コンテンツにスキップ

AI / Engineering Digest — 2026-09-30

9900 件中 29 件選別、詳細要約（落合式）8 件＋短冊 15 件。実用 AI 活用 22 件、ハーネス系 4 件。

詳細要約（落合式）

1. Engineering the harness: A practical pattern for reliable coding agents — Thoughtworks Insights

どんなもの？ AIコーディングエージェントの信頼性を高めるためのハーネス設計手法を解説。

先行手法との違い 従来の手法ではAIの局所的な最適化に依存していたが、本記事ではシステム全体を考慮したハーネス設計が提案されている。

技術のキモ ハーネスは、エージェントの行動を制約するガイドと、行動後に出力を検証するセンサーの二層構造を持つ。これにより、エージェントの自由な行動を防ぎつつ、必要な場合に人間の判断を挟むことができる。自分のClaude Code運用においては、これらのガイドラインを適用することで、エージェントの出力をより安全に管理できる。

評価 著者は、ハーネス設計がエージェントの出力の信頼性を大幅に向上させると評価している。

議論点 AIエージェントの行動を完全に制御することは難しく、特に新たなエッジケースやランタイムエラーに対する検証が課題である。今後の研究で、より効果的なセンサーの設計が求められる。

次に読む - 3. アラート対応のAI自動化で考える、思考フローの再現とハーネスによる安全設計 — ZOZO Tech - 5. Your agent loop is not a production system — LeadDev - 1. Path to AI-first organization — Thoughtworks Insights

2. How Diffusion Controller unifies and simplifies AI image generation — Google Research

どんなもの？ Diffusion Controllerは、AI画像生成の精度を向上させる軽量な制御ネットワークです。

先行手法との違い 従来の手法は、画像生成を断片的に扱っていたが、Diffusion Controllerは連続的な制御問題として再定義し、ユーザーの意図に沿った生成を実現する。

技術のキモ Diffusion Controllerは、画像生成プロセスを滑らかに制御するためのフレームワークで、生成中にモデルの挙動を動的に調整します。これにより、ユーザーの意図に沿った画像生成が可能になり、品質を損なうことなく、特定のスタイルやコンテキストに合わせた調整が行えます。自分のClaude Code運用に転用する場合、Diffusion Controllerのアプローチを用いて、生成プロセスの各ステップでの調整を行うことができます。

評価 Diffusion Controllerは、業界標準を上回る人間の好みに対する一致率を示し、完全に調整されたモデルはベースラインモデルに対して90%の勝率を達成した。

議論点 Diffusion Controllerのアプローチは、クローズドソースモデルに対する制御を可能にするが、実際の適用においては、モデルの内部構造に依存するため、さらなる研究が必要である。

次に読む - 1. Automating coherent long-form video generation — Google Research - 2. AI-powered fuzzing with the GitHub Security Lab Taskflow Agent — GitHub Security Lab

3. Prompt engineering fundamentals for Amazon Quick — AWS ML Blog

どんなもの？ Amazon Quickにおけるプロンプトエンジニアリングの基本を学び、AI機能の質を向上させる方法を解説。

先行手法との違い 従来の手法では曖昧なリクエストが多く、具体的な指示が不足していたが、プロンプトエンジニアリングにより明確な指示が可能となり、結果の質が向上する。

技術のキモ プロンプトエンジニアリングの基本原則を理解することで、AIの応答精度を高めることができる。具体的には、リクエストの明確さ、ビジネスコンテキストの提供、具体例の提示が重要である。自分のClaude Code運用においても、これらの原則を適用することで、より効果的なAIの活用が可能となる。

評価 著者は、具体的なプロンプトがAIの応答の質を大きく向上させることを強調しており、実際のビジネスシナリオにおいてもその効果が確認されている。

議論点 プロンプトエンジニアリングの原則が全ての状況に適用できるかどうか、また、特定の業界や用途における最適なプロンプトの設計についてはさらなる議論が必要である。

