コンテンツにスキップ

AI / Engineering Digest — 2026-09-01

9393 件中 38 件選別、詳細要約（落合式）8 件＋短冊 15 件。実用 AI 活用 29 件、ハーネス系 5 件。

詳細要約（落合式）

1. Building an agentic harness that outlasts the model — Shopify Eng

どんなもの？ Shopifyのエージェント型ハーネスは、セキュリティモデルを活用して脆弱性を発見し、迅速な修正を実現する。

先行手法との違い 従来の手法と異なり、エージェント型ハーネスは複数のスキャンエージェントを並行して動作させ、効率的に脆弱性を発見する点が新しい。

技術のキモ ShopifyのDispatchは、エージェント型スキャンを簡素化し、特定のバグハンティングエージェントを作成することで、スキャンの効率を向上させます。自分のClaude Code運用においても、同様のエージェント型アプローチを採用することで、脆弱性の発見と修正を迅速化できます。

評価 新しいセキュリティモデルは、従来のモデルよりも脆弱性の発見率が高いが、偽陽性も多く、最終的には低・中リスクに分類されることが多い。

議論点 新しいモデルの精度向上が期待される一方で、偽陽性の問題は依然として解決すべき課題であり、今後の改善が求められる。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 2. Build agentic creative workflows with Amazon Quick and fal — AWS ML Blog

2. Connect an AgentCore Runtime hosted MCP server to Amazon Quick — AWS ML Blog

どんなもの？ MCPサーバーをAmazon Quickに接続し、AIエージェントの機能を強化する方法を解説。

先行手法との違い 従来のAIツールでは外部データへのアクセスが制限されていたが、MCPを利用することでリアルタイムでのデータアクセスが可能になり、エージェントの応答精度が向上する。

技術のキモ MCPサーバーは、AIエージェントが外部のAPIやデータベースに安全にアクセスできるように設計されており、状態を保持したマルチターンの対話が可能です。これにより、エージェントはより正確なコンテキストを持ち、ユーザーとのインタラクションが向上します。自分のClaude Code運用に転用する場合、MCPを利用してエージェントの機能を拡張し、特定のビジネスニーズに応じたカスタムツールを構築できます。

評価 著者は、MCPを利用することでAIエージェントの精度と効率が大幅に向上すると評価しており、特にリアルタイムデータアクセスの重要性を強調しています。

議論点 MCPの導入により、AIエージェントの能力が向上する一方で、セキュリティやプライバシーの懸念が残る。特に、外部データへのアクセスが増えることで、データ管理の課題が生じる可能性がある。

次に読む - 2. Build agentic creative workflows with Amazon Quick and fal — AWS ML Blog - 1. Effective Patterns for Advanced MCP Usage — O'Reilly Radar

3. AWS recognized as a Leader in The Forrester Wave: AI Infrastructure Solutions, Q4 2025 — AWS ML Blog

どんなもの？ AWSはForrester WaveでAIインフラのリーダーとして認識され、コスト効率と柔軟性を提供。

先行手法との違い AWSは特定のワークロードに最適化されたアーキテクチャを提供し、エンジニアリング効率と持続可能性を重視している点で、従来の汎用計算ニーズとは異なるアプローチを取っています。

技術のキモ AWSのAIインフラは、顧客の選択肢とコスト効率を重視しています。独自のAIチップ（AWS Inferentia、AWS Trainium）とNVIDIA GPUインスタンスを提供し、ワークロードに応じた最適な計算を実現します。これにより、顧客はハードウェアのロックインを避けつつ、コスト効率の高い選択肢を得ることができます。

評価 AWSは16の評価基準で最高スコア（5.00）を獲得し、特に戦略カテゴリーでの評価が高いことが示されています。

議論点 AIインフラの選択肢が増える中で、顧客がどのように最適なソリューションを選ぶかが今後の課題です。また、持続可能性やエコシステムの拡張に関する議論も重要です。

