最も大切なことを、身体が最も力を発揮できる時間へ：生活リズムの調整と時間活用のための私の手引き
睡眠、概日リズム、エネルギー状態に基づいて生活リズムを調整し、価値の高いタスクを最も適した時間に配置するための個人的な手引きです。
LLMの本音と発言が一致しない理由：LLMの振る舞いを理解する万能の鍵
hidden stateとtokenの間にある帯域幅の隔たりから、Chain of Thought、promptの長さ、few-shot、性格のdrift、幻覚などのLLMエンジニアリング現象を一つの枠組みで説明します。
優れたAI Agentの設計方法：アーキテクチャ原則から実践パターンまで
優れたAI agentシステムの中核設計フレームワークとして、Spec-Driven Development、三層アーキテクチャ、Resolver、LatentとDeterministicの境界、Diarization、自己進化する学習ループを体系的に整理し、補完ツール中心の発想からAI強化型ソフトウェアエンジニアリングへの転換を支援します。
AI Coding Agent時代の中核スキル：優れたSoftware Specの書き方
2025〜2026年のAI coding agentとSpec-Driven Developmentの最新実践を基に、Software Specの定義、価値、主要要素、ワークフロー、よくある落とし穴を体系的に解説し、Claude Code、Codex CLI、Cursorなどで使える実践的なテンプレートを紹介します。
大規模言語モデル学習の全体像：AI アプリケーションエンジニアが理解すべきこと
データパイプライン、Scaling Law、システム制約、合成データ、蒸留、ポストトレーニング、評価体系、Agent 学習まで、大規模言語モデル学習の全工程を体系的に整理し、それらの仕組みが AI アプリケーションエンジニアのモデル選定、評価、harness 設計にどう影響するかを解説する。
Agent-Nativeドキュメントエンジニアリング：AI Coding Agent駆動開発の文書体系設計ガイド
AI coding agentの実行機構を起点に、agent-native文書が「参考資料」から「基盤」へ変わった理由を体系的に説明し、AGENTS.md、PRD、Architecture、Spec、Planなど各文書層の責務と構成原則を整理します。Context EngineeringとSpec-Driven Developmentの実践を踏まえ、contextを節約しながらagentの行動を安定して導く文書体系の設計方法も示します。
AI Agent業界標準の全体像：Java engineerの視点
最初に全体像を見る Java backend engineerがAI Agent分野の現在の標準化状況を素早く理解するには、次のように対応させられます。 通信/設定の種類 AI Agent標準 Javaでの類比 提唱者 Governance 採用状況 Agent ↔ ツール/データ MCP JDBC Anthropic AAIF (Linux Foundation) ✅ de facto standard Agent ↔ Agent A2A RMI / gRPC Google Linux Foundation ✅ 急速に採用中 プロジェクトrule設定 AGENTS.md application.yml OpenAI AAIF (Linux Foundation) ✅ de facto standard 再利用可能な能力package SKILL.md Maven Plugin Anthropic agentskills.io（open standard） ✅ de facto standard アプリケーションframework Goose / Claude Agent SDK / ADK Spring Boot 各社 一部はAAIF 🔶 複数社が競争 microservice governance Harness Engineering体系 Spring Cloud — — 🔴 標準なし test/評価 Agent評価framework JUnit — — 🔴 標準なし コード品質governance Entropy管理 SonarQube — — 🔴 標準なし 上半分の✅は、業界の共通見解またはde facto standardを形成済みの部分です。下半分の🔶と🔴は、まだ探索中のfrontierです。この記事では主に上半分の全体像を説明し、その後、下半分がどのように進化するかを考えます。 ...
AI Coding Agent向け文書の書き方
OpenAI、Anthropic、HumanLayerなどのチームがAI coding agentプロジェクトの文書化で得た実践経験を体系的に整理し、入口ファイル、階層化された知識ベース、状態追跡ファイル、局所文書がAgentの性能へ直接影響する理由を説明します。最小限の文書体系から継続的な保守へ進む、実行可能な道筋も示します。
LLM の Agentic 化：質問への回答から自律的な仕事へ
一つの比較から始める ChatGPT に「KV Cache とは何か」と聞くと、モデルが答えて会話は終わります。 Codex CLI に「このプロジェクトへテスト付きのユーザー認証 module を追加して」と伝えると、agent は自律的に作業を始めます。プロジェクト構造を読む → 既存コードを理解する → 実装を計画する → 認証ロジックを書く → テストを書く → テストを実行する → 失敗を見つける → 修正する → テストを通す → PR を作る、という流れです。数十 step に及ぶ間、あなたが介入しないこともあります。 ...
RAGシステム全体ガイド：ゼロから本番品質までの完全な設計手順
AIアプリケーションエンジニアリングを学ぶ開発者に向けて、データ取り込み、分割、検索、再ランキング、生成、評価、運用まで、RAGの完全な処理経路を体系的に整理し、最小構成から本番導入までの発展経路を示します。