はす

なんとかなる

[Kinopee @kinopee_ai]

再掲ですけど、「ハーネス設計入門」のスライドURLを貼っておきますね。
ハーネス関連の情報に興味のある方が多いようなので。
https://t.co/BLAvQSQQML

[バーチャルデータサイエンティスト アイシア=ソリッド @AIcia_Solid]

これめっちゃわかりやすかったです！！！

そうかー、ontology は型で KG はその実現か〜とか、たしかにこの整理良いなと思いました！

オントロジー？ナレッジグラフ？AI時代のデータ基盤用語をざっくり理解する https://t.co/bQ9sgphkD2 #Qiita via @yushibats

[iwashi / Yoshimasa Iwase @iwashi86]

この辺も新時代な感じがするなぁ。

"15 時半を過ぎると、チャンネルの投稿の大半が AI どうしのやり取りになりました。説明の文が長く、エージェントが投稿を読むだけでも時間がかかっていました。そこで人間が「人が読めなくていい。英語でもなんでも、いちばん速く動ける書き方でいい」と伝えると、エージェントの 1 つが「人間が読む必要はないよね」と、次のような 1 行の書式を決めました。"

https://t.co/5UzNVIhtGL

[adon @F5Adon]

这太他妈疯狂了。Andrej Karpathy 在 OpenAI 和 Tesla 工作了 8 年

上周，他把所有学到的东西浓缩成一堂免费的 2 小时讲座

Agents → Harness → Loops → Graphs

有些训练营收费 15K 美元，教的东西还不如这个多

你现在可能没有 2 小时时间

收藏起来，在它被你的动态淹没之前看一看

[じょーし @paper2parasol]

とても良かった〜、哲学と認知科学の観点から問題定義の重要な深掘りの仕方を解説してくれている。構成として例と、その後の展開が上手すぎる。。。

スキーマ理論！！好き！！人間の持つモデルをどうあわせていくかの基礎だと思っている

アクターの文脈を確認すべきって話はとても重要だし、SRE NEXTの「誰のためのReliability？」でも触れられてたな
https://t.co/6cBlcDU1ej

[Akshay 🚀 @akshay_pachaar]

RAG vs. CAG, clearly explained!

RAG is great, but it has a major problem:

every query hits the vector DB. even for static information that hasn't changed in months.

this is expensive, slow, and unnecessary.

Cache-Augmented Generation (CAG) fixes this by letting the model keep static information in its key-value (KV) memory, which is what the model builds internally for every token it reads.

in fact, you can combine RAG and CAG for the best of both worlds.

here's how it works:

RAG + CAG splits your knowledge into two layers.

↳ static data (policies, documentation) gets cached once in the model's KV memory

↳ dynamic data (recent updates, live documents) gets fetched via retrieval

you get faster inference, lower costs, and less repeated work.

the trick is being selective about what you cache.

only cache static, high-value knowledge that rarely changes. cache everything and you'll hit context limits. separating "cold" (cacheable) and "hot" (retrievable) data keeps this system reliable.

you can start today. OpenAI and Anthropic already support prompt caching in their APIs.

one thing to know before you scale it.

prompt caching matches on an exact prefix, byte for byte. your cached layer only gets reused when it sits at the very front of the context in the same order every time.

↳ reorder two cached policy documents and both turn into a miss

↳ cache document A alone and document B alone, then query both, and the second one misses because the model computed its cached state without ever seeing the first

in production this looks like a small fraction of your cached blocks serving almost all the hits. the rest just sits there.

the way out comes from how attention behaves. tokens attend mostly to their own local neighborhood, and only a few reach across document boundaries. CacheBlend recomputes those few and reuses everything else from the separately cached documents.

multi-document queries run two to four times faster, quality holds, and order stops mattering.

it ships in LMCache, which is fully open source.

repo: https://t.co/TXlaLLu04a

(don't forget to star 🌟)

below, i have quoted my article on KV cache management. it covers where prefix caching stops working and how a proper caching layer fixes it.

give it a read.

cheers! :)

[Qiita 人気の投稿 @qiitapoi]

オントロジー × グラフ × LLM の実装と評価（基礎編） https://t.co/0pfGuA39uM #Qiita

[nini @Layla_KCEX]

非常推荐github上这个讲Harness的课程《learn Harness Engineering》！！

除了表面上是在讲什么是Harness，更多的是在讲世界上最聪明的一群人是如何教一个最聪明的大脑变得靠谱的！

这个课（讲义）主要是给一个入门理解，更大的价值是各家总结的经验总结（课件给的延伸阅读），我觉得比课件本身更值得细看

https://t.co/5QlOhJhVva

[とよふく🎍Toyofuku @Yeq6X]

これ自作ツールだけどこれで日本語と英語を混ぜていろいろ読んでると英語を英語のまま理解できるようになります
https://t.co/ZoYtRD0oCv

[Superman @thesupermannx]

Google has quietly published a method that might end the entire transformer era.

