[{"excerpt":"検索、コンテキスト、回答、引用、拒否、安全性、本番運用の層ごとに、RAGで使う評価指標と計算方法、最小限のRelease Gate構成を整理します。","permalink":"/ja/posts/rag-evaluation-metrics-cheat-sheet/","title":"RAG 評価指標チートシート"},{"excerpt":"AI Application Engineer 向けの RAG 再順位付け設計ガイド。検索融合、意味的再順位付け、業務順位付け、証拠集合選択を分け、実運用向けの標準パイプラインを示す。","permalink":"/ja/posts/rag-reranking-best-practices-2026/","title":"RAG 検索結果をどう再順位付けするか：Hybrid Retrieval から Cross-Encoder、Listwise、証拠集合選択まで"},{"excerpt":"中国本土・米国・東京から各20件の公開求人を調査し、AI Application、Agent、RAGエンジニアに求められる技術スタックと、東京での就職に向けた学習優先順位・ポートフォリオ方針を整理します。","permalink":"/ja/posts/ai-engineer-job-market-2026/","title":"2026年 AIアプリケーションエンジニア求人の技術スタック：東京・中国本土・米国のJD徹底調査"},{"excerpt":"プログラマー向けの Multi-Agent と Sub-Agent システム設計ガイド。複数 Agent が必要かどうか、タスク分割と協調パターンから、コンテキスト、権限、信頼性、評価、本番導入までを扱います。","permalink":"/ja/posts/robust-multi-agent-subagent-design-2026/","title":"Single-Agent から Multi-Agent へ：堅牢な Sub-Agent システム設計ガイド"},{"excerpt":"機械学習の背景がないプログラマー向けに、大規模言語モデルの学習における勾配降下法、損失関数、誤差逆伝播、学習率、最適化器を、次トークン予測からパラメータ更新まで直感的に解説する。","permalink":"/ja/posts/gradient-descent-for-llm-training/","title":"勾配降下法：大規模言語モデルが「でたらめな予測」から文章生成を学ぶ仕組み"},{"excerpt":"本稿は、本番AI Agentにおけるコンテキスト圧縮を体系的に整理し、メッセージ切り詰め、ツール結果の整理、Artifact外部化、構造化要約、ネイティブCompactionを区別します。Hermes Agent、LangChain v1、LangGraph v1を例に、階層的な実装と評価方法を示します。","permalink":"/ja/posts/ai-agent-context-compression-best-practices-2026/","title":"本番AI Agentのコンテキスト圧縮：メッセージ切り詰め、ツール結果の整理からHermes Agentの階層的Compactionまで"},{"excerpt":"簡略化したオンライン書店を一貫した例として、要件、業務、アーキテクチャ、データ、インタラクション、デプロイ設計でよく使うソフトウェア図を体系的に解説します。","permalink":"/ja/posts/software-design-diagrams-online-bookstore/","title":"実装を始める前に、どの図を描くべきか？"},{"excerpt":"asyncio.run()、コルーチン、Task、Future を起点に、Python のイベントループが待機、タイマー、I/O をどうスケジュールするかと、逐次 await、並行 Task、ブロッキングコードの境界を理解する。","permalink":"/ja/posts/python-event-loop-task-awakening/","title":"Python イベントループ入門"},{"excerpt":"RAG検索エンジニアリングにおけるレキシカル検索、密ベクトル検索、ハイブリッド融合、リランキング、評価、オブザーバビリティ、本番運用ガバナンスを体系的に解説します。","permalink":"/ja/posts/rag-retrieval-engineering-guide/","title":"RAG検索エンジニアリング：ハイブリッド検索から本番運用ガバナンスまで"},{"excerpt":"実行経路、検索品質、生成品質、継続的な回帰テストを対象とするRAGシステムのオブザーバビリティと評価基盤の構築方法を解説します。","permalink":"/ja/posts/rag-observability-evaluation-design/","title":"RAGシステムのオブザーバビリティと評価の設計"},{"excerpt":"OpenTelemetry の中核コンポーネントと可観測性シグナル、および AI Agent、RAG、本番システムでの活用方法を解説する。","permalink":"/ja/posts/opentelemetry-ai-agent-observability-guide/","title":"OpenTelemetry 入門：AI アプリケーションと AI Agent 開発者のためのわかりやすいガイド"},{"excerpt":"RAG の Chunking を、固定分割から構造化、文脈付与、評価駆動設計へと発展させる方法を解説する。","permalink":"/ja/posts/rag-chunking-strategies-evaluation/","title":"RAG システムにおける Chunking のベストプラクティス"},{"excerpt":"RAG の複数経路検索を融合する際の RRF の役割、計算方法、適用場面、主な限界を解説します。","permalink":"/ja/posts/rag-rrf-retrieval-fusion/","title":"RAG における RRF の役割：シンプルだが万能ではない検索融合手法"},{"excerpt":"企業向け RAG の検索 pipeline における Dense Search、Sparse Search、RRF、Reranker の役割を説明します。","permalink":"/ja/posts/rag-dense-sparse-hybrid-search/","title":"RAG 検索における Dense + Sparse Hybrid Search"},{"excerpt":"エンタープライズRAGシステムを構築するときに参照できるガイドです。","permalink":"/ja/posts/enterprise-rag-system-building-guide/","title":"エンタープライズRAGシステム構築ガイド"},{"excerpt":"2026年5月20日、NVIDIAはAI-QのDeep Research能力を、Claude Code、Codex、OpenCodeなどのagent harnessから呼び出せる「専門skill」としてpackage化する方法を紹介する技術記事を公開しました。