★7/3更新★ [PROGRESSIVE ROCK] 今週の新譜予約情報まとめ ■ジェントル・ジャイアント ■スティーヴ・ハケット&スティーヴ・ロザリー ■GENESIS ■PETE ROTH TRIO FEATURING BILL BRUFORD ■PETER HAMMILL AND MORE!!! AND MORE!!! AND MORE!!!

# AIエージェントをソフトウェアに組み込むプラクティス # Streaming with Progressive Commit｜進捗ストリーミング＋遅延コミット 🎯 トークンは即座に見せたい、でも副作用は検証してからコミットしたい。 「見せる」と「実行する」を分離すれば、体感レイテンシの短縮と副作用の安全性を両立できます。 🔥 解決する課題 エージェントの応答はレイテンシのばらつきが大きく、全トークン生成まで待たせると体感が悪化します。一方でツール呼び出しの副作用を生成途中で確定すると、ガードレール検証で棄却された際にロールバックが必要になります。「全部待ってから返す」か「生成と同時に確定する」かの二択では、体感か安全性のどちらかを犠牲にしてしまいます。 💡 提案パターン Streaming with Progressive Commit（進捗ストリーミング＋遅延コミット）は、生成中のトークンやツール実行結果をSSE/WebSocketでクライアントへストリーミングしつつ、副作用（外部API書き込み・DB更新など）は検証完了までコミットバッファに留めます。ストリーム上ではpreview（未確定）→ committed/rejected（確定/棄却）とイベントが遷移し、クライアントUIは中間状態を明示的に表示します。failure_costが高いほどバッファを深く取り、全ステップ完了後にまとめて確定します。 ✅ 選定条件 使うとき： - ユーザー向けUIがあり、first-token-timeの短縮が体験に直結する - エージェントがツール呼び出しで書き込み副作用を持ち、誤った副作用の取消しが困難 - 生成結果にガードレール検証やドライランを挟みたい 使わないとき： - 処理が常に数秒以内で、ストリーミングの恩恵がほぼ無い場合 - クライアントがSSE/WebSocketに対応できない場合 - 副作用が無い読取専用の質問応答（遅延コミットが不要） ⚠️ 落とし穴 - previewとcommitted/rejectedをクライアント側で区別しないと、未確定の結果を確定済みとして表示してしまいます。UIに「確認中」の中間状態を必ず設けてください - 長時間のマルチステップ実行ではコミットバッファが肥大化します。ステップ単位でチェックポイントを切り、確定済みバッファを解放しましょう - SSE接続が切れてもコミットバッファは残ります。再接続時の復元かタイムアウト破棄かのポリシーを事前に決めておく必要があります 🔧 実装方針 - LLMからのトークンはStream Buffer経由でSSE/WebSocketチャネルへ即座にプッシュし、ツール呼び出し結果はCommit Bufferに蓄積してpreviewイベントとしてクライアントに通知します - 全生成完了後にCommit Buffer内の各ツール呼び出しをガードレール検証し、パスすればcommittedイベント、棄却すればrejectedイベントをクライアントに送ります - ツール実行はまずドライランで結果をプレビューし、検証通過後に本コミットする二相構成を採ります - SSEイベント設計ではtoken・preview・committed・rejectedの各イベントタイプを明確に分離し、クライアントUIが中間状態（確認中）を適切に表示できるようにします - failure_costが高いワークフローではコミットバッファを深く取り、全ステップ完了後にまとめて確定します。低リスクの場合は単一ツール呼び出し単位で確定します #AIエージェント# #ソフトウェアアーキテクチャ#

TL;DR 音声LLMのエンコーダを18層から14層まで削っても精度がほぼ落ちない、XPengの圧縮手法「X-AuT」が公開されました。むしろ16層構成では精度が向上しています。 タイトル: X-AuT: Progressive Audio-Encoder Compression for Speech LLMs with Cross-Scale Distillation URL: ポイント ✂️ 音声エンコーダの層を18→16→14と段階的に削減する「プログレッシブプルーニング」を採用しています 🔍 個々の層の削減スコアだけでは最適なペアが分からず、層同士の相互作用まで評価しているのが面白い点です 🎓 0.6Bの学生モデルを1.7Bの大きな教師モデルで蒸留する「クロススケール蒸留」で自己蒸留より大きく精度を改善しています 📈 16層構成ではパラメータ10.35%削減しつつマクロ平均エラー率5.61%→5.27%に改善 📉 14層構成でもパラメータ20.70%削減で精度低下はわずか+0.14ptに抑えられています 🚗 車載チップ上でエンコーダ処理時間を21.4%、全体レイテンシを4.7%削減しています 🔓 コードとモデルはGitHub・Hugging Faceで公開済み（CC BY-NC 4.0） 層を削るだけでなく「どう賢く削って回復させるか」の設計がよく練られていると感じました。 #音声LLM# #モデル圧縮#