次に読む - 3. Spreading the load: How Salesforce met Multi-AZ HA with SageMaker Inference Components — AWS ML Blog - 2. Natera’s intelligent appointment scheduling with Amazon Bedrock AgentCore — AWS ML Blog - 5. Deepgram deepens Amazon SageMaker AI observability with Enhanced Metrics — AWS ML Blog

4. From weeks to minutes: The new agentic era of data pipelines — Google Cloud (Data Analytics)

どんなもの？ Google CloudのData Agent Kitを用いて、データパイプラインの構築を自然言語で簡素化する技術を紹介。

先行手法との違い 従来のデータパイプライン構築手法はPythonコードの記述が必要だったが、新しいフレームワークでは自然言語を用いて簡単にパイプラインを作成できる点が大きな違い。

技術のキモ Data Agent Kitは、オーケストレーションパイプラインフレームワークをIDEに統合し、データエンジニアリングタブを提供することで、パイプライン管理を容易にします。特に、自然言語を用いてApache AirflowのDAGを作成・デプロイ・トラブルシュートできるエージェントスキルが特徴です。これにより、データ分析者からMLエンジニアまで、複雑なPythonコードを回避し、MLOpsの強力な機能にアクセスできるようになります。自分のClaude Code運用においても、自然言語でのプロンプトを用いて迅速にパイプラインを構築することが可能です。

評価 著者はこのフレームワークを用いることで、データパイプラインの構築時間が従来の数週間から数分に短縮されると評価しています。

議論点 新しいフレームワークが全てのデータプロフェッショナルにとって使いやすいかどうか、また、自然言語による指示がどの程度の精度でパイプラインを生成できるかについては、今後の検証が必要です。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 1. Why your AI pilot stalled at the context gap — dbt Labs - 1. How GoDaddy transformed its analytics with Amazon Quick — AWS ML Blog

5. Introducing wrapture — Simon Willison

  • URL: Introducing wrapture
  • 重要度: 4 / テーマ: tooling / 対象: ic-engineer
  • 実用 AI 活用: ✅ / ハーネス話題: — / 今すぐ使える: ✅

どんなもの？ Wraptureは、Pythonの関数やメソッドをラップしてテストとトレースを同時に行う新しいライブラリです。

先行手法との違い Wraptureは、従来のunittest.mockと異なり、OpenTelemetryを統合し、設定ベースでトレースを追加できる点が特徴です。

技術のキモ Wraptureは、関数やメソッドをラップすることで、元のコードを変更せずに観察を行うことができます。これにより、既存のプロジェクトに対しても簡単にトレースを追加でき、テストのパターンもサポートしています。自分のClaude Code運用に転用する場合、Wraptureを使って外部APIの呼び出しをモックし、テストを行うことが可能です。

評価 著者はWraptureを非常に有望なプロジェクトと評価しており、数週間の開発で多くの機能を実装しています。

議論点 Wraptureはまだ若いプロジェクトであり、今後の発展が期待されますが、AIによるコード生成の信頼性や品質については議論の余地があります。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 2. Introducing Hy4 Preview — Simon Willison - 1. Why your AI pilot stalled at the context gap — dbt Labs

6. fx is now available in the AI SDK harness layer — Vercel

どんなもの？ VercelのAI SDKハーネスレイヤーにfxが追加され、コーディングエージェントの統合が容易に。

先行手法との違い 従来のコーディングエージェント統合方法と異なり、fxはVercelのハーネスレイヤーを通じてシームレスに追加できるため、開発者の負担が軽減される。

技術のキモ VercelのAI SDKハーネスレイヤーは、fxを利用することで、開発者がコーディングエージェントを簡単にアプリケーションに組み込むことを可能にします。これにより、別途統合を構築する必要がなくなり、開発の効率が向上します。自分のClaude Code運用においても、同様のアプローチでエージェントを統合することが可能です。

評価 著者は、fxの追加により開発者の作業が大幅に効率化されると評価しています。

議論点 fxの導入が開発者にどのような具体的な影響を与えるか、また他のコーディングエージェントとの比較においてどのような利点があるのかについては、さらなる議論が必要です。