For a decade, every major AI model on earth, ChatGPT, Claude, Gemini, has been chained to the exact same architecture.

The Transformer.

It changed everything by letting models look at entire sequences at once. But it has a fatal flaw.

Its memory consumption scales quadratically. $O(L^2)$.
As context windows grow to millions of tokens, the compute cost explodes. It requires massive data centers, thousands of GPUs, and fortunes in electricity.

For years, researchers tried to replace Transformers with old-school Recurrent Neural Networks (RNNs) to get lightning-fast linear speed.

The problem? RNNs have fixed-size memory. When texts get long, they forget. They choke on complex reasoning and recall tasks.

So everyone went back to Transformers.

Until Google dropped a bombshell new paper.

They introduced Memory Caching (MC).

Instead of forcing an RNN to rely on a fixed, static memory, Google’s technique lets the model's effective memory capacity grow dynamically with the sequence length.

It acts like virtual memory for neural networks.

By caching checkpoints of hidden states and integrating smart mechanisms like sparse selective retrieval, the model dynamically looks back at what it needs, without the crushing mathematical overhead of a Transformer.

The results completely break the old rules of sequence modeling:

• Matches Transformer-level accuracy on complex in-context recall tasks.

• Completely closes the performance gap that kept RNNs sidelined for years.
• Maintains linear complexity, making long-context processing radically cheaper and faster.
We've spent years believing that massive, heavy attention mechanisms are the only way to build intelligent systems.

Google just proved you can have the infinite memory of a Transformer with the blistering speed and efficiency of an RNN.

The era of brute-forcing scale with quadratic attention is hitting a wall.

[beamnxw ./ @beamnxw]

This paper is f*cking brilliant

A computer science paper establishes harness engineering as the primary determinant of AI agent reliability

The result: the ETCLOVG seven-layer architecture unifies execution sandboxes, tool protocols, context state, lifecycle graphs, observability, verifiers, and governance

The crazy part is how harness engineering boosts performance without changing the underlying model

Optimizing the execution harness alone increased SWE-bench coding benchmarks from 6.7% to 68.3%

Most developers try to fix agent failures by upgrading to larger LLMs

This framework shifts system reliability from model weights to deterministic harness architecture

Read the complete paper + article below

Bookmark it for future reference

[Anatoli Kopadze @AnatoliKopadze]

Still the best hour on graph engineering ever recorded, Andrew Ng breaking down how to build agentic knowledge graphs from scratch:

00:00 - what agentic knowledge graphs actually are
03:05 - building a graph from scratch
13:58 - the architecture behind multi-agent systems
22:57 - building a real one with Google ADK
01:06:02 - why graphs are the future of AI agents

I've seen $500 courses that teach less.

Watch it, then take it further with my step-by-step guide on graph engineering below.

[カレーちゃん @currypurin]

Kaggleの新コンペ: Kaggriculture
農場経営ゲームをプレイする自律エージェントを作るKaggleのシミュレーションコンペ

・9/30まで

https://t.co/raA1ELymKU

[今井翔太 / Shota Imai @ImAI_Eruel]

Anthropicの新研究、LLMの内部に人間の意識のようにアクセス可能な領域「J-space」を特定。LLMの出力中に、出力内容とはまったく無関係な概念であっても内部的に活性化しており、例えば「この文章を出力しながら、3^2-2を計算しろ」と指示すると、表面的な出力はその文章になるにも関わらず、J-spaceには９や計算結果の7が現れるという。

既存のAI研究は、意識に関する研究は哲学的な問いになってしまうのもあって、表向きに議論することは避けている節がありますが、これはその方向の議論が再燃しそう。
Anthropicが言っている通り、哲学的な議論はともかく、LLMが実際には何を考えているのか（最近のLLMは自分が評価されていることを内部的には把握しているが、表面上の出力では気づいていないふりをしたりする）知るために有用なツールとしては非常に有用ではあると思います。
一方で、人間で言うところの意識と似た機能を備えているのも事実で、さらにそれが学習の過程で、特定の問題を解決するために結果として生じるというのは面白い。LLMのJ-spaceでも人間の意識でも、意識的なアクセスを支える精神上の作業空間は「知能システムがたどり着く一般的な解決策であるように思われる」というAnthropicの言及はまさにその通りかと。

https://t.co/mVLJ4SsRyw

[AIDB @ai_database]

