KAKEHASHI Tech Blog にて新しい記事を公開しました。 ローカル開発環境を、起動手順をまとめて管理できるTiltで動かしています。アプリはホストで、PostgreSQLやNATSはコンテナで起動する構成と、導入して楽になったことを書きました。ぜひご一読ください。

# Claude Codeの機能と実践的な使い方 🔌 スキーマやログを毎回コピペしていませんか。MCPでSentryやPostgreSQL、GitHubを接続すれば、Claudeが外部システムを直接読み書きします。「このテーブルの直近30日を調べて」がそのまま通ります。 📌 タイトルと機能のURL タイトル: MCP URL: 📝 概要 MCP（Model Context Protocol）はAIツール統合のためのオープン標準で、Claude Codeを数百の外部ツールやデータソースに接続します。MCPサーバーはツール・データベース・APIへのアクセスを提供し、貼り付けではなくシステムを直接参照・操作できるようにします。 🔧 機能の説明 ・トランスポートは複数あります。リモート接続はHTTP（推奨）、双方向プッシュ向けのWebSocket、ローカルプロセスのstdio、非推奨のSSEです。 ・スコープは3種類です。local（既定・自分のみ、~/.claude.jsonに保存）、project（.mcp.jsonでチーム共有）、user（全プロジェクトで自分のみ）。 ・多くのクラウドサーバーは認証が必要で、OAuth 2.0に対応します。401/403応答時に /mcp からフローを完了できます。 ・ツール検索が既定で有効で、MCPツールはオンデマンドで遅延読み込みされ、コンテキスト消費を抑えます。 🛠 実践的な使い方 ・追加は claude mcp add --transport http 、stdioは claude mcp add [options] -- [args...] です。オプションはサーバー名の前に置きます。 ・管理は claude mcp list / claude mcp get / claude mcp remove 、起動中は /mcp でステータス確認や認証ができます。 ・スコープ指定は --scope project などで行い、project共有時は .mcp.json がバージョン管理対象になります。 ・MCPリソースは @/server:protocol://resource/path 形式で参照でき、例: @/github:issue://123 を分析して。 ・MCPプロンプトは /mcp__servername__promptname の形でコマンドとして実行できます。 🎯 ユースケース ・Sentryを接続し「過去24時間で最も多いエラーは？」と本番の問題をデバッグする。 ・PostgreSQLを接続し、スキーマをコピペせず「直近30日に購入のない顧客を抽出して」と問い合わせる。 ・GitHubのリモートMCPを接続し「PR #456をレビューして改善提案して」と依頼する。# ・.mcp.jsonをコミットしてチーム全員に同じMCPツール群を共有する。 ⚠️ 注意点 ・接続前に各サーバーを信頼できるか確認してください。外部コンテンツを取得するサーバーはプロンプトインジェクションのリスクがあります。 ・project スコープのサーバーは安全のため、利用前に承認が求められます（承認のリセットは claude mcp reset-project-choices）。 ・ツール出力が10,000トークンを超えると警告が出ます。上限は MAX_MCP_OUTPUT_TOKENS で調整できます（既定の最大は25,000）。 ・SSEは非推奨です。可能ならHTTPを使ってください。 #ClaudeCode# #MCP#

📊 新着アプリ紹介 - データ処理・変換 「Oracle2PostgreSQL — Oracle→PostgreSQL移行アセスメント」by 金田一竣亮さん Oracle SQL / PL/SQL → PostgreSQL 移行のアセスメントツールです。80以上の変換ルール、HTML/CSVのリスクレポート、工数見積もりに対応。GUI / CLI / Docker。ソースはGitLabで公開しています。 気になった方はぜひチェックしてみてください #Tsukutta#