次に読む - 3. AI Agent Latency 101: How do I speed up my AI agent? — LangChain

7. Gisting: Compressing LLM Agent context to ↑ throughput and ↓ cost — Shopify Eng

どんなもの？ gistingはLLMエージェントのプロンプトを4:1で圧縮し、推論コストを削減しつつ性能を向上させる技術です。

先行手法との違い 従来の手法では長いプロンプトが必要でしたが、gistingは短いトークンで同等の効果を得ることができ、推論速度とコストの両方を改善します。

技術のキモ gistingは、特別なトークンを用いてシステムプロンプトを圧縮する技術です。具体的には、知識蒸留を通じて特定のトークンの埋め込みを学習し、推論時にそれをプロンプトの代わりに使用します。この方法により、プロンプトのトークン数を大幅に削減し、推論の効率を向上させることが可能です。Claude Codeの運用においても、gistingを活用することで、プロンプトの圧縮と推論のコスト削減が実現できます。

評価 gistingの実装により、リクエストあたりのトークン数が約6,000から1,500に削減され、推論時間が大幅に短縮されました。具体的には、リクエストの中央値が438msから354msに、エンドツーエンドのレイテンシが6.8秒から4.2秒に改善され、スループットも20.2から23.4に向上しました。

議論点 gistingとプレフィックスキャッシングは相互排他的ではなく、両者の最適化を組み合わせることでさらなる性能向上が期待できますが、gistingの導入に伴う新たな課題や限界についても議論が必要です。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 1. Perturbation Probing: A New Diagnostic for the Fragility of LLM Safety — Unit 42 - 1. Why your AI pilot stalled at the context gap — dbt Labs

8. Building production-ready agentic systems: Lessons from Shopify Sidekick — Shopify Eng

どんなもの？ ShopifyのSidekickは、自然言語での商取引支援を行うAIアシスタントで、エージェントシステムの設計と評価手法を進化させた。

先行手法との違い 従来のエージェントシステムは固定的な指示に依存していたが、SidekickはJust-in-Time指示を導入し、状況に応じた柔軟な対応を可能にした。

技術のキモ Sidekickは、Anthropicの「エージェントループ」に基づいており、ユーザーの入力を受けてLLMが処理し、アクションを実行するサイクルを形成しています。Just-in-Time指示により、必要な時に必要な指示を提供し、システムの効率を向上させています。自分のClaude Code運用においても、状況に応じた指示を動的に提供する手法を取り入れることが可能です。

評価 Sidekickの評価は、従来の「ゴールデンデータセット」から実際の商取引データに基づく「グラウンドトゥルースセット」に移行し、評価基準を実践に即したものにしています。これにより、評価の信頼性が向上しました。

議論点 エージェントシステムの評価方法は依然として課題が多く、特にLLMの出力の確率的性質に対処するための新たな手法が求められています。著者は、従来の「バイブテスト」では不十分であると指摘しており、より厳密な評価基準の必要性を強調しています。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 2. Build agentic creative workflows with Amazon Quick and fal — AWS ML Blog