重要なのは「AI toolがまた一つ増えた」ことではなく、企業Agentをより明確に階層化する方法を示した点です。汎用agent harnessは会話、tool orchestration、コード実行、ユーザーとのやり取りを担い、専門research backendは複数sourceの検索、計画、統合、引用、評価、企業データgovernanceを担います。(NVIDIA Developer)","permalink":"/ja/posts/deep-research-aiq-skill-agent-harness-mcp/","title":"Deep Researchをプラグイン可能な能力にする：NVIDIA AI-Q Skillが企業Agentアーキテクチャへ示すもの"},{"excerpt":"Latent SpaceによるShunyu Yaoへのinterviewを基に、ReAct、Reflexion、Tree of Thoughts、memory、benchmark、ACI、Agent UXを整理し、AI agentを実用化する際のツール、環境、評価、interface設計の重要性をまとめます。","permalink":"/ja/posts/points-of-the-podcast-language-agents-from-reasoning-to-acting/","title":"TencentのAI Leader、Shunyu YaoはこのPodcastで何を語ったのか"},{"excerpt":"基礎的なRAGパイプラインがプラットフォームに吸収されつつある流れを起点に、評価と可観測性、データガバナンスとアクセス制御、エージェント型ワークフローの高度なエンジニアリング能力など、2026年にAIアプリケーションエンジニアが重点的に身につけるべき高付加価値スキルを分析します。","permalink":"/ja/posts/ai-engineer-skill-value-map-2026/","title":"2026年、AIエンジニアは何を学ぶべきか"},{"excerpt":"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。","permalink":"/ja/posts/work-schedule-optimization-manual/","title":"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"},{"excerpt":"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。","permalink":"/ja/posts/llm-from-hidden-state-to-token-output/","title":"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"},{"excerpt":"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。","permalink":"/ja/posts/ai-agent-architecture-design-guide/","title":"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"},{"excerpt":"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。","permalink":"/ja/posts/ai-coding-agent-software-spec-best-practices/","title":"AI Coding Agent時代の中核スキル：優れたSoftware Specの書き方"},{"excerpt":"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。","permalink":"/ja/posts/llm-training-for-ai-engineers/","title":"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"},{"excerpt":"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。","permalink":"/ja/posts/agent-native-documentation-engineering/","title":"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"},{"excerpt":"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。","permalink":"/ja/posts/ai-agent-standards-full-landscape/","title":"AI Agent業界標準の全体像：Java engineerの視点"},{"excerpt":"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。","permalink":"/ja/posts/ai-coding-agent-documentation-best-practices/","title":"AI Coding Agent向け文書の書き方"},{"excerpt":"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。","permalink":"/ja/posts/llm-agentic-evolution/","title":"LLM の Agentic 化：質問への回答から自律的な仕事へ"},{"excerpt":"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。","permalink":"/ja/posts/rag-system-complete-guide/","title":"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"},{"excerpt":"交差エントロピー、Perplexity、Temperature、条件付きエントロピー、hallucination 検出、Prompt の制約を一本の流れとして整理し、エントロピーが LLM の学習・推論・プロダクト設計を理解する共通言語になる理由を説明します。