4. Prompt engineering by Quick component: Patterns and pitfalls — AWS ML Blog

どんなもの？ Amazon Quickを活用したプロンプトエンジニアリングの技術と実践的な落とし穴を解説。

先行手法との違い 従来のプロンプトエンジニアリング手法と異なり、Amazon Quickは特定のコンポーネントに基づいてプロンプトを解釈し、具体的な結果を得るための技術を提供する。

技術のキモ Amazon Quickのプロンプトエンジニアリングでは、具体的な目標設定、情報源の選定、複雑なトピックの分解が重要です。これにより、AIツールから得られる出力の質が向上します。自分のClaude Code運用に転用する際は、具体的な指示を与えることで、より精度の高い結果を得ることが可能です。

評価 著者は、具体的なプロンプトが出力の質を大きく向上させると評価しており、特に具体性が重要であると強調しています。

議論点 プロンプトの具体性が出力に与える影響については、さらなる実証が必要です。また、異なる業界や用途における最適なプロンプトの構造についての議論も求められます。

5. Building an AI-powered contract intelligence platform with Amazon Quick and Amazon Bedrock AgentCore — AWS ML Blog

どんなもの？ Amazon QuickとBedrockを用いた契約インテリジェンスプラットフォームが、契約データの効率的な抽出と分析を実現。

先行手法との違い 従来のRAG手法は、単一の契約に対する質問には有効だが、ポートフォリオ全体の集計には対応できない。新しいアプローチは、契約データを構造化し、集計を可能にする点で異なる。

技術のキモ このプラットフォームは、契約PDFから重要なフィールドを抽出し、データベースに格納することで、ポートフォリオ全体の集計を実現します。AIエージェントが非構造化データを構造化データに変換し、分析ツールを用いて迅速に質問に答えます。自分のClaude Code運用に転用する場合、同様のデータ抽出と集計のフレームワークを構築することが可能です。

評価 著者は、AIを用いた契約データの抽出と分析が従来の手法よりも効率的であると評価しており、特に大規模なデータセットにおいてその効果が顕著であると述べています。

議論点 このアプローチは、契約管理の効率化に寄与する一方で、AIの精度やデータの整合性に関する懸念が残ります。また、他の業界への応用可能性についても議論が必要です。

6. Introducing Quine: An AI research system designed for the complexity of biology — Microsoft Research

どんなもの？ Quineは、バイオロジーの複雑さに対応するためのAI研究システムで、異なるデータを統合し、実験前に計算で可能性を探る。

先行手法との違い 従来の手法は単一のデータセットに依存することが多いが、Quineは異なるモダリティを統合し、知識を横断的に結びつける点で異なる。

技術のキモ Quineは、バイオロジーの世界モデルを構築し、異なるデータタイプ（シーケンス、構造、機能など）を統合して学習することで、相互に関連する情報を活用します。これにより、実験の前に計算を通じて可能性を探ることができ、限られたリソースを効率的に使用することが可能になります。自分のClaude Code運用に転用する場合、Quineのアプローチを参考にして、異なるデータソースを統合し、予測モデルを構築することが考えられます。

評価 著者は、Quineがバイオロジーの複雑な問題に対する新しいアプローチを提供すると評価しており、特に異なるデータモダリティを統合する能力に注目しています。

議論点 Quineの実用化には、実験的な検証が必要であり、出力が不完全または不正確である可能性があるため、科学者によるレビューが不可欠です。また、バイオロジーの複雑さをどのようにモデル化するかについての議論が続くでしょう。

7. Claude Code’s Next Era — Thariq Shihipar, Anthropic — Latent Space

どんなもの？ Claude Codeは、エージェントのセキュリティとインターフェースの進化を通じて、ソフトウェア開発の新たなパラダイムを提示する。

先行手法との違い 従来のソフトウェア開発手法と異なり、Claude Codeはエージェントが自己修正し、チーム間で協力する能力を持つ点が新しい。

技術のキモ Claude Codeは、ユーザーの質問を引き出すインターフェースや、持続的な生成インターフェースとしてのアーティファクトを活用しています。これにより、エージェントはより効率的に作業を行い、ユーザーは初期プロンプトに多くの時間をかけることで無駄を減らすことができます。自分のClaude Code運用に転用するには、初期プロンプトの設計に注力し、エージェントの能力を最大限に引き出すことが重要です。

