Cursorの公式サイトのページを再現しようとして挫折感を覚え、また戻ってAgentを見てみる。
https://01.me/2025/12/silicon-valley-ai-insights-2025/
AIプログラミングの効果のところで、大手企業の日常開発は笑えると感じた。コードを書く時間は非常に限られ、わずか15%。本当にこういうのは嫌だ。
Research Codeはエージェントやスクリプトを書くのに使える。
インフラのコード、Linuxカーネルやコンセンサスプロトコルを含めて、どれもあまりうまくいかない。
vibe codingのベストプラクティスは分割だ。一度に生成するコードはできるだけ少なくする。
もう一つはTDD（テスト駆動開発）。正直、これはRalph式の開発より少し信頼できると思う…
大規模リファクタリングではspecが重要だ。specに基づいてLinuxカーネルのファイルシステムを書いた論文もあるらしい…効果はどうなのだろう。
厳格なevaluation systemもコードデータを蓄積する過程だ。今や誰もがデータの重要性を知っていて、どの会社もデータセットを構築している。
シリコンバレーの巨大企業の話は本当に勉強になった。
スタートアップへの示唆もとても役に立つと思う。実際、スタートアップは業界全体における自らのニッチを見つける必要がある。汎用領域は大手がみなやるのでやってはいけない。非常に細分化された垂直領域を見つけるのだ。
工学実践から決して離れてはいけないと思う。自分の手で試してみて初めて、その仕事の最も真実の感触が得られる。vibe codingでもモデルの学習でも、伝聞に頼ってはいけない。自分で試すのだ。
技術実践
Context Engineeringフレームワーク
- System Prompt
- Tools
- Data Retrieval
- Long Horizon Optimizations 長期タスク最適化
Data-Retrievalのパラダイムシフト
新しい方法は just in time その都度ロードだ
- 戦略1：軽量な識別子
- 段階的開示
- 自律的探索
すべてのモデルは長いコンテキストで性能が低下する
context windowの容量を超えたときの解決策
- コンテキスト圧縮
- Agentが明示的な記憶アーティファクトを維持し、「作業ノート」（決定、学び、状態）を保存する。コンテキストに保持せず、必要に応じて検索する
- Sub-Agent。複雑なタスクを専門のAgentに分解し、各Sub-Agentは集中した、明確で、狭いコンテキストを持つ。main agentがオーケストレーションし、結果を統合する
Skillsメカニズムの仕組み
Claudeは動的に発見してロードできる
pdf/SKILL.md (主文件)
├── YAML Frontmatter (name, description)
├── Overview (概述)
└── References: "For advanced features, see /reference.md"
pdf/reference.md (详细参考)
└── Advanced PDF processing features...
pdf/forms.md (专门功能)
└── PDF form filling instructions...- Memory（記憶）
- Sub Agents & Collaboration（サブAgentとコラボレーション）
- Dynamic Tool Calls（動的ツール呼び出し）
- Code Generation & Execution（コード生成と実行）
- Web Search（ウェブ検索）
- Agentic Search（Agent検索）
- Long Running Tasks（長時間実行タスク）