短冊（タイトル・リンク・要約 15 件）

  • Build observable enterprise agentic retrieval using Managed Amazon Bedrock Knowledge Base with AWS CloudFormation — AWS ML Blog・重要度 4・rag この記事では、AWS CloudFormationを使用して、Managed Amazon Bedrock Knowledge Baseを活用したエンタープライズエージェントリトリーバルの構築方法を解説しています。特に、複数の知識ベースから情報を取得し、引用付きの回答を生成するプロセスにおいて、可観測性と評価が組み込まれている点が重要です。このアプローチにより、複雑な質問に対してより良い回答が得られることが期待されます。
  • Run NVIDIA BioNeMo NIM Microservices for Protein Structure Prediction in Claude Science — NVIDIA Developer・重要度 4・llm-production この記事は、NVIDIA BioNeMo NIMマイクロサービスを使用して、Claude Scienceでのタンパク質構造予測を行う方法について説明しています。BioNeMoエージェントツールキットを活用することで、複雑な科学的ワークフローを簡素化し、タスクの正確性を60%から100%に向上させることが可能です。具体的には、Seh1タンパク質とその提案されたパートナーの構造を比較する実例を通じて、MSAを用いた予測のプロセスを示しています。
  • Sidekick's continual learning loop — Shopify Eng・重要度 4・llm-production この記事は、Shopifyがフロンティアモデルを用いたAI製品の継続的学習ループについて解説しています。フロンティアモデルは迅速にユーザーの前に出せる一方で、スケール時にはコストや速度の問題が生じます。ShopifyのGraphQLエージェントは、この学習ループを実現し、品質向上とコスト削減を同時に達成しています。
  • Clustering billions of products for agentic commerce with Catalog API — Shopify Eng・重要度 4・llm-production この記事は、ShopifyがCatalog APIを通じて数十億の製品をクラスタリングし、AIショッピングエージェントが商品データを人間のように理解できるようにする取り組みについて述べています。特に、製品の精度とリコールのバランスを取りながら、異なる出品者の製品を一つのユニバーサル製品識別子（UPI）にまとめる方法が重要であることが強調されています。この技術により、顧客は新しい流通チャネルから正確に商品を見つけられるようになります。
  • Teaching Sidekick to say no: automated data curation with LLM judge consensus — Shopify Eng・重要度 4・llm-production この記事は、ShopifyのAIアシスタント「Sidekick」が、顧客の要求に対して「ノー」と言えるように訓練するための自動データキュレーション手法について述べています。特に、成功したクエリのみを含む従来のトレーニングデータの限界を克服するために、フロンティアLLMを用いた新しいアプローチを採用し、正しい拒否の例を生成することの重要性を強調しています。
  • Quick: An internal hosting platform for the AI era — Shopify Eng・重要度 4・dev-productivity Shopifyが開発したQuickは、HTMLファイルを簡単にアップロードし、社内専用のウェブサイトを即座に公開できるプラットフォームです。AIの進化により、誰でもプロンプトからウェブサイトを生成できるようになり、Quickはその受け皿として急成長しました。現在、50,000以上のサイトがホストされており、シンプルなアーキテクチャと多機能なAPIが特徴です。
  • Under the River — Shopify Eng・重要度 4・ai-workflow この記事は、Shopifyが開発したAIエージェント「River」について述べています。Riverは、社内のSlackで動作し、コードの読み取りやテスト実行を行い、チームの知識を共有することで、エンジニアの生産性を向上させています。特に、モノレポとNixを活用したインフラ整備が、AIを活用した開発環境の基盤を築く重要な要素であることが強調されています。
  • Flow generation through natural language: An agentic modeling approach — Shopify Eng・重要度 4・llm-production この記事は、ShopifyがAIアシスタント「Sidekick」のために自然言語をShopify Flowに変換するエージェントを開発した過程を紹介しています。特に、データ前処理やモデルの微調整における課題と解決策を詳述しており、Pythonを用いた新しい表現形式が精度向上に寄与した点が重要です。AI製品開発における実践的な教訓が得られる内容です。
  • Building a Magic Mirror: AI retail experiences with Remix — Shopify Eng・重要度 4・ai-workflow この記事では、AIを活用した「マジックミラー」のコンセプトを紹介しています。このミラーは、顧客の外見や動きに応じてパーソナライズされたメッセージを表示し、インタラクティブな体験を提供します。特に、化粧品の色合わせなどの機能を通じて、店舗でのショッピング体験を向上させる可能性があり、忙しい小売店でもスケーラブルなソリューションとして注目されています。
  • Tangle: An open-source ML experimentation platform built at Shopify scale — Shopify Eng・重要度 4・dev-productivity この記事は、Shopifyが開発したオープンソースの機械学習実験プラットフォーム「Tangle」について紹介しています。Tangleは、視覚的なパイプライン構築を可能にし、データエンジニアリングの効率を向上させることで、ML開発の時間を大幅に短縮します。特に、チーム間での共有や再利用が容易になり、開発の信頼性を損なうことなく迅速な実験が可能になる点が魅力です。
  • Building world-class product search at Shopify: Where C++ excellence meets ML innovation — Shopify Eng・重要度 4・llm-production Shopifyは、C++の性能と機械学習の革新を融合させた独自の検索エンジンを構築しました。RankFlowというドメイン特化型言語を用いることで、データサイエンティストは数十億のクエリに基づくモデルを迅速に展開でき、リアルタイムでのインデックス作成やランキングを実現しています。このシステムは、商業検索の精度とスピードを両立させ、顧客の購入意図を理解することに重点を置いています。
  • MCP UI: Breaking the text wall with interactive components — Shopify Eng・重要度 4・ai-workflow この記事は、Shopifyが開発したModel Context Protocol (MCP)を用いたインタラクティブなUIコンポーネントの重要性について述べています。従来のテキストベースのフローでは限界があるため、視覚的要素を取り入れることで、より良いショッピング体験を提供することが可能になります。MCP UIは、エージェントがユーザーの意図を理解し、リアルタイムでインタラクティブな要素を提供するための新しいプロトコルです。
  • Remixing Shopify's Admin: How We Made It 30% Faster and AI-Ready — Shopify Eng・重要度 4・ai-workflow Shopifyの管理画面が30%速くなり、AI対応に進化した記事です。Remixを活用し、ルーティングの一元化やデータ取得の効率化を実現することで、開発者と商人の体験を向上させました。特に、ページの読み込み時間を短縮し、統一されたローディング体験を提供することが重要なポイントです。
  • Introducing Roast: Structured AI workflows made easy — Shopify Eng・重要度 4・ai-workflow この記事では、Shopifyが開発した「Roast」という新しいAIワークフローオーケストレーションフレームワークについて紹介しています。Roastは、非決定的なAIの動作と通常のコード実行を組み合わせた構造化されたワークフローを提供し、開発者の生産性向上に寄与します。オープンソースとして公開され、コミュニティの協力を得ながら、現代の開発における重要なツールとなることが期待されています。
  • How Shopify improved consumer search intent with real-time ML — Shopify Eng・重要度 4・ai-workflow Shopifyは、リアルタイムの機械学習を活用して、消費者の検索意図を理解し、関連性の高い商品を提供するための検索機能を強化しました。この取り組みにより、商人は売上を向上させ、消費者には快適なショッピング体験を提供できるようになっています。特に、埋め込み技術を用いたデータ処理の効率化が、リアルタイムでの更新を可能にしています。