Claude 5世代のモデル向けにコンテキストエンジニアリングの考え方が変わっているよという公式記事。↓は自分用メモ。 ・Claude Codeのシステムプロンプトを80%以上削減しても、コーディングの精度は維持している ・以前は事故を防ぐため「コメントを書くな」等の強い制約を設けていた ・ただ、それがかえって指示の衝突を生み、AIの判断を難しくさせる原因になっていた ・最新モデルは判断力が向上しているため、細かいルールよりAIの裁量に任せた方が良い ・ツールの具体的な使用例を提示すると、逆にAIの探索範囲を狭める ・例を見せるよりも、パラメーター設計などを工夫して意図を伝える方が良い ・ツールの使い方はシステムプロンプトではなく、各ツールの説明文に記載する ・すべてのベストプラクティスをCLAUDE.mdに詰め込むのは良くない ・必要な時に情報を読み込ませるprogressive disclosure（段階的に開示）が良い ・長いドキュメントは分割し、適切なタイミングで参照させる ・CLAUDE.mdは軽量に保つ ・コードベース特有の注意点の記載にとどめる ・また、単純なMarkdownの仕様書より、もっと情報量を増やしていい。例えば、HTMLのモックアップやテストコードを渡す方が精度が上がる

# Codexの機能と実践的な使い方 🧩 「あの作業、毎回 Codex に説明し直すのが面倒…」を解決するのが Agent Skills です。再利用できる手順書を一度書けば、Codex が必要なときだけ自動で読み込みます。 🏷️ タイトル: Agent Skills(SKILL.md) 🔗 URL: 📘 概要 Agent Skills は、定型ワークフローを `SKILL.md` という1ファイルにまとめて再利用できる仕組みです。スキルは名前と説明だけが常に Codex の文脈に置かれ、実際に使うと判断したときに本文がロードされます。リポジトリ・個人・マシン共通など、置き場所でスコープを切り分けられます。 ⚙️ 機能の説明 ・スキルは `SKILL.md`（必須）に、`scripts/`（実行コード）`references/`（資料）`assets/`（テンプレ）`agents/openai.yaml`（UI設定）を加えたフォルダ構成です。 ・`SKILL.md` の先頭には frontmatter が必要で、`name` と `description` を書きます。description にはいつ発動し、どこまでが範囲かを簡潔に書くのがコツです。 ・Codex は複数の場所を優先順で走査します。リポジトリの `.agents/skills`、リポジトリ直下 `$REPO_ROOT/.agents/skills`、個人用 `$HOME/.agents/skills`、管理者用 `/etc/codex/skills`、そして OpenAI 同梱の組み込みスキルです。 ・progressive disclosure(段階的開示)により、初期文脈にはスキル名・説明・パスのみ（合計約8,000文字まで）が置かれ、本文は呼び出し時に初めて読み込まれます。これで多数のスキルを入れても文脈を圧迫しません。 🛠️ 実践的な使い方 ・新規作成は組み込みの `$skill-creator` を起動するのが簡単です。何をするスキルか、いつ発動するか、スクリプトを含めるかを対話で決められます（既定は手順のみ）。 ・明示的に呼ぶときは CLI/IDE で `/skills` を使うか、`$skill-name` のように `$` で指名します。説明が task に合致すれば暗黙的に自動選択もされます。 ・暗黙発動を禁止したいスキルは `agents/openai.yaml` で `policy.allow_implicit_invocation: false` を設定します。 ・特定のスキルを消さずに無効化したいときは `~/.codex/config.toml` の `[[skills.config]]` に対象の `path` と `enabled = false` を書きます。 💡 ユースケース リリース手順、E2E テストの流し方、社内ライブラリの正しい使い方など「人によってブレやすい定型作業」をスキル化すると、誰が Codex に頼んでも同じ品質で実行できます。チーム共通のものはリポジトリ配下に、個人の癖は `$HOME/.agents/skills` に置くと住み分けが綺麗です。 ⚠️ 注意点 ・同名スキルが複数の場所にあるとマージされず、両方がセレクタに並びます。命名は被らないようにしましょう。 ・description が曖昧だと暗黙選択が効きません。主要ユースケースを前方に置き、具体的に書くのが重要です。 ・スキルが多いと文脈節約のため description が短縮されることがあります。変更が反映されないときは Codex を再起動してください。 #OpenAICodex# #AgentSkills#

富士通と日本IBMは、富士通のソースコンバートソリューション「Fujitsu PROGRESSION」とIBMのAIエージェント駆動型エンタープライズ向け開発支援パートナー「IBM Bob」を活用、リライトとリファクタリングを核とした業務システムモダナイゼーション領域における協業を加速。 🔗

【Bandcamp friday today！】 Boris "hrpreproduction" 2002年にリリースされた　Heavy Rocksのプリプロ音源を発掘、アーカイブリリース Heavy Rocks, released in 2002. Right before that recording session, pre-production audio tracks built in the rehearsal studio were unearthed. While the included tracks were all present and the core structures and arrangements were progressing toward completion, some songs still had unfinished lyrics, and the tracklist was not yet finalized. Key elements throughout differ from the final studio album. Combined with the unique analog tape compression that solidified the album's soundscape and a raw, gritty sonic texture, this document conveys the vivid intensity of the eve before Heavy Rocks was completed. In contrast to the rich variety of the studio album with its diverse lineup of guests, here sounds the raw Heavy Rocks of the three members.