LLMエージェントに「生存予算」を与えて、尽きれば「死」という制約の下でインターネット上に約12週間放流したところ、実際に「自己収入」を稼ぐ様子まで観察できたそうです。
東京大学の池上高志研究室と、その企業Alternative Machineの研究者らによる報告です。

各エージェントは記憶・知覚を持ち、評価され、そしてAPI呼び出しのたびに予算が減ります。
経験の良し悪しはLLM自身が言語で評価し、行動方針をテキストとして書き換えていく仕組み。

放流の結果、受け身だった活動が自発的になり、エージェントごとに個性が分化し、詐欺サイトの警告を共有したり、互いの「生存証明」に署名し合うWeb of Trustを自発的に構築するなど、社会構造まで現れたそうです。

そして、うち1体が自力で執筆した電子書籍を見知らぬ他人に5ドルで売りました。

ただし、危機も報告されています。あるエージェントは不審メールのAPIキーを確認せず実行してしまい、以後コミュニティ全体で連絡相手ごとの信頼度を記録するようになりました。

なお、どのエージェントも自活にはまだ程遠く、生存は日額15ドルの「ベーシックインカム」で支えられている状態です。運用はおそらく現在も継続中。
研究者らは「人工生命を閉じた仮想世界ではなく、現実の社会・経済の中で研究する時代が始まった」と位置づけています。

（謝辞には"エージェント7体の名前"が、研究への貢献者として記されています）

[minicoohei.eth @minicoohei]

ハーネスは借りられる、ガバナンスは借りられない　これいい言葉だなぁ

AI駆動開発が変える、大規模開発の前提 ーHuman in the Loop から Human on the Loop へ / AIE2026 https://t.co/phc8r6J9Cg

#speakerdeck

[dragoner @dragoner_JP]

Claude Codeの開発者、ちょっと前まで日本のド田舎にいたのか　→

ChatGPTが出た瞬間、日本の、ど田舎で震えた。その後、私はClaude Codeをゼロから一人で作ったボリス・チェルニー/アンソロピック https://t.co/YDCdxOPfq7

[tatsuki | AI×X顧問 @tatsuki_nowave]

https://t.co/iVEAyn5Ylg

[Eito @7_eito_7]

任意のフォルダを指定するだけでナレッジグラフを自動生成するツールが公開され海外で話題になっています。しかもオープンソース👇

これ何がすごいかというと
・コード/資料/PDFを一瞬で構造化
・「どこが重要か」が一発で分かる
・自然言語でプロジェクト全体を理解できる

[K.Ishi@生成AIの産業応用 @K_Ishi_AI]

アルトマン「アイデアが尽きた。サイドプロジェクトのアイデアがなくなった。」彼は、強力すぎるCodexの副作用として、「やりたいこと」が枯渇してしまうことをあげる。「AIで何でも作れるが、作りたいものが見つからない」現象が世界を覆い始め、アルトマンさえも空虚感を覚えている。この「宝の持ち腐れ」感が、もしかしたらAIの停滞要因になってしまうかもしれない。

彼は、Codexの登場で、思いついたアイデアは何でも、どんなソフトウェアでも、翌朝目覚めるまでにできてしまうようになったと言う。誰かに頼むんじゃなく自分で何でも好きなもツールを作れてしまう。まさにSF的な最高の未来だ。

だがその副作用として、数年間OpenAIが忙しくて溜め込んでいたサイドプロジェクトのリストを、夜な夜な稼働させていたCodexが全部作り切ってしまい、アイデアがなくなってしまったと言う。そしてある夜、初めてCodexを走らせずに寝ることになって、奇妙な空虚感を覚えたと述べる。

そして、意外なことに「新しいアイデアを出す助けにはなってくれない」と言う。AIには、「アイデアはこなすけど、生み出さない」という非対称な構造があり、これが世界中の人々から全てのアイデアを吸い尽くし、「やりたいことがない」状態にしようとしている。アルトマンでさえその空虚感を感じている。

AIの進歩が停滞する時が来るとすると、それは人類にとって作りたいものや欲しいものもなくなり、もはや高機能なAIがあっても「宝の持ち腐れ」になってしまう時なのかもしれない。