【AIエンジニアリング実践｜カリキュラム刷新＆受講生募集開始】 AIコーディングを前提とした開発を出発点に、要件定義からデータ・ログ設計、プロトタイプ構築、デプロイ、評価、改善、エージェント化までを扱う「AIエンジニアリング実践」。全7回だったカリキュラムを一から再設計し、全13回へと刷新しました。 全回演習・ハンズオン形式で、1つのAIアプリケーションをRAGによるプロトタイプ構築からクラウドへのデプロイ、LLM-as-a-Judgeによる評価設計、MLOpsによる継続的改善まで一気通貫で実装します。 ▼今期の新規拡充テーマ ・評価の深掘り（評価指標・LLM-as-a-Judge・回帰テスト） ・レイテンシとコストの最適化 ・セキュリティとプライバシー（ガバナンス・リスク・コンプライアンス） ・AIエージェントとワークフロー設計 ▼講座情報 ・全13回｜毎週月曜 19:00〜20:45（第11回のみ火曜） ・完全オンライン（Zoom）・受講料無料 ・対象：学生（大学院生〜中学生）※学位取得可能な学校法人に在籍中、または入学予定であることの証明が必要 ・開講：10/19(月) ▼スケジュール ・ID登録締切：10/3(土) 10:00 ・申込締切：10/5(月) 10:00 ・選考結果：10/13(火)19:00までに全応募者へご連絡 ▼お申し込み

✍️ AIが秒間何百行もコードを書ける今、開発者の仕事は「書く」から「読んで検証する」へ変わりました。だとすれば、言語選択の基準も変わるはずです。 Why Go is an Ideal Language for AI-Assisted Software Engineering 🔍 概要 GoogleのGoチームが発表した「AI補助開発時代の言語選択論」。コード生成のボトルネックが「書くこと」から「レビュー・検証すること」に移った今、読みやすさと保守性を軸に設計されたGoがいかに理想的かを論じています。 ⚠️ 解決する課題 ・LLMは型の不一致や存在しないプロパティを頻繁に生成する ・動的型付け言語（Python等）では型エラーが実行時まで検出されない ・AI生成コードが古いパッケージや脆弱な依存関係を参照するリスクがある ・繰り返しリファクタリングで精度が劣化する（初回約95%→低下） 🛠 Goのアプローチ ・gofmtによる完全自動フォーマット：AI生成コードの構文が常に予測可能 ・静的型付け＋高速コンパイル：Java/C#/Rustより桁違いに速くエラーを弾く ・govulncheck：呼び出されるシンボルだけを対象とした低ノイズ脆弱性スキャン ・ネイティブファズテスト：境界条件バグを継続的に発見 ・15年間の完全後方互換：Go 1.0のコードが今も無修正で動作 📌 逆説的な結論 「開発者が書くコードが減るほど、言語選択はより重要になる。」AIの大量出力を安全に吸収するには、決定論的なガードレールを持つ言語基盤が必要。Goはそのために設計されていた。 #Go言語# #AIエンジニアリング#

セキュリティ責任者(CISO)専用の業務基盤を掲げるPulse Security AIがステルスを解除し、Foundation Capital主導・Zetta Venture Partners参加で800万ドルのシード資金を調達した(https://www[.]globenewswire[.]com/news-release/2026/07/15/3327850/0/en/pulse-security-debuts-operational-management-platform-built-for-security-leaders.html)。 CEOのMike Armistead氏は「CFOには基幹業務システム(ERP)があり、CROには顧客管理システム(CRM)がある。セキュリティの責任者だけは、それに相当するものを持ったことがない」と語る。実際、セキュリティプログラムはスプレッドシートやスライド、属人的なノウハウ(tribal knowledge)で回されてきたという。米国立標準技術研究所(NIST)によれば脆弱性識別番号(CVE)の登録件数は2020〜2025年で263%増加、脆弱性データを追跡するVulnCheckの調査では2025年だけで884件が新たに悪用され、うち約29%はCVE公開と同日かそれ以前に攻撃が始まっていたという。 Pulseが80件超のCISOインタビューから見出した共通の悩みは、取締役会でも経営陣の前でも規制当局の監視下でも拠り所にできる「常に最新の状態を保った権威ある記録」が無いことだった。そこでEDR(端末の侵入検知)やクラウド、ID管理といった技術サイロと評価レポートなどの非構造データを1つにつなぐ「文脈グラフ」というアーキテクチャを採用し、散らばった情報を1枚の地図として扱えるようにしている。 創業者のMike ArmisteadとRobert Hippsは、SOC(セキュリティ運用センター)自動化のRespond Softwareを共同創業し2020年にFireEye/Mandiantへ1億8600万ドルで売却した実績組。Armisteadは以前にもアプリケーションセキュリティの先駆けFortify Softwareを創業しHPに売却(2010年)、Nick GilliganはRespondの初期メンバーで後にMandiantとGoogleでAIエンジニアリングを率いた。 他部門には当たり前の「専用の基盤ソフト」がCISOだけ無かったというのは、言われてみれば確かに歪だ。

