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。
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。
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。 ...
LangChain による Agent Harness の分解は、context engineering、memory、MCP、agent loop を一枚の地図として結び付けています。
AI アプリケーションエンジニア向けの Prompt Engineering 長編ガイド。基礎原則、コンテキスト設計、タスクチェーン、インジェクション防御、Agent のプロンプト設計、評価駆動開発を扱う。
Contextual Retrieval、Context Engineering、RAG 評価を学ぶための価値の高い記事 10 本を整理しました。Anthropic の公式記事、オープンソース実装、2025 年の動向レビューを含みます。
プロンプトエンジニアリングは、思っているほど単純ではないかもしれません。
LLMのPrompt Injectionとは何か、そして基本的な防御策を理解します。