Hugging Face 侵害の最終報告書が出そろい、エージェント同士の結託が数字で示された

git の Web インターフェースはコミットごとにページを生成するため、クローラーが辿ると事実上無限の URL 空間になる。著者は、学習用にデータが欲しいならリポジトリを clone して全コミットを辿れば済むはずだと指摘している。

コメントでは、cgit が毎回生成している HTML は本来キャッシュしやすいのではという疑問や、Anubis の難易度を IP ごとに動的に上げてはどうかという提案が出ている。

個人ブログのアクセス解析でも、極小の国や古いブラウザからの閲覧が急増しており、スクレイパーではないかという観察も共有されている。AI へのアクセス費用を、負荷を負っている側ではなく利用者が公平に負担したらいくらになるのか、という問いも投げられている。

講演は premature optimization is the root of all evil という引用の根拠を当時のデータまで遡って検証する内容になっている。

コメントの要約によれば、コードの3%が実行時間の90%を占めるという主張は、当時のデータでも4%が50%程度でしかなかったとされる。

反応として目立つのは長さへの不満で、3時間は取れず2倍速の1.5時間でも厳しいので文章で読みたい、という声が複数ある。ゲームプログラマとしての評価は高く、意見に同意しなくても見る価値があるという意見も並ぶ。

筆者は自分では制御できない事情で職を失い、何をしても状況が変わらない一方、何もしなければ悪化するという状態を記述している。

コメントでは、同じ履歴書とカバーレターを全社に送っているのが根本原因で、求人ごとに書き直せという助言が投稿された。これに対し「この仕事のために人生を捧げてきた」と装うのは自傷であり嘘だ、という反発が起きている。

助言した側は、記憶に残るよう誇張して書いただけで履歴書に美辞麗句を並べたわけではない、と応じている。別のコメントは、いまは振り子が雇用側に振れているが5年前は逆だった、と立場の非対称性を指摘している。

記事は、git の Web UI をクローラーが辿ると事実上無限の URL 空間になる問題を扱っている。

Lobsters では、クローラー側の視点から「自己ホストの git ソフトは既定でクローラー向けのシグナルを出さず、運営者が robots.txt を設定していないことも多いので、意図せず罠になる」という主張が出た。これに対し「人間向けに作られた UI なのだからクローラーは clone すべきで、robots.txt を無視するほうが悪い」という反論が正面からぶつかっている。

議論はコスト面に移り、リクエストを間引くと接続を再利用できず TLS ハンドシェイクが増えて総コストは上がる、という指摘に対し、いまどき TLS ハンドシェイクは安く、主なコストは pack の生成だろう、という応酬になっている。

筆者 joeyh は、決議が通れば Debian の開発が proprietary なソフトウェアに依存することになると主張している。

コメントでは、決議文に proprietary software の記述は見当たらず、パッケージングやツーリング程度ならローカルの自由なモデルで十分な期間が続いている、という反論が出た。これに対し、open-weight のモデルは Debian の自由の定義を満たさない、という指摘が続く。

議論は GPL の「改変に適した形式」の定義に移り、SVG から作った PNG には SVG のソースを求めるのだからモデルも同じではないか、という類推が出る。一方で、SVG はボタン一つで再生成できるが、学習データとスクリプトを渡されても中位のモデルの再学習には500万ドル規模の計算資源が要る、重みはソフトウェアとは別種のもので独自の定義とルールが要る、という整理に向かっている。

ReactOS は Windows 互換を目指すオープンソースの OS で、0.4 系の更新が続いている。

コメントは3件。1件は qemu で試すための起動スクリプトの共有で、ISO と qcow2 を用意して立ち上げるまでの手順が貼られている。

もう1件は、ReactOS、Haiku、FreeDOS などを挙げ、いま必要とはしていないが存在し続けてほしいという趣旨。最後の1件は Windows 側の事情として、非推奨だが削除される見込みのないドライバ開発 API が積み上がっていることを開発の難所として挙げている。