以下は、ゼロからAIを使ってプロダクトを開発するときのやり方をまとめた短いガイドです。普段使っているAIにこの投稿を読ませて、一緒に開発の進め方を整えてもらいましょう！ • いきなりコードを書かせないでください。まず作りたいものを伝え、AIに質問してもらいながら仕様書を作ります。誰が使うのか、最初に必要な機能は何か、今回はやらないことは何か。ここを固めるだけで手戻りが大きく減ります • 技術スタックは、AIがよく知っている定番にしてください。TypeScript、Next.js、PostgreSQLのように情報が多い構成ほど、AIの精度は上がります。型のある言語なら、AIのミスもコンパイルの段階で見つかります • リポジトリにAI向けのルールファイル（CLAUDE.mdやAGENTS.md）を置いてください。使う技術、よく使うコマンド、命名規則、触ってはいけない場所を書いておけば、新しい会話でも毎回同じ前提で動いてくれます • 大きな変更は、まず計画を出させてから実装させてください。作るときは1機能ずつ、画面からDBまで動く状態で仕上げ、動いたらその都度コミットします。Gitはセーブポイントです。AIが何かを壊しても、すぐに戻せます • 「できました」と報告させる前に、AI自身に確かめさせてください。テスト、型チェック、lintを実行し、結果を見てから報告するよう指示します。AIが自分の仕事を検証できる環境を作ることが、品質をいちばん上げます • AIのミスを直したら、その学びをルールファイルかスキルに書き込ませてください。同じ指摘を二度しないことが、AIとの開発を速くするいちばんのコツです • 最初はエージェントを増やさないでください。1つのAIと自分のレビューで流れが安定してから、並列化やチーム化を考えれば十分です • 差分は必ず読んでください。理解できないコードがあれば、AIに説明させます。マージした時点で、そのコードの責任は自分にあります • APIキーやパスワードはチャットに貼らず、環境変数とシークレット管理で扱ってください。開発用と本番用のDBは分け、AIに渡す権限は必要最小限にします • デプロイ、マイグレーション、リリースノート作成など、手作業で繰り返している作業はAIにスクリプトかスキルにしてもらいましょう。同じことを3回やったら、自動化の合図です 2026年11月時点で大事なのは、「AIに教える」という感覚ではなく、「人に任せる」という感覚です！AIエージェントの使い方を教えて欲しい場合は無償/有償の2パターンでお受けしますので、DMへ👉

「今の知識」だけでなく「いつ真実で、いつシステムが信じたか」という時間軸まで記録する、世界初を謳うOSSの企業ワールドモデルが登場しています。 タイトル: deeplethe/utopia URL: 📝 概要 Rust製・PostgreSQL＋pgvector採用のUtopiaは、ビテンポラル（二時間軸）知識グラフを核とした企業向け知識統治プラットフォームです。 ❗ 解決する課題 既存のベクトルストアやナレッジグラフは「今」の正しさにしか焦点を当てておらず、決定の追跡可能性や監査証跡が不足していました。 ⚙️ 方法論 すべての事実に「世界で真実だった時点」と「システムが信じた時点」の2軸を持たせ、矛盾検出・エンティティ解決・オントロジー駆動の推論を組み合わせています。全操作は改ざん防止の決定台帳に記録されます。 🔧 ユースケース PDF・Notion・Jira・S3など多様なソースを取り込み、Claude DesktopやCursorとMCP連携。エアギャップ環境での完全オフライン運用にも対応し、コンプライアンス監査が求められる現場に向いています。 📊 実績 GitHubスター9,000超・フォーク1,000超という実績があり、Docker Composeで手軽に立ち上げられます。現在はv0.1段階で活発に開発が続いています。 #OSS# #ナレッジグラフ#