RAG とエンジニアリングガバナンスにおける実用的な価値も扱います。","permalink":"/ja/posts/entropy-in-llm/","title":"LLM におけるエントロピー：学習・推論・プロダクトをつなぐ共通言語"},{"excerpt":"Spec-Driven Developmentの中核概念、四段階のworkflow、vibe codingとの本質的な違いを体系的に説明します。現在のツール環境と成熟度を踏まえ、AI coding agentの時代にspecを先に書くことが、曖昧さと手戻りを大幅に減らす理由を示します。","permalink":"/ja/posts/spec-driven-development-guide/","title":"Spec-Driven Development詳解：Prompt and PrayからSpec and Steerへ"},{"excerpt":"複数の組織によるベンチマークと業界の実践を基に、RAG chunkingのデフォルト設定、パラメーター調整方法、文書種類別の戦略選択を整理します。","permalink":"/ja/posts/rag-chunking-best-practices/","title":"RAG Chunking ベストプラクティスガイド"},{"excerpt":"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。","permalink":"/ja/posts/agent-model-harness/","title":"Agent = Model + Harness"},{"excerpt":"並行処理と並列処理の基本的な違いから始め、PythonのGIL、threading、multiprocessing、asyncio、concurrent.futuresについて、適した場面、連携方法、選び方を体系的に整理します。","permalink":"/ja/posts/python-concurrency-parallelism-complete-guide/","title":"Pythonの並行処理と並列処理 完全ガイド：シングルスレッドからマルチコアへの進化"},{"excerpt":"イテレーションプロトコル、ジェネレーター、コルーチンオブジェクトから、awaitable、Task、Future、イベントループ、構造化並行性、非同期イテレーション、スレッドプールとプロセスプールまでをたどり、WebバックエンドとAIアプリケーション開発に使えるPython非同期処理のメンタルモデルを構築します。","permalink":"/ja/posts/python-async-programming-complete-guide/","title":"Python非同期プログラミング完全ガイド：イテレーションプロトコルからCoroutine、Task、スレッドプールまで"},{"excerpt":"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。","permalink":"/ja/posts/prompt-engineering-best-practices-guide/","title":"Prompt Engineering 完全ベストプラクティスガイド"},{"excerpt":"Anthropic の Contextual Retrieval 原文と Appendix II を起点に、中核手法、実験結果、本番環境へ適用しやすい RAG アーキテクチャの原則を整理します。","permalink":"/ja/posts/anthropic-contextual-retrieval-reading-notes/","title":"Anthropic Contextual Retrieval 読書メモ"},{"excerpt":"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。","permalink":"/ja/posts/contextual-retrieval-rag-reading-list/","title":"Contextual Retrieval と RAG の必読リスト"},{"excerpt":"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。","permalink":"/ja/posts/apple-m5-vs-m4-practical-comparison-ai-engineers/","title":"Apple M5 vs. M4：AI エンジニアのための実践的比較"},{"excerpt":"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。","permalink":"/ja/posts/llm-api-kv-cache/","title":"LLM APIのKV Cacheとは何か"},{"excerpt":"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。","permalink":"/ja/posts/llm-chain-of-thought-cot/","title":"LLM Chain-of-Thought（CoT）完全ガイド"},{"excerpt":"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。","permalink":"/ja/posts/prompt-engineering-from-concept-to-implementation/","title":"Prompt Engineeringの原理から実践まで"},{"excerpt":"LLMのPrompt Injectionとは何か、そして基本的な防御策を理解します。","permalink":"/ja/posts/understanding-prompt-injection/","title":"Prompt Injection（プロンプトインジェクション）"},{"excerpt":"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!","permalink":"/ja/posts/understanding-transformer-intuition/","title":"Transformer の数学的直感を理解する"}]