評価 著者は、Claude Codeがエージェントのセキュリティ問題に対処するための新しいアプローチを提供していると評価しており、特にエージェントの能力が向上するにつれて、従来のセキュリティ仮定が維持しにくくなる点を指摘しています。

議論点 エージェントの能力が向上することで、未知のリスクが増加する可能性があり、これに対するセキュリティ対策が急務です。また、エージェントの自己修正能力が進化する中で、どのように安全性を確保するかが今後の大きな課題となるでしょう。

次に読む - 3. アラート対応のAI自動化で考える、思考フローの再現とハーネスによる安全設計 — ZOZO Tech - 5. Your agent loop is not a production system — LeadDev

8. AI Native by Design: Lessons Learned from Building NVIDIA TensorRT Model Connect — NVIDIA Developer

どんなもの？ NVIDIA TensorRT Model Connectは、AIエージェントを活用した効率的なモデル開発を実現するオープンソースプロジェクトです。

先行手法との違い 従来の開発手法では、AIモデルの開発は直列的であったが、TensorRT Model Connectは並列処理を可能にし、エージェントの活用で効率を向上させている。

技術のキモ TensorRT Model Connectは、AI出力をモジュール化し、検証可能な作業単位として扱うことで、システムの安定性を確保しています。具体的には、エージェントに結果と基準を提供し、実装手順を指定するのではなく、目標と評価基準を設定することで、エージェントが学習したパターンを活用できるようにしています。これにより、AIエージェントの運用においては、柔軟な実装経路を持ちながらも、受け入れ基準は厳格に保たれます。

評価 プロジェクトは、128のモデルファミリーをカバーし、NVIDIA GB300でテストされており、エージェントの生産性向上に寄与していることが示されています。

議論点 AIネイティブな開発のアプローチは、すべてのプロジェクトに適用できるわけではなく、特定の条件下での効果が期待される。今後の課題として、AIエージェントの導入がもたらす新たなエラーの可能性や、人的判断の役割についての議論が必要です。

次に読む - 5. Your agent loop is not a production system — LeadDev - 7. NVIDIA Open Agent Safety Platform: A Reference for Continuous In-Silicon Agent Monitoring — NVIDIA Developer