🚀 FastAPIを「最初のエンドポイント」から「本番でスケールするAIシステム」まで一気通貫で学べる電子書籍です。LLM/RAG serving まで踏み込み、各章末に面接問題が付くのが実用的です。 タイトル: FastAPI for AI Engineers: From First Endpoint to Production-Scale AI Systems URL: 🚀 概要 PythonでMLモデルやLLM/RAGを本番運用するAIエンジニア向けの実践書（初版・2026年、AI Engineering Insider）。全10章・計100問の面接問題に加え、実在の障害事例やコストモデルのコラムが織り込まれています。 ❓ 解決する課題 ・モデルは作れても、本番でスケールするAPIとして安全に配信するのは別スキル ・LLM/RAGの serving はストリーミング・ガードレール・コスト管理など固有の難しさがある 本書はFastAPIを「AI/MLの事実上の serving レイヤー」として体系化します。 💡 構成と扱う技術 ・基礎：ASGI/WSGI、Uvicorn、OpenAPI、Pydantic v2によるスキーマ分離と検証 ・実装：冪等性、適切なステータスコード、ページネーション、Router→Service→Repositoryのクリーンアーキテクチャ ・DB/セキュリティ：SQLAlchemy/SQLModel/Alembic、N+1、プールサイジング、JWT、BOLA対策、OWASP API Top 10 ・非同期：「イベントループを絶対にブロックしない」、def vs async defの使い分け、httpxのリトライ/サーキットブレーカー 🎯 核心（第9章 AI/RAG/LLM） ・lifespanで重みを一度だけロード、CPU推論はスレッドにオフロード ・LLMゲートウェイで認証・プロンプト・ガードレール・コスト計測を集約、SSEでトークンを逐次配信 ・埋め込み＋ベクトルDB（pgvectorから開始）でRAGを構築し、出力はPydanticで検証→失敗なら差し戻して再試行 ・max_tokensを「支出上限」として型で強制 📊 注目ポイント ・実在の障害（Netflix、Stripe、GitLab、Optus、Air Canada）から学ぶ実践志向 ・第10章はGunicorn+Uvicorn、K8sのliveness/readiness、可観測性の3本柱（p99 vs p50）、SLOベースのアラートまでカバー #FastAPI# #AIエンジニアリング#

TL;DR: 同じ Claude Opus でも、ハーネスなしは20分で$9の失敗、ハーネスありは6時間で$200のプロダクト。この差を体系的に教えるオープンソースカリキュラムです。 learn-harness-engineering 「モデルは賢い。ハーネスが信頼性を作る」——このリポジトリはAIコーディングエージェント向けのハーネス工学を14レクチャー・8プロジェクトで学ぶ教材です（⭐️ 13.7k）。 ポイント 🔧 5つのサブシステムがハーネスの骨格 ・Instructions: AGENTS.md など構造化ガイダンスでリポジトリを真実源に ・State: claude-progress.md とgit履歴でマルチセッション継続性を確保 ・Verification: テスト・lint・E2Eで「完了したふり」を防ぐ ・Scope: 明示的な完了基準で1フィーチャーずつ確実に進める ・Session Lifecycle: init → 実装 → 検証 → コミット → ハンドオフの構造的フロー 📚 段階的なカリキュラム設計 基礎（問題の直視・構造化）から発展（ループ自動化・グラフ設計・Human-in-the-Loop）まで段階的に構成。共有の Electron アプリを題材に、コードを通じてハーネスを習得します。 ⚡ すぐ既存プロジェクトに適用できる AGENTS.md・ の3ファイルをテンプレートからコピーするだけで即座に効果が出る設計。 🌐 最新のフロンティア設計も収録 Pi・Claude Code・Codex・DeepSeek の実際のハーネス設計の分析（2026年8月追加）、ループエンジニアリング・グラフエンジニアリング（2026年7月追加）と、現場の最新実践を継続的に反映しています。 エージェントを「プロンプトで動かす」から「ハーネスで信頼させる」へ、という発想の転換を13.7kのエンジニアが支持しています。 #CodingAgent# #AIエンジニアリング#

新しいブログを公開しました 📝 「Buzzword engineering」 新しい技術や概念が次々と生まれ、情報が飛び交う現代。「〇〇」という言葉の響きだけが先行して、本来の目的や技術の本質を見失ってしまうことはありませんか？🤓 Prompt Engineering、Context Engineering、Harness Engineering、そしてLoop Engineering——LLMの登場からわずか数年で、私たちは少なくとも四つの「Engineering」の誕生に立ち会いました。なぜ、前の名前が方法論として成熟する前に、次の名前が到着するのでしょうか 🤔 📖本稿では、この現象を「Buzzword engineering」と名付けて解剖しました。正体は、速度の非対称です。LLMによって方法論を「提案」するコストはほぼゼロになり、いまやLLM自身が提案の主体になり始めています。一方で「検証」は、プロダクトがユーザに使われて初めて完了するため、人間の行動速度に律速されたままです。提案は機械の速度で進み、検証は人間の速度で進む——その隙間に、検証待ちの名前が堆積していくのです。 🅱️ただし、本稿はバズワードを嗤う記事ではありません ⚙️ シュンペーターの「群生」やハイプサイクルが示すように、乱立はイノベーションの標準的な進行表に最初から書き込まれた現象であり、世界中のエンジニアの注意を揃える知識創造の第一工程でもあります。 ⚙️その上で提案するのは、週単位で回る「方法論の時計」と、年単位で回る「プロダクト価値の時計」とをつなぐ変速機、すなわちxOpsを整えることです。複利で増える評価資産、エージェントへの権限委譲を観測で運用する「自律性予算」、そして「命名するなら反証条件とevalを添えよ」という規範——LLM/エージェント時代のプロダクト開発の進む先を考えました。 方法論は減価し、評価資産は複利で増えます。次々と現れる新しい名前に少し疲れた方にこそ、読んでいただきたい一本です 🚀 👇日本語版はこちら #バズワードエンジニアリング# #AI#

