Agent = Model + Harness
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。
LLM
Prompt Engineering 完全ベストプラクティスガイド
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。
Apple M5 vs. M4：AI エンジニアのための実践的比較
AI エンジニア向けに、CPU、キャッシュ、メモリ帯域幅、Neural Accelerator まで、M5 の M4 に対する変更がローカル LLM と Diffusion 推論に持つ意味を実践的に解説します。
LLM APIのKV Cacheとは何か
KV Cacheは、「Transformerの理論」と「LLMのエンジニアリングおよびデプロイ」を結ぶ重要な概念です。これを理解すれば、「モデルがどう計算するか」から「モデルがどう動くか」までの最後のつながりが見えてきます。
LLM Chain-of-Thought（CoT）完全ガイド
LLM Chain-of-Thought（CoT）とは何か、prompt engineeringによってLLMのChain-of-Thought（CoT）を引き出す方法を理解します。
Prompt Engineeringの原理から実践まで
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。
Prompt Injection（プロンプトインジェクション）
LLMのPrompt Injectionとは何か、そして基本的な防御策を理解します。
Transformer の数学的直感を理解する
この記事によって、私は Transformer の基本原理をより深く理解し、現在主流の LLM をブラックボックスとして見る状態から一歩抜け出せた。あなたにも同じ効果があるかもしれない。Cheers!