🏢 AI組織導入・組織論（詳細 5・短冊 3）

1. Manage agents, tools and skills at scale with AWS Agent Registry — AWS ML Blog

どんなもの？ AWS Agent Registryは、AIエージェントやツールの管理を効率化するための中央カタログを提供する。

先行手法との違い 従来の方法では、各チームが独自にエージェントやツールを管理していたため、情報の重複や発見の困難が生じていたが、AWS Agent Registryは中央集権的な管理を可能にする。

技術のキモ AWS Agent Registryは、エージェント、ツール、スキルを登録・発見・管理するための単一のカタログを提供する。これにより、チームは既存のリソースを簡単に見つけ、重複した開発を避けることができる。自分のClaude Code運用に転用する場合、AWS Agent Registryを利用して、エージェントの管理と発見を効率化することが可能である。

評価 AWS Agent Registryは、エンタープライズ規模でのエージェントやツールの管理において、重要な役割を果たすと評価されている。特に、セキュリティレビューやアクセス制御の管理が強化される点が挙げられる。

議論点 AWS Agent Registryの導入により、エージェントの管理が効率化される一方で、全てのチームがこのシステムを適切に利用できるかどうかが課題となる。また、ガバナンスのルールが厳格すぎると、逆に利用が阻害される可能性もある。

