのエンタープライズ機能を分析。Plugin Marketplace・MCPコネクタ・Excel/PPT統合とCTOが備えるべき全社AI導入戦略。
· JA
Deep-Thinking Ratio: LLM推論コストを50%削減する新しい指標
「長く考えるほど良い」という常識を覆すGoogle・UVAの研究。Deep-Thinking Ratio(DTR)を活用すれば 推論品質を維持しながらLLM推論コストを半減できます。EM/VPoEが知るべき実践的インサイト。
· JA
MCPがオープン標準に — Linux Foundation参画とエンジニアリング導入ロードマップ
AnthropicがMCPをLinux Foundationに寄贈し、OpenAI・Google・Microsoftが参画しました。76%の企業が導入を検討中の今、EM/VPoEが知るべき実践的な導入戦略を整理します。
· JA
MIT EnCompass：AIエージェントに検索アルゴリズムを組み込み精度40%向上させる方法
MIT CSAILが開発したEnCompassフレームワークでAIエージェントの実行パスに検索戦略を適用し、信頼性と精度を劇的に向上させる方法を実務観点で分析します。
· JA
Jira AI エージェントと MCP — エンジニアリングマネージャーが準備すべきこと
Atlassian が Jira に AI エージェントを導入し、MCP を全面採用しました。EM 視点でチーム運営の変化と実務対応戦略をまとめます。
· JA
LLMコーディングハーネス最適化 — モデルではなくハーネスを変えて15モデルの性能向上
LLMコーディングではモデル選択よりハーネス（編集フォーマット、ツールインターフェース）最適化が5〜14%高い性能向上をもたらします。Grok Code Fast 6.7%→68.3%の実事例を基に、EM・CTOのための実務戦略を解説します。
· JA
AIモデル蒸留攻撃の実態 — CTOが知るべきIP保護戦略
Anthropicが検出した大規模AIモデル蒸留攻撃の事例を分析し、企業がAI APIを活用する際に知的財産を保護するための実務戦略を解説します。
· JA
Anthropic vs ペンタゴン — AI ガバナンス時代に CTO が準備すべきベンダー戦略
Anthropic のペンタゴン軍事 AI 要求拒否事態を分析し、CTO/VPoE が AI ベンダー依存リスクと統治戦略をいかに構築すべきか実践ガイドを提示します。