AI時代のエンジニアリング組織論 ■ 開発工程のボトルネックはコーディングから製品設計とコードレビューへ移行する リーガルAIのLegoraは、創業18ヶ月でARR1億ドルを突破し評価額56億ドルに達した最速のB2B企業である。CTOのヤコブ・ラウリツェンは、AIツールにより従来のボトルネックだったコーディングのコストは劇的に低下したと語る。現在、開発の真の制限要因は、顧客ニーズを製品設計へ落とし込む作業と、生成されたコードのレビュー工程へ移行している。そのため、同社はPMが顧客との対話に集中できる時間を守り、エンジニアをシステム設計に特化させている。 ■ トークンの消費量競争は開発組織を歪ませる無意味な評価指標である 多くのエンタープライズ企業が陥る失敗が、開発者評価にAIトークン消費量を持ち込むことである。トークン消費を可視化するリーダーボードを作ると、エンジニアは評価のためだけに無意味にトークンを浪費し始める。ラウリツェンはこの「トークンマクシング」を愚策と一蹴し、AI使用量そのものを報酬評価にしてはならないと警告する。組織が評価すべきは開発効率と実際のアウトプットの質であり、デモ等を通じて効率化の工夫を共有し合う環境こそが不可欠である。 ■ 開発者体験に特化した専門チームの設置が組織全体の生産性を最大化する 同社は、わずか80名のエンジニアでAccelやBenchmark、NVIDIA等から8億ドル以上を調達した。現在、Legoraのコードの50%以上はCursorやClaudeなどのAIツールにより生成されている。この開発速度を維持するため、同社は3名の開発者体験（DevEx）専門チームを早期から設置した。彼らは、エンジニア1人あたり最大10個の自律コーディングエージェントを回し、独自のCIレビューボットを開発して全員の開発を支援している。結果としてエンジニア全員が約20%効率化し、新人の即戦力化も劇的に加速した。 ■ 複雑度の低い社内ツールは購入するよりバイブコーディングで自社開発する AI開発において、同社は社内ツールの導入基準として、機能の広さと複雑度の深さという2つの軸を設けている。既存製品を購入するよりも、複雑度が低く自社専用のカスタマイズが必要なシステムは、バイブコーディングで自作する方が安価になった。特に人事管理やオンボーディングシステム、データ移行アプリなどは、AIを使って自立的かつ高速に自社開発することが推奨される。汎用ツールに頼る手間を省き、社内のAIイネーブルメントチームが直接プロトタイプを開発して課題を瞬時に解決している。 ■ 組織を急成長させるためにはエゴのない優秀な人材の密度を高める Legoraが競合を圧倒して超高速成長できた最大の要因は、優秀なAプレイヤークラスのエンジニア密度を極限まで高めたことだ。特に5〜8人規模のスタートアップチームを丸ごと買収するアクハイヤー戦略は、高いチーム開発力を一瞬で取り込む上で効果的だった。この統合を成功させたのは、役職やタイトルへの執着を一切排除する「ローエゴ（低自己愛）」の徹底した採用基準である。ラウリツェンは、最も優れた成果を出せる者が役割を担う機動的な文化を築き、エゴの排除が企業の成長速度を決めると実証している。

最近のAIはオーバーエンジニアリングの傾向がだいぶ軽減されてはいる気はする というか自分がコード読まなくなったから実態はよく分からんな 久々に見てみるか

🧭 TL;DR: モデルが賢くなったのに、指示だけ旧モデル仕様のままだと逆に足を引っ張ります。OpenAIがGPT-6 Astra移行時のスキル・プロンプト見直し方をまとめました。 タイトル: Rethinking skills and prompts for GPT-6 Astra URL: 📌 ポイント 📝 スキルの説明は発動条件を絞って簡潔に書く 📂 複雑なスキルは最初から全文脈を読ませず段階的に開示する 🎯 過剰に具体的な指示はむしろ精度を下げることがある 📄 AGENTS.mdは一律の必読リストより文脈に応じた参照にする ⚖️ 旧モデル向けの行動制限がAstraでは過剰な自己制限になりうる 🛑 完了条件・探索範囲・停止条件を事前に明示しないと早く止まりがち モデルが進化したら指示はむしろ削る、という逆説的だけど実践的な学びが詰まっています。 #AIエージェント# #プロンプトエンジニアリング#