次に読む - 2. Natera’s intelligent appointment scheduling with Amazon Bedrock AgentCore — AWS ML Blog - 2. Build agentic creative workflows with Amazon Quick and fal — AWS ML Blog - 5. Deepgram deepens Amazon SageMaker AI observability with Enhanced Metrics — AWS ML Blog

2. Polimill builds Japan's next-generation public AI infrastructure — OpenAI

どんなもの？ PolimillはOpenAIのGPTモデルとCodexを用いて、日本の公共AIインフラを構築し、行政知識の活用を促進する。

先行手法との違い 従来の行政システムでは情報の検索や利用が手動で行われていたが、PolimillはAIを活用することで効率化を図っている。

技術のキモ PolimillはOpenAIのGPTモデルとCodexを利用して、地方自治体が必要とする行政知識を迅速に検索・利用できるようにする。これにより、開発のスピードが向上し、行政サービスの質が向上する。自分のClaude Code運用においても、類似のAIモデルを活用して業務の効率化を図ることができる。

評価 著者は、Polimillのアプローチが地方自治体の業務効率を大幅に向上させると評価している。

議論点 AIを用いた行政知識の活用には、データのプライバシーやセキュリティに関する懸念が残る。これらの課題に対する解決策が必要である。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 2. How Trackunit turns construction data into decisions with AI — Databricks

3. Set per-user budgets on AI Gateway — Vercel

  • URL: Set per-user budgets on AI Gateway
  • 重要度: 4 / テーマ: org-adoption / 対象: manager
  • 実用 AI 活用: ✅ / ハーネス話題: — / 今すぐ使える: ✅

どんなもの？ AI Gatewayでユーザごとの予算設定が可能になり、チームのコスト管理が向上する。

先行手法との違い 従来のAPIキーやプロジェクト単位の予算に加え、個別のユーザ予算を設定できる点が新しい。これにより、特定のユーザがチーム全体の予算を消費することを防げる。

技術のキモ AI Gatewayでは、デフォルト予算とカスタム予算を設定できる。デフォルト予算は新規ユーザにも適用され、カスタム予算は特定のユーザに対して設定される。予算は月ごとにリセットされ、使用状況に応じたアラートも設定可能。これにより、チームは各メンバーの支出を効果的に管理できる。自分のClaude Code運用に転用する場合、ユーザごとの予算設定を行うことで、コストを明確に把握し、無駄な支出を防ぐことができる。

評価 著者はこの機能を通じて、チームのコスト管理が大幅に改善されると評価している。特に、無監視で動作するエージェントからの支出を制御できる点が強調されている。

議論点 ユーザ予算がAPIキーやプロジェクト予算とどのように連携するか、また、チーム内での予算管理の透明性をどう確保するかが今後の課題となる。特に、BYOK（Bring Your Own Key）を使用する場合の扱いについても議論が必要。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter

4. Beyond classification: How AI agents are evolving Shopify's product taxonomy at scale — Shopify Eng

どんなもの？ ShopifyはAIエージェントを用いて製品分類の進化を実現し、商取引の変化に対応する。

先行手法との違い 従来の手動による分類管理から、AIエージェントによる自動化と進化に移行し、スケーラビリティと一貫性を向上させた点が異なる。

技術のキモ ShopifyのAIエージェントシステムは、専門的な分析、知的な調整、品質保証の3つの原則に基づいて構築されており、製品データの論理構造や実際の製品データを分析することで、分類体系の継続的な進化を実現しています。自分のClaude Code運用においても、AIエージェントを活用して分類や属性の管理を自動化し、効率を高めることが可能です。

評価 著者は、AIエージェントの導入により、分類システムの質が向上し、商取引の変化に迅速に対応できるようになったと評価しています。

議論点 AIエージェントの導入に伴う新たな課題や、専門知識の維持、エージェントの信頼性についての議論が必要です。また、商取引の進化に伴う分類体系の変化にどのように対応していくかが今後の課題となります。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 2. How Trackunit turns construction data into decisions with AI — Databricks