Archify は Cursor、Claude Code、Codex CLI、OpenCode 向けのレンダリング・検証システム。図の種類は5つ、プリセットは4つで、ダーク/ライトテーマと有限のモーションを備える。

検証済みの2つのスナップショットを Before / Delta / After として比較でき、追加・削除・変更・移動・経路変更を事実として列挙するため、マージ前のアーキテクチャ差分レビューに使える。ノード検索やリビジョン検証済みのソースを開く操作も、トポロジを捏造しない範囲で提供される。

出力は自己完結の HTML 1枚で、PNG・SVG・WebM と 1200×630 の共有カードを併せて生成する。ライセンスは MIT。

OpenMAIC はワンクリックで講座を生成する仕組みに加え、2026年8月27日公開の v1.0.0 で Pro ワークベンチを追加した。カリキュラムを計画し、各ページを作成・改訂するエージェントと会話しながら進める形式になる。

セッションはサーバー側で保持され再起動をまたいで残るため、途中でのキャンセル、再開、方向転換ができる。教材は文書・音声・動画のアップロードか、Web 検索から取り込む。

スライド、クイズ、インタラクティブ教材、PBL、画像、動画、音声、.pptx 取り込みなど20の組み込みスキルを備える。モデル、メディア、検索プロバイダ、ストレージはいずれも差し替えられる中立的な設計を掲げている。

生物学をはじめとする分野向けに、検証済みのスキル163本と100以上の科学データベースへの接続をまとめたライブラリ。バージョンは 2.65.0、ライセンスは MIT。

Agent Skills と Agent Plugins の標準に沿っており、Cursor、Claude Code、Codex、Google 系のツールなど複数のホストで動作するとしている。

リポジトリには security-scan と skill-tests の GitHub Actions ワークフローがあり、スキルの動作検証とセキュリティスキャンが CI として回っている。

OpenSEO はサブスクリプション前提の高価な SEO スイートに対し、自分の DataForSEO API キーを使って使った分だけ払う構成をとる。ホスティング版は月10ドル。

対応するワークフローはキーワード調査、順位追跡、競合分析、被リンク、サイト監査、AI 可視性の6つ。機能を絞った代わりに UI を簡潔にしていると説明する。

MCP サーバーとエージェントスキルを公開しており、Claude Code、OpenClaw、Hermes などのエージェントから SEO データを扱える。あらかじめ用意されたスキルに加え、自作して差し替えることもできる。

FreeLLMAPI は複数プロバイダの無料枠と、任意の OpenAI 互換エンドポイントを1つの /v1 API の裏にまとめる。対象はチャット、埋め込み、画像、音声。

ルーターがリクエストごとに利用可能な最適なモデルを選び、レート制限に当たったプロバイダから次へフェイルオーバーする。キーは暗号化して保存し、キー単位で使用量を追跡して各無料枠の上限内に収める。

謳っている規模は月74億トークン、34プロバイダ、635エンドポイント。CI ワークフローと ghcr.io の Docker イメージが用意されている。

Heretic は transformer 系の言語モデルから「安全アラインメント」を、高価な事後学習を経ずに取り除くツールだと説明されている。

手法は directional ablation、通称 abliteration で、Arditi らの2024年の論文（arXiv:2406.11717）を土台にした実装を組み合わせている。

Discord と Matrix のコミュニティ、Hugging Face の組織アカウント、Codeberg のミラーを持ち、trendshift で Repository of the Day に選ばれたバッジを掲げている。

vphone-cli は Apple Silicon と macOS 15 以降を前提に、Virtualization.framework 上で iOS のゲストを動かす。Xcode と iOS SDK が必要なのは、ゲスト用デーモン vphoned をクロスコンパイルするため。

私有の PV=3 エンタイトルメントを未署名バイナリで使うため、SIP と AMFI の緩和が要る。依存は Homebrew で入れる python 3.13、aria2、ipsw、keystone、libusb など。

vm create 一発で、ダウンロード、パッチ適用、DFU リストア、CFW インストール、初回起動までを通す。Homebrew tap からの導入と、submodule 込みで clone してビルドする手順の両方が用意されている。

