AI開発
コード生成・エージェント・MCP。実務で再現可能な粒度で、ハウツー・比較・レビュー・ニュースを横断的にまとめています。
GRPO・DAPO・DPOの使い分け実践ガイド：検証可能報酬ありのタスクでDeepSeek-R1流RLファインチューニングを選ぶ判断基準
GRPOの仕組みと訓練不安定の原因、DAPOがGRPOを改善する4技術、DPOとの適用タスク差を実務目線で比較。TRL v1.0のGRPOTrainer・DPOTrainer・SFTTrainerを使った実装コードと手法選択フローを実務エンジニア向けに解説する。
LLM量子化手法の選び方ガイド2026：AWQ・GPTQ・RAMP・ReSpinQuantをオンプレ/エッジ運用条件で使い分ける
AWQ・GPTQの概念説明にとどまらず、2026年に登場したRAMP（RL自動ビット幅選択）・ReSpinQuant（回転行列でW4A4精度改善）を加えた4手法をGPUメモリ制約・精度要件・推論スループットの軸で比較し、「どの条件でどの手法を選ぶか」の意思決定フローを示す実務ガイド。
パラメータ編集でLLMは壊れる：ROME・MEMIT・AlphaEditの推論崩壊を実証した論文（arXiv 2606.00570）と設計転換ガイド
ROME・MEMIT・AlphaEditによるパラメータベースの知識編集がLLMの推論能力を崩壊させることを実証したarXiv 2606.00570（2026年5月30日公開）を解説。ZsREで10編集後に精度が最大8.37pt低下し100編集後はほぼゼロに崩壊するリスクと、検索ベース（RAG）への設計転換チェックリストを提供する。
DCCD論文解説：非制約ドラフト→制約付きデコードの2ステップでLLM構造化出力の精度を高める（arXiv 2603.03305）
通常の制約付きデコードはトークン単位の強制でセマンティック品質が落ちる問題がある。DCCD（arXiv 2603.03305、Avinash Reddyら、2026年2月）は「非制約ドラフト生成→ドラフト条件付き制約デコード」の2ステップで意味計画と構造強制を分離し、通常制約付きデコードに対して約78〜80.5%の勝率を達成した。outlines/xgrammarとの使い分けを含めて実務目線で解説する。
vLLM・SGLangのKVキャッシュ設定を本番チューニングする：prefix caching・量子化・ページドアテンション設定の実務ガイド
vLLM v0.8以降・SGLang最新版でKVキャッシュのGPUメモリ使用量を削減・最適化する実装ガイド。kv_cache_dtype（FP8/FP16）・--enable-prefix-caching・--gpu-memory-utilization・block_sizeの設定例と、SGLangのenable_radix_cache・mem_fraction_staticのチューニング手順を実装コード付きで解説する。
本番LLMのLoRAアダプタ管理設計ガイド：バージョニング・ホットスワップ・マージ戦略の実務パターン
複数のLoRAアダプタを本番MLパイプラインで管理するための4パターンを実装コード付きで解説する。HuggingFace PEFT＋MLflowによるバージョニング、vLLM dynamic LoRA loadingでのホットスワップ、Task Arithmetic・DARE・TIESでのマージ戦略、評価ゲート設計まで体系的に整理する。
LLM継続学習の戦略選択ガイド：EWC・リプレイ・LoRAアダプタ分離・ProCLの設計判断
本番LLMを継続的に更新する際の壊滅的忘却対策として、EWC・リプレイバッファ・LoRAアダプタ分離（O-LoRA）・プログラムメモリ型（ProCL）の4手法を追加学習コスト・推論オーバーヘッド・実装難易度・忘却抑制効果の4軸で比較し、ユースケース別の設計判断基準を示す。
PicoSpec論文解説：エッジクラウド協調推論でネットワーク遅延を隠蔽する非同期Speculative Decoding（arXiv 2603.19133）
エッジデバイス上のSLMとクラウドLLMが協調するSpeculative Decodingでは、往復通信遅延が致命的なボトルネックになる。PicoSpec（arXiv 2603.19133）が提案する非同期パイプラインとスパース圧縮付きSeparate Rejection Samplingで最大2.9倍の高速化を達成した仕組みを、vLLMシングルノード実装・DiP-SDとの使い分けとあわせて解説する。
