Airbnbが認証フローをサーバードリブンアーキテクチャに移行し、認証関連コードを約60%削減した事例。クライアント側の分岐や複雑な認証処理をサーバー側で制御する設計により、コード重複を減らすアプローチを解説している。
Google Cloudブログで、AIプロトタイプを本番環境に移行するスタートアップ向けに、オンボーディング、スケール、管理の3フェーズに分けた10の質問と実践的なコードスニペットを紹介。Google AI StudioとGemini Enterprise Agent Platformの使い分け、IAM設定、コストやエージェント暴走の防止など、GCP固有の移行ノウハウに焦点を当てている。
AI関連の先端企業で、研究者とエンジニアを分けない共通肩書き「MTS」が広がっている。AnthropicやOpenAIの著名技術者がMTSを名乗る事例を挙げつつ、歴史的な経緯や社内レベルの実態、対外求人では従来型職名を使い分ける事情を解説。肩書きに頼らず成果で価値を示すべきという論評を含む。
エージェント型AIがデータを活用するには、人間向けのデータ設計では不十分で、信頼性・文脈・トレーサビリティ・ガバナンス・運用可能性の5属性をデータ層に組み込む必要がある。データ契約と品質、トレーサビリティとガバナンス、コンテキスト層、検索可能から実行可能への4段階で整備するというアーキテクチャ論。
エンジニア面接で開発力を評価するため、曖昧なPdM相談を題材に、要求整理・技術設計・異常系対応の3段階に質問を分け、評価の切り分けを改善した取り組みを紹介している。
社会人1年目のデータ移行の実体験を通してSREの基本概念（監視・アラート、自動化、SLO、オンコールなど）を説明する初心者向け記事。具体性は薄いが、SREの考え方を把握できる。
Nulab Flowbase の開発チームが、Claude Design や Claude Code で画面のたたき台を数時間で作れるようになった一方、デザイナーのレビューを経ずに実装を進めた結果、機能のアプローチや構造レベルでの大きな手戻りが発生した経験を共有。速くなった工程の先でボトルネックが別工程に移ったことを踏まえ、AI で作ったたたき台をどの段階でデザイナーに渡し、プロセスをどう組み替えたかを述べている。
アソビューでQAエンジニアがClaude Codeを使いE2Eテスト自動化に取り組んだ事例。Gherkin記法の日本語シナリオ＋AIによるテストコード生成＋POM集約という構成で、初期は爆速でコードが生成されたが、テスト失敗時のエラー修正をAIに丸投げした結果、確率的な仮説に基づく修正が繰り返されコードが肥大化・複雑化し、Flakyテストが増える悪循環に陥った。対策として、Playwrightの録画機能で操作を記録して一次情報をAIのコンテキストとして与える、ヘッドあり実行で挙動を確認する、リバースエンジニアリングで得た外部仕様ファイルを参照させる、といった決定論的な検証の仕組みを導入。タイミング依存の不安定さ、Gherkinの粒度の難しさ、共通フロー流用による影響範囲拡大など複雑化の要因も整理している。
coding agent は、より精度の高い検索結果を返す LSP ベースの意味的ナビゲーションよりも、字句検索である grep を選びがちなのはなぜかを小規模な比較研究で検証した記事。3 つの Claude モデル、複数の Python/TypeScript リポジトリ、複数タスク種別で実験したところ、単純なコード位置特定では意味的ツールの選択率は 0〜6% にとどまり、意味的ツールを強制すると成功率が 100% から 89% に低下した。一方、呼び出し元を漏れなく列挙するタスクでは 45〜57% の確率で意味的ナビゲーションを選択し、適合率は 1.00 対 0.76 と改善したが再現率はほぼ 0.66 のままだった。コードベースの字句的なノイズが多いかどうかが意味的ナビゲーションの価値を決め、型が強い言語かどうかは予測因子ではなかった。結論として、モデルはツールを単体で使うのではなく、利用可能なアクション名・入力・返却コンテキストを定義するハーネスを通じて使うため、ツールの「LLM フレンドリーさ」は結果の精度だけでなく、次の一手に足る文脈とモデルが直接扱える出力形式によって決まるという、agent プラットフォーム設計上の示唆を述べている。
AIエージェントに作業を任せる際、AGENTS.md などのファイルにコンテキストを記述する手法が広がっているが、その情報をどのように構造化・管理するかが課題となる。本記事では、軽量な知識グラフを用いてエージェント向けのオントロジー（概念と関係の定義）を管理するアプローチを紹介し、エージェントに与える文脈情報を整理・再利用しやすくする方法を述べている。
LLMに外部文書を検索させて回答を生成する「検索拡張生成(RAG)」について、Hugging FaceやDatabricksでの勤務経験を持つAIエンジニアのラファエル・ピエール氏が、単純な全文検索から始めて段階的に高度化していく6つの方法を紹介している。