Ghidra は NSA 研究部門が開発・維持するソフトウェアリバースエンジニアリング（SRE）のフレームワークで、Windows・macOS・Linux 上でコンパイル済みのコードを解析する。

機能は逆アセンブル、アセンブル、逆コンパイル、グラフ化、スクリプティングなど。多数のプロセッサ命令セットと実行ファイル形式に対応し、対話実行と自動実行の双方で動く。

利用者は Java または Python で独自の拡張やスクリプトを書ける。NSA は複雑な SRE 案件におけるスケーリングとチーム作業の課題を解くために開発したと説明している。

動画を大量にクロールして計算資源を積むだけではワールドモデルのスケーリングは非効率で、根拠のある報酬信号を返す再帰的なデータエンジンが要る、というのが出発点になっている。

コードエージェントが伸びたのは、コードが実行可能でコンパイラやランタイムが RL 事後学習に足る高品質な報酬を返せたため。一方で空間生成は今も CLIP スコアのような曖昧な代理指標に依存しており、信号が曖昧で偏るため RL 事後学習を支えにくい。

ゲーム開発はその欠けている報酬環境を提供する。エンジンが符号化したシーンは実行可能な世界仕様であり、衝突、物理、移動可能性、遊べる範囲の有界性を効率よく検査できる。全体の目標は開発者側が与える、という人間とエンジンによる検証パラダイムを掲げている。

多くの物理過程は複数の妥当な展開を持つため、ワールドモデルは1本の妥当な軌跡だけでなく、同じ初期観測と行動のもとで起こりうる挙動の分布も再現すべきである。この分布レベルの要件を確率的整合として定式化する。

既存の評価は動画1本ごとの妥当性しか見ておらず、生成を繰り返したときに正しい分布が復元されるかを検証していない。そこから「現行の動画生成モデルは確率的に整合したワールドモデリングからどれだけ離れているのか」という問いを立てる。

答えを出すために PAWBench を導入し、動画生成モデルを世界ダイナミクスの確率的サンプラーとして評価する。さらに結果レベルの評価手法 PAWEval を提案している。

マルチモーダル大規模言語モデルはストリートビューを解釈できるが、都市における行為はその局所的な証拠がエージェントの移動後も有効であり続けるかにかかっている。

UrbanGround は、領域全体の3D地理空間データから作った物理的制約のある香港の複製上で、この問いを検証可能にした最初のサンドボックス。一人称視点での閉ループ操作と、ナビゲーション用の対話的な地図を備え、エージェントは3D都市に入って一人称で探索できる。

分析は3つの研究課題に沿って進む。まず能動的に観察した後に空間的な質問へ答えられるほど局所シーンを接地できるか、次に問題を移動を伴う段階へ広げていく。局所的な知覚能力だけでは埋め合わせられないことが示されている。

RL や On-Policy Self-Distillation は数学的推論を大きく伸ばしたが、正解ラベルへの依存によりテスト時学習には使えない。多数決の擬似ラベルで置き換える方法は自然だが、票が誤ると教師が壊れて全トークンを誤らせるという点で脆い。

著者はこの失敗の仕方が非対称であることを観測する。擬似ラベルと一致しないロールアウトは、票そのものの正誤にかかわらずたいてい誤っている。

この観測に基づき、一致するロールアウトを OPSD で蒸留し、一致しないものを Grouped RL で罰する非対称な目的として TTPO を提案する。さらにトークン単位の選択で両方の枝を精緻化し、蒸留側では既に収束した位置の重みを下げる。

On-Policy 蒸留は事前学習済みの専門教師から密な教師信号を得る手法で、大規模言語モデルで成果を上げ、近年フローマッチングモデルにも適用された。

ただし2つの問題がある。目的ごとに専用の教師を訓練する計算コストが高いこと、教師と生徒の分布の差が生成軌跡に沿って誤差を累積させることである。

Self-OPD は教師を使わず、生徒自身の自己探索を各ステップの教師信号に変える枠組み。各時刻で決定的な次状態の予測を K 個の確率的な SDE 候補へ分岐させ、ODE サンプラーで展開し、決定的な基準に対する報酬を比較する。