LLMエージェントの長期記憶を守る：Mnemonic Sovereignty論文に学ぶメモリポイズニング対策の全体像
LLMエージェントの長期記憶を狙うメモリポイズニング攻撃と、2026年4月公開のサーベイ論文『Mnemonic Sovereignty』が提示するライフサイクル別の防御フレームワークを、実装で参照できるチェックリストに落として解説します。
AIエージェントのアイデンティティ管理：JITエフェメラル認証情報とマルチエージェント認可伝播の実装ガイド
長期APIキーをAIエージェントに渡し続けるリスクを理論と実例から解説。arXiv 2605.05440の認可伝播研究とNIST AI RMF・CSAのフレームワークをもとに、JITエフェメラル認証情報・暗号IDバインド・TTL強制・監査証跡の4要素で構成する設計パターンを実装ガイドとして提供する。
LLMハルシネーション検出手法の選び方ガイド【2026年版】：SelfCheckGPT・Koopman・UQ・FactSelfCheckを実務で使い分ける
LLMハルシネーション検出の3系統（サンプリング一貫性・Koopman/DMD・不確実性定量化）をAPIアクセス制約・コスト・精度・実装難易度の4軸で比較。ユースケース別の選択フローと実務での組み合わせ戦略を解説する。
LLMエージェントの「過剰権限」を排除する：OWASP LLM06:2025 準拠の最小権限設計チェックリスト
OWASP LLM06:2025「Excessive Agency」が定義する3次元リスク（機能・権限・自律性）を整理し、ツール権限スコープ絞り込み・認可委譲・Human-in-the-Loop設計・監査ログの実装チェックリストを提供する。
ブラックボックスLLMのハルシネーションをKoopman演算子で検出する：arXiv 2605.05134 論文解説と実務への応用
Koopman演算子とDMDを使い、APIのみでLLMハルシネーションを低コスト検出する手法（arXiv 2605.05134）を解説。閉源API環境での実装可能性とSelfCheckGPT・UQとの使い分けを実務視点でまとめる。
推論スキル再利用でトークンを削減する：TRS（Thinking with Reasoning Skills）の仕組みと実務への応用
推論LLMは問題を解くたびに長い思考トークンを消費する。TRS（Thinking with Reasoning Skills）は過去の推論軌跡をコンパクトなスキルに蒸留してRAG的に再利用し、トークンを削減しながら精度を維持する。数学・コーディング実験の結果と実務実装パターンを解説する。
AgentDojo論文解説：AIエージェントのプロンプトインジェクション対策を評価する実務チェックリスト
AgentDojo論文をもとに、LLMエージェントのプロンプトインジェクション耐性をどう評価するかを解説。97タスク・629テストケースの意味、限界、実務導入前のチェックリストを整理します。
【2026年版】Cursor 3.0 Agents Window 入門：マルチエージェント並列実行の開き方・使い方・実践ワークフロー
Cursor 3.0で追加されたAgents Windowは、複数AIエージェントをgit worktree隔離環境で並列実行できる専用UI。開き方・タスク分割・/worktreeコマンド連携まで実務ワークフローをゼロから解説。
AI開発環境でBunとNode.jsをどう選ぶか：2026年版の実務チェックリスト
Claude Code・Codex・Gemini CLIなどのAIコーディング環境で、Bun v1.3とNode.jsをどう選ぶべきかを実務目線で比較。速度、互換性、依存関係、チーム運用の観点から判断チェックリストを整理します。
【2026年版】AI開発環境はuvで整える：Claude・Codex時代のPython環境構築ガイド
Claude、Codex、Gemini CLI などのAI開発ワークフローでは、再現性のあるPython環境が重要です。uvでpip・venv・pyenv・Poetryを一本化し、AIコーディング時代の環境構築を解説します。