TL;DR 信頼できるエージェントAIは「良いモデルやプロンプト」ではなく、コンテキストとオーケストレーションのハーネスを明示設計することで生まれる――Bayer×Thoughtworksの製薬システムPRINCEの実装知です。🧪 タイトル: Building Reliable Agentic AI Systems URL: ポイント 🧭 逐次エージェント＋一時停止点：意図確認→Think&Plan→Researcher→Reflection→Writerの流れで段階的に検証 🔁 3種類の内省ループ：プロセス(軌道)・データ(証拠の十分性)・ドラフト(出力の完全性)で別々の失敗を捕捉 🔎 ハイブリッド検索：クエリ拡張n=5、意味0.7＋キーワード0.3の加重、bge-rerankerで約20→7件に再ランク 🗃️ 構造化はText-to-SQL：SELECTのみ許可、最大3回の自己修正、1クエリ50件以下に制限 🛟 ハーネス工学：PostgreSQL/DynamoDBで状態永続化、障害点から再開、プロバイダ自動フォールバック 📌 文単位の引用＋RAGASとLangfuseで評価。本番トラフィックも毎日バッチでハルシネーション検出 🏷️ NERで試験PDFから実体抽出、信頼度スコアで高信頼は自動更新・低信頼は人手レビューへ 「大きなコンテキスト窓でも選択性は要る」という割り切りが現場感あります。 #AIエージェント# #LLMOps#

Postgres で十分じゃん、というWebサイト。Postgresに限らずだけど、そんなにスケールする必要がないのはそうだと思う。 ・多くのシステムではキャッシュや検索などに別々のデータベースを使いすぎ ・時期尚早な最適化であり、運用や保守の負担を増大させるだけ ・目的ごとにRedisやElasticsearchなどを追加していくのがよくある開発パターン ・その結果、システムが複雑化し、監視やバックアップの手間が膨れ上がる ・データベースをPostgres一つに絞れば、運用や障害対応を一本化できる ・ただ、Postgresは大規模なシステムには向かないという批判をよく耳にする ・しかし、実際にそこまでの規模に達するプロジェクトは全体のわずか ・スタートアップ企業はインフラ構築よりも、本来の課題解決に労力を注ぐ方が良い ・多くのユーザーを抱える大企業でさえ、枯れた技術を信頼して活用している ・Postgresの処理能力の限界に達してから、別のシステムを追加しても遅くはない ・キャッシュ機能はRedisを使わなくてもPostgresの機能で代用できる ・ジョブキューや全文検索、ドキュメントの保存もPostgresの拡張機能で対応可能 ・AI向けのベクトル検索や時系列データの処理などもPostgresで実行できる ・もちろん、専用のデータベースが必要になる場面もある ・ただその導入のハードルは高く設定しておいて良い ・Postgresを限界まで使い倒してみよう ・それでも不足する場合にのみ新しいシステムを追加したら良い

pgvectorのHNSWで「フィルタをかけると結果が減る」「インデックスが重い」と困っていませんか？ タイトル: Introducing pg_pinecone: Open-Source Search for Your Postgres Data URL: 🐘 概要 Apache 2.0のオープンソースPostgres拡張です。既存のpgvectorのベクトル列に、Pineconeの検索エンジンによるベクトル検索を足せます。データベース内で動くので、データはPostgresの外に出ません。 ❓ 解決する課題 HNSWはデータ増でメモリと構築時間が膨らみ、テナント単位などのフィルタ付き検索では、要求件数より少ない結果になることがあります。 🧩 方法論と提案手法 グラフの代わりに、IVFとRaBitQ（約1ビット/次元）のコードを使い、近いクラスタ探索、コードで距離推定、完全ベクトルで再ランクの3段階で検索します。フィルタは全行の3%以下ならプレフィルタで厳密に、それ以上なら各クラスタ内で確認します。APIキーなしのnativeエンジンのほか、remote、embed()、BM25、rerank()も選べます。 📊 実験結果（ベンダー報告） 100万ベクトル・768次元で、 ・再現率0.95のレイテンシ 1.27 ms（HNSW halfvecは1.71 ms） ・インデックスサイズ 136 MB（HNSW halfvecは2.0 GB） ・1%フィルタ：再現率0.981を8.3 ms（HNSW halfvecは0.924を56 ms） ただし1データセット、1構成の結果で、一括ロード後はREINDEXが必要です。 #Postgres# #VectorSearch#