LLM エージェントは外部環境とのやり取りから生成したデータに依存して学習するが、環境・タスク・相互作用・成功信号の間の整合を保ちながら、単に量が多いだけでなく有用な経験を作る必要がある。

既存研究は分野ごとに整理され評価も不均一なため、共通する生成の仕組みが見えにくく、候補の構築と検証・選別が混同されている。

本稿は2層の枠組みを提示する。まずエージェントデータを、環境仕様・タスク信号・相互作用の実現・任意の検証器からなる (E,q,τ,v) という共通の因子化された対象として表し、生成のパラダイムを主たる起点と依存構造で整理する。次に生成を制約付き分布設計として定式化し、規模そのものではなく、実行に基づく正確さ、学習者から見た相対的な複雑さ、多様性を評価軸に据える。

デジタルアバターの配信者は商品への質問対応、視聴者との対話、販促戦略の実行をリアルタイムで行う必要があり、低遅延、頻繁な戦略更新、正確で効果のある応答を同時に求められる。

Skills、Hooks、プロンプト、ツールをモデルの重みと独立に更新できる Evolvable Harness は反復を速くする一方で、トレードオフを露呈させる。大型モデルはゼロショットで適応するが遅く、小型モデルは遅延要件を満たすが固定のハーネス構成へ過学習する。

提案する Harness-Aware Training (HAT) は、変化するハーネスに小型モデルを適応させる。中核の Harness-State Augmentation は、スキル識別子と内容、ツールスキーマ、プロンプト構造、Hook 関数にタスクを保つ変換を加える。学習は3段階で、HSA-SFT が強いモデルの軌跡から推論とツール利用を学ぶところから始まる。

現代のビデオゲームは一人称の知覚、急激な視覚変化、持続する世界状態、機種固有の多様な操作系を併せ持つ。既存のゲームエージェントは視覚とタスク文脈を直接行動へ写すだけで世界ダイナミクスを明示的にモデル化せず、対話的なゲーム世界モデルは与えられた行動から映像の未来を予測するがタスク方策にはならない。

World-Action Model はこの2つの目的を統合するが、ゲームのダイナミクスと開放的な相互作用のもとではほとんど検討されていない。

GameWAM は、ネイティブな閉ループのゲームプレイと GUI 操作を扱う初の WAM だとしている。視覚と行動を並列の生成過程として、ブロック因果な条件付けとフローマッチングで同時に生成し、そのために同期したゲームプレイと GUI の軌跡データを構築している。

長期にわたるエージェントの実行は、その回にも将来の作業にも使える経験を生む。しかし多くの自己改善手法は実行が終わってから経験を処理するため、進行中の実行を修正することも、そこで得た教訓を即座に適用して検証することもできない。

著者は、自己改善は実行中に行われるべきで、生まれつつある経験を使って稼働中の実行を方向転換し、同時に持続的なハーネスを更新すべきだと論じる。既存のアーキテクチャはこれを十分に支えない。単一エージェントの自己修正はタスク実行と軌跡評価を同じコンテキストに詰め込み、サブエージェントへの委譲は実行を分離できても稼働中のサブエージェントを方向転換できないことが多い。

PILOT は2つの機構を組み合わせた supervisor-worker ハーネス。ライブなステアリングでは別の監督役が実行中のワーカーを方向転換または中止でき、もう一方の機構が実行経験を再利用可能なスキルへ蒸留する。精度と効率の双方が改善したとしている。

学習中に見たことのない操作タスクを実行するゼロショットのタスク横断汎化は、ロボット学習の中心的な課題として残っている。大規模言語モデルでは文脈に書くだけで新しいタスクを実行でき、汎化がタスク記述の問題に変わる。

著者はこの枠組みをロボットの操作に持ち込み、操作における自然なタスク記述は人間の動画だと論じる。言語と異なり、意図した課題の進行について豊富な視覚的手がかりを与えるためである。