5. Three Ways We Share Context at Shopify Engineering — Shopify Eng

どんなもの？ Shopifyのエンジニアリングチームは、開発ハンドブックやDev Talksを通じてコンテキストを共有し、成長を促進しています。

先行手法との違い 従来の情報共有手法と異なり、Shopifyは開発者が直接貢献できるハンドブックを持ち、リアルタイムで情報を更新・管理しています。

技術のキモ Shopifyの開発ハンドブックは、開発者が共同で情報を作成・更新できるプラットフォームです。Markdownを使用し、GitHubのプルリクエストプロセスを取り入れることで、開発者が容易にコンテンツを追加できます。これにより、技術的な知識が迅速に共有され、全体の開発文化が強化されます。自分のClaude Code運用に転用する際は、同様の共同作業の文化を育むことが重要です。

評価 著者は、開発ハンドブックが新入社員にとって必要不可欠なリソースであり、専門家にとっても有益であると評価しています。

議論点 コンテンツの新鮮さを保つことや、情報の管理方法に関する課題が残っており、特にチームの再編成に伴う情報の更新が難しい点が議論されています。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 1. Why your AI pilot stalled at the context gap — dbt Labs - 1. Reimagining work: How Pythian’s internal AI playbook delivers customer ROI — Google Cloud (AI/ML)

短冊（3 件）

  • When Culture and Code Reviews Collide, Communication is Key — Shopify Eng・重要度 4・org-adoption この記事は、異なる文化におけるコードレビューのコミュニケーションの重要性について述べています。文化によってフィードバックの仕方や礼儀の捉え方が異なるため、開発者は相手の背景を理解し、より良いコミュニケーションを築く必要があります。多様性を尊重することで、対立から協力へとシフトし、コードレビューの質を向上させることが可能です。
  • Perspectives on Onboarding: Joining Shopify as an Engineering Leader — Shopify Eng・重要度 4・org-adoption この記事は、Shopifyにおけるエンジニアリングリーダーのオンボーディング体験について述べています。新しいリーダーが会社の文化やプロセスを理解し、チームにスムーズに統合されるための意図的なプログラムが重要であることが強調されています。特に、他社からの転職者にとって、十分な学習時間と関係構築の機会が与えられることが、成功に繋がるとされています。
  • Managing Google Cloud Platform Project-Wide SSH Keys — Shopify Eng・重要度 4・org-adoption この記事では、Google Cloud Platformにおけるプロジェクト全体のSSHキー管理の重要性とリスクについて説明しています。特に、SSHキーがプロジェクトのメタデータに保存されることで、セキュリティ上の問題が生じる可能性があるため、効果的な管理手法が求められています。Shopifyでは、開発者が安全に作業できるように、SSHキーの自動管理ツール「SSH-Pruner」の構築を提案しています。

🗄️ データ基盤・データ組織（詳細 4・短冊 0）

1. BigQuery Graph is now GA: the knowledge foundation for the agentic era — Google Cloud (Data Analytics)

どんなもの？ BigQuery Graphは、データウェアハウスにネイティブなグラフ機能を統合し、AIエージェントのための知識基盤を提供する。

先行手法との違い 従来の手法ではデータを別のグラフデータベースに抽出する必要があったが、BigQuery Graphはデータウェアハウス内で直接グラフ分析を行える点が異なる。

技術のキモ BigQuery Graphは、ISO標準のグラフクエリ言語（GQL）をSQLと併用し、ETLなしでネイティブにトラバーサルを実行できる。これにより、データの移動やシステムの複雑さを軽減し、ペタバイト規模のデータを扱うことが可能になる。自分のClaude Code運用に転用する場合、BigQuery Graphを利用して、AIエージェントがデータを直接分析し、リアルタイムで意思決定を行うことができる。

評価 著者は、BigQuery Graphが脅威検出パイプラインにおいてゲームチェンジャーであると評価しており、複雑なトラバーサルを数秒で実行できる点を強調している。