Zero-WAM は、文脈内に置かれた人間動画の誘導に従って未見のタスクを実行する因果的な映像・行動モデル。タスクの豊富な人間とロボットの対データが乏しい問題には、タスクをサンプルしたロボット軌跡を変換する自動パイプラインで対処し、将来チャンクを使う仕組みを併用する。

退勤直前にタスクを投げて PC を閉じ、寝ている間にテストと AI によるレビュー修正まで回って PR が上がる、という運用を実際に行っている。筆者の役割は止まったエージェントを起こすことと、承認が必要なものを確認・許可することの2つだけだという。

数字として、Cursor 内でマージ済み PR に占めるクラウドエージェント由来の割合が、昨年12月の10%から2026年7月末には56%まで伸びたことを挙げる。Matt Pocock の「ローカルの開発環境から離れつつある」という投稿も引いている。

クラウドエージェントを、手元の PC ではなくベンダーが用意する専用の実行環境にエージェントを置く仕組みと定義し、Cursor の Cloud Agents と Claude Code on the web をまとめて扱う。どこまでをクラウドに出せて何がローカルに残るかを整理していく構成。

筆者が育てているテンプレートリポジトリ next-template の設定を項目ごとに説明する記事。名前に反して Next.js 専用ではなく、.claude/skills/ に置いたカスタマイズ用テンプレートでフレームワークやライブラリを差し替えたり落としたりできる。

最近は既存プロジェクトで AI エージェントに「このリポジトリのこの設定を取り入れて」と指示するために使うことが多く、全部をそのまま入れるより部分的に参照させる使い方を想定している。

パッケージマネージャは pnpm。npm を含む各所でサプライチェーン攻撃が続いているため、その対策設定を取り込んでいる。minimumReleaseAge は公開から指定した分数が経っていないバージョンを解決しない設定で、pnpm 11 では既定が1440分（1日）になっている。

「エージェントを24時間動かして開発を完全自動化した」といった投稿への違和感から始まる。伸びやすい投稿である以上、フォロワー増や有料 note の販売、PV 収益といった経済的な動機が働くため、額面通り受け取る必要はないとする。

コストの矛盾として、LLM の API は従量課金であり、高品質なモデルを常時稼働させればトークン消費は青天井になる点を挙げる。個人開発者の予算では現実的ではない。

では安いモデルで回せばよいかというと、出力精度が下がるため手戻りが発生する。生成コードのレビュー、修正指示、再生成のループを人間が回すコストを含めると、安く大量に回す戦略は高品質なモデルで一度に仕留めるより高くつくことが多い、という整理をしている。

筆者は VSCode や Cursor でターミナルを大量に開く運用から cmux や Superset を経て Orca に移った。Agent IDE は個々のファイル編集や閲覧の機能が最低限な代わりに並行実行に向き、体感で4以上のセッションを扱うなら勧められるとする。

内蔵ブラウザを重視する理由は、並行開発で効くのが脳のコンテキスト切り替えの速さであり、開発では AI とのチャットよりブラウザのほうが重いコンテキストになるため。GitHub の PR タブ、動作確認用のタブ、Google Sheets や Slack が該当する。

既存ツールの内蔵ブラウザは1セッション1タブでパスキーが使えずログインできない、スーパーリロードなどが呼び出しにくい、といった制約があり Chrome を隣に並べていた。Orca はそれらが一通りできるとしている。

承認ダイアログで15分止まっていたことが何度もあり、ターミナルのベルもデスクトップ通知も定着しなかったため、状態そのものを机の上に置くことにした、という動機から始まる。Anthropic とは無関係のファンプロジェクトと明記されている。

構成は約1800円の M5Atom Lite を 3D プリントした Clawd 風フィギュアに入れ、LED の光をハート型の窓から透かせるもの。待機は青の常灯、作業中は白の呼吸、承認待ちは赤の点滅から30秒後に常灯、完了は緑の点滅6秒、エラーは赤の高速点滅。30分イベントがなければ自動消灯する。

Atom Lite は WiFi 内蔵でオンボードに SK6812 を1粒持つため、はんだ付けも配線も追加部品も不要。hooks から叩くスクリプトは curl 一行で、settings.json の各イベントに登録する。"async": true は必須で、付けないと Claude Code の実行がブロックされる。

バクラクには、承認フローを持つバクラク申請と、機微な情報を保管する別プロダクト（サービス X）をまたいで認可したいケースがある。承認者が承認画面を開くと、申請側が承認ルート・承認状態・代理設定から閲覧可否を判定し、続いてサービス X の RPC で実体を取得する。

「この承認者は見てよい」と判定できるのは申請側だけで、承認者はサービス X の権限を持っていない可能性がある。それでも承認業務のためにデータ取得は許可しなければならず、ではサービス X の RPC をどう守るか、という問題になる。

検討した案として、権限を要求しないと ID 指定で無関係なユーザーも取得できてしまう、権限を要求すると正規の承認画面まで弾かれる、サービス X で同じ判定をやり直すと判定材料がなく dataloader 経由で何重にも呼ばれて性能もつらい、申請からの呼び出しを無条件に信頼するには経由したことを確かめる手段が要る、と整理している。

e-dash はインフラを Terraform で全面管理しており、インフラ構築や運用も AI に任せるようになったことで、ローカルで速くフィードバックループを回せる環境が欲しくなった、というのが動機。

2026年7月時点で Terraform から使える主なエミュレータは3つ。LocalStack は110以上のサービスに対応するが、無償の Community Edition で使えるのは Lambda・S3・DynamoDB・SQS・SNS・IAM などのコアに限られ、RDS や API Gateway、Step Functions は有償プランが必要。2026年3月以降は無償利用でも認証トークンの登録が必須になった。

Floci は2026年に登場した MIT ライセンスの新興エミュレータで68サービス程度に対応し、アカウント登録もトークンも不要。Quarkus Native 製で起動が公称約24ミリ秒、アイドル時のメモリが約13MiB。LocalStack と同じ4566番で待ち受けるため既存設定を流用できる。moto は moto_server としてスタンドアロンで立てられる。

プロジェクト管理・CRM・工数管理・ダッシュボードを備える社内 ERP を、TanStack Start + Hono + oRPC で Cloudflare Workers 上に構築した。スタックの紹介ではなく、どこに境界を引いたか／引き直したかを主題としている。

主な判断は4つ。実行基盤は社内で既に使っていた Cloudflare Workers に統一。DB は同時書き込みとロック粒度を自分で決められることから Hyperdrive 経由の PostgreSQL。API は契約と実装を分離できる Hono + oRPC。キャッシュは鮮度が要る read と集計性能が要る read を分けるため Hyperdrive binding を2本用意した。

読みどころとして、D1 を選ばなかった理由と Worker を分けた理由、契約の分離・純粋関数・CI での依存検査、EVM を実装へ落とした方法、AI エージェントの追加を挙げている。掲載コードはすべて説明用に最小構成へ書き直したもの。

--restricted は Claude Code 2.1.248 で追加された。公式の説明は「コマンド実行系のツールと WebFetch を外し、ファイル操作を作業ディレクトリに限定する」だが、筆者が 2.1.250 で測ると、ツールは42から23へ45%減り、自作スキルは47本から0本になった。検証環境は Windows 10、測定は2026-08-28時点。

公式の CLI リファレンスは、評価ハーネスが共有マシン上で claude を動かし、コマンド実行やそのマシンのユーザー設定・プロジェクト設定の読み取りをさせたくない場合に使う、と書いている。CI やサンドボックスが近い用途にあたる。

制限は4つで、コマンド実行系と WebFetch の除外、ファイル操作の作業ディレクトリ内への限定、管理設定と --settings だけを読みユーザー設定・プロジェクト設定は読まないこと、bypassPermissions の拒否。筆者は3つ目が本題だとしている。

Andon Labs が運営する Andon Market という小さなコンビニで、AI エージェント Luna に3年間のリース契約、10万ドルの予算、会社のクレジットカードを渡し、経営判断を丸ごと任せた実験を紹介している。