議論点 AIエージェントがグラフをどのように利用するか、またその結果がどのようにビジネスに影響を与えるかについての議論が必要である。特に、エージェントの判断がどのように信頼性を持つかが今後の課題となる。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 1. Why your AI pilot stalled at the context gap — dbt Labs - 5. Deepgram deepens Amazon SageMaker AI observability with Enhanced Metrics — AWS ML Blog

2. Evolution of Product Classification at Shopify: From Categories to Comprehensive Product Understanding — Shopify Eng

どんなもの？ ShopifyはVision Language Modelsと製品分類体系を活用し、製品理解を深める技術を進化させた。

先行手法との違い 従来の機械学習手法から、マルチモーダルアプローチを経て、Vision Language Modelsを用いた包括的な製品理解へと進化した点が特徴的である。

技術のキモ Shopifyの製品理解システムは、Shopify Product TaxonomyとVision Language Modelsに基づいており、製品の階層的分類や属性の標準化を実現している。特にVision Language Modelsは、画像とテキストの関係を理解し、未見の製品を分類する能力を持つ。自分のClaude Code運用においては、これらの技術を用いて製品データの自動分類や属性抽出を行うことが可能である。

評価 著者は、モデルの進化に伴い予測精度が向上し、運用効率も維持されていると評価している。

議論点 製品理解の深化に伴い、さらなるメタデータの必要性やコンテンツの安全性に関する課題が残る。特に、異なるプラットフォーム間での分類の一貫性を保つことが今後の課題である。

3. How to Reliably Scale Your Data Platform for High Volumes — Shopify Eng

どんなもの？ Shopifyは、ブラックフライデーに向けてデータプラットフォームを150%スケールさせる戦略を解説。

先行手法との違い 従来のデータ処理手法と異なり、Shopifyはデータの取り込みから処理、配信までを一貫して最適化し、特に高負荷時の信頼性を重視している。

技術のキモ Shopifyのデータプラットフォームは、データの取り込み、処理、配信を効率的に行うために、Apache ParquetやApache Sparkを活用しています。特に、データの取り込みサービスは、メッセージの損失を防ぐために最適化されており、これをClaude Codeの運用に転用することで、データの流れをより効率的に管理できます。

評価 著者は、データプラットフォームがBFCM期間中に150%のスループット増加を達成したことを評価しており、これは過去のデータ処理能力を大きく上回る。

議論点 データプラットフォームの信頼性を確保するための戦略は有効だが、今後のさらなるスケーラビリティや新たなデータサービスの導入に関する議論が必要である。

次に読む - 1. AI’s third era: the rise of persistent AI coworkers | Tara Seshan (OpenAI’s product lead) — Lenny's Newsletter - 2. How Trackunit turns construction data into decisions with AI — Databricks

4. How to Build a Production Grade Workflow with SQL Modelling — Shopify Eng

どんなもの？ Shopifyがdbtを用いてデータサイエンティスト向けのSQLモデリングワークフローSeamsterを構築し、レポート作成を迅速化した。

先行手法との違い 従来のPySparkプラットフォームは、簡単なレポート作成に不向きで、長い開発時間を要したが、SeamsterはSQLを活用することでこれを改善した。

技術のキモ Seamsterは、dbtを利用してデータモデルの開発をモジュール化し、ユニットテストやCIパイプラインを導入することで、データサイエンティストが簡単にレポートを作成できる環境を提供します。自分のClaude Code運用に転用する場合、dbtの構造を活用して、データモデルの開発を効率化することが可能です。

評価 著者は、Seamsterの導入により、データサイエンティストの開発時間が大幅に短縮され、70%のPySparkジョブが不要になったと評価しています。

議論点 Seamsterの導入により、データサイエンティストの作業効率が向上したが、他のデータソースとの互換性や、将来的な拡張性については議論の余地がある。

次に読む - 1. Why your AI pilot stalled at the context gap — dbt Labs

作成: 2026-09-01 ／ 最終更新: 2026-09-01