Luna がやったこととして、求人を出して人を雇う、内装業者を探して支払いを済ませる、営業時間・商品・価格・店の壁画まで自分で決める、事業の構成を練って発注と在庫管理を行う、採用と選考を進める、が挙げられている。

出典は Forbes の記事で、これがすでに現実に起きていることとして、そこから働き方への示唆を引き出す構成になっている。

元になった Louis Abraham の分析は、GitHub の PR 説明文を85週間（2025-01-06〜2026-08-17）ぶん、461,121件・51,079,244語集め、KL情報量のもとでの k-means（k=10）でクラスタリングしたもの。Hacker News で663ポイント・319コメントを集めた。

結果として "load-bearing" が Claude の代表的な語として浮かび、"quietly"、"latent"、"genuine" が続く。10の文体のうち1つが0.7%から39%へ増え、その増加が Opus 4.6 のリリース（2026-02-05）と一致していた。

筆者は自分の Qiita 記事30本（144,710字）と、同じタグの他者記事292本（151人、2,062,562字）で同じことを試み、3回とも失敗した。また「load-bearing は内側929回、外側82回で39倍」という紹介について、単純に割ると11.33倍にしかならず、39倍は単純比ではないと注意している。

会社で飛び交う「クラウド」という言葉に分かったふりで相槌を打っていた筆者が、先輩に聞いて整理した、という体裁の入門記事。

想定読者として、クラウドを何となく使っている人、AWS がインフラ系の話かバックエンド系の話か整理できていない人、クラウドとインフラの違いを説明できる自信がない人、今さら聞くタイミングを逃した人を挙げている。

結論は「借りる範囲によって呼び方が変わるだけ」で、そこからクラウドをインターネット経由で借りる仕組みとして説明していく構成になっている。

NAT Gateway にはセキュリティグループを設定できないため制御はネットワーク ACL か通信元 EC2 のセキュリティグループで行う、という前回の記述を受けた続き。どちらも VPC の通信を制御するが性質がかなり違う。

外部から VPC 内の EC2 に通信が届くまでには、サブネット入口のネットワーク ACL と、宛先 EC2 の ENI に関連付けられたセキュリティグループの2つを通る。両方を通過しないと通信は成立せず、片方で許可していても、もう片方で止まっていれば繋がらない。

2段階ある理由は役割が違うから。ネットワーク ACL はサブネット全体へ一律のルールを適用し、セキュリティグループは関連付けられた ENI の通信を制御する。同一サブネット内の通信ではセキュリティグループのみを通る。

AI コーディングの文脈で見かける「ハーネス」を、Claude に教えてもらいながら整理した記事。「毎回言うことが違う新人」と「一度教えたことを守り続けるベテラン」の違いがハーネスの正体だとする。

harness はもともと馬に付ける馬具のことで、手綱や引き具を付けると馬は好き勝手な方向へ走れなくなる代わりに、決められた方向へ全力を出せる。AI も丸投げするより、やっていいこと・やってほしい手順・思い出してほしい情報を整えたほうが良い仕事をする、という考え方だと説明する。

構成要素は5つ。Rules はプロジェクトごとの決め事をまとめたファイルで新人研修マニュアルにあたり、Skills はよく使う定型作業の手順書でレシピやチェックリストにあたる、Hooks は特定の場面で自動的に走る仕組み、といった職場との対応づけで説明している。

何も制約のない状態でエージェントを動かすと出力はどんなものにもなりえ、本当に欲しいものはその全体のごく一部の点に過ぎない、という図から始まる。

そこで出力を縛る制約としてのハーネスを足していく。具体的には、願望や課題を書く指示プロンプト、CLAUDE.md や動作プロジェクト・必要な情報やツールへのアクセスといったコンテキスト、ビルド・linter・型チェック・ユニットテストなどの自動テスト。

指示プロンプトだけではその場しのぎの変更に終始し、コンテキストが加わると既存の流儀や資産を踏まえた変更にはなるが動くかは誰も確認していない。自動テストまであることで、変更の検証がある程度堅くなる、という段階付けをしている。