短冊（タイトル・リンク・要約 15 件）

  • Build with Azure Canvases: a shared workspace for agents — Microsoft DevBlogs・重要度 4・ai-workflow Azure Canvasesは、GitHub Copilotと連携し、インタラクティブな作業空間を提供します。これにより、リソースのブラウジングやコスト分析を行いながら、エージェントと共同作業が可能になります。特に、Azure Functionsやコストヘルスチェックなどの機能を活用することで、効率的なワークフローを実現し、AIの利用コストを削減できます。
  • Enabling Consistent AI-Assisted Engineering with GitHub Copilot Plugins — Microsoft DevBlogs・重要度 4・ai-workflow この記事は、GitHub Copilotプラグインを活用して、エンジニアリングチームが一貫したAI支援のワークフローを実現する方法について説明しています。特に、アーティファクトの共有と更新管理の課題に対処し、バージョン管理を通じて効率的なツールキットを提供することの重要性が強調されています。これにより、エンジニアは既存の開発環境で簡単に導入し、アプリケーション固有の文脈を維持しながら作業を進めることが可能になります。
  • How Condé Nast built multimodal video discovery with Amazon Bedrock — AWS ML Blog・重要度 4・ai-workflow コンデナストは、Amazon Bedrockを活用して、140,000本以上の動画からのマルチモーダルな動画発見を実現しました。従来の手法では250分かかっていた作業が、AIを用いた意図に基づく検索により2分未満に短縮され、編集チームは自然言語での検索や画像アップロードによる類似コンテンツの発見が可能になりました。この技術により、コンテンツの発見効率が大幅に向上し、収益性の向上に寄与しています。
  • Why has Shopify dropped React Native? — The Pragmatic Engineer・重要度 4・industry ShopifyがReact Nativeを放棄し、ネイティブ開発に移行した理由を探る記事です。AIの進化により、モバイルコードの生成が容易になり、Shopifyはネイティブアプリの開発を12週間で完了させることができました。この変化は、パフォーマンス向上を求める動きの一環であり、他の企業でも同様の傾向が見られます。
  • Not About Navier-Stokes — O'Reilly Radar・重要度 4・ai-workflow この記事は、AIがナビエ-ストークス問題の解決にどのように関与するかを直接扱っていないが、AIを利用することの意義について考察している。著者は、AIが情報を整理する能力を持つ一方で、知識を自分のものにする過程の重要性を強調し、AIを補助的なツールとして活用することの価値を示している。
  • We tested our own WAF with frontier AI models. Here’s what we found — Cloudflare・重要度 4・llm-production この記事では、Cloudflareが自社のWAFを最前線のAIモデルを用いてテストした結果を報告しています。AIが攻撃手法を迅速に変化させる能力を活かし、1,107回の攻撃試行のうち大半がWAFによってブロックされたことが示され、これにより新たな検出手法が開発されました。WAFの適切な配置とソフトウェアのパッチ適用が重要であることも強調されています。
  • How to Outcompete Your Client’s AI — MIT Sloan Review・重要度 4・industry この記事は、サービス提供者が自社の専門知識だけでなく、コストや利便性、信頼性で競争する必要があることを論じています。生成AIの普及により、クライアントが内部で専門的な業務を行えるようになり、外部の専門家の必要性が減少しています。サービス提供者は、ユニットエコノミクスの改善や購入のしやすさを向上させることで、競争力を維持する方法を模索する必要があります。
  • A Data Center Is a Dependency Graph Before It Is a Building — O'Reilly Radar・重要度 4・infra-ml この記事は、ハイパースケールデータセンターの運用準備における依存関係グラフの重要性について述べています。物理インフラが整った後、サービスの起動順序や依存関係を正確に把握することが、スムーズな運用開始に不可欠であることを強調しています。特に、隠れた依存関係やループの存在が、計画の進行を妨げる可能性があるため、全体の視点を持つことが重要です。
  • Evolving our calendar assistant Reclaim to be AI-native without starting over — Dropbox Tech・重要度 4・ai-workflow この記事は、Dropboxが所有するカレンダーアシスタント「Reclaim」が、AIを活用してユーザーのスケジュール管理をより直感的に行えるよう進化している様子を紹介しています。特に、自然言語でのリクエストをカレンダーの文脈に結びつける新しいエージェントプラットフォームの構築に焦点を当てており、ユーザーが自分の言葉でスケジュールを調整できる利便性を提供しています。
  • チームの記憶を検索可能にしたら、AIにタスクを丸ごと任せられるようになった — LINEヤフー Tech・重要度 4・rag この記事では、LINEヤフーのメトリクスチームが開発した社内RAG「team-brain」を紹介しています。このシステムは、散在する知識を一元的に検索可能にし、AIにタスクを任せるための基盤を提供します。特に、生成しないRAGの設計により、情報の正確性を保ちながら効率的な検索を実現しています。
  • Kafkaアラートの初動調査を支援するAI Alert Watcherの開発（インターンレポート） — LINEヤフー Tech・重要度 4・ai-workflow この記事は、法政大学のインターン生が開発した「AI Alert Watcher」について述べています。このアプリは、Kafkaのアラートを受け取った際に、Grafanaからメトリクスやログを調査し、運用者に優先度や原因の手掛かりを提供する役割を果たします。開発過程での課題や設計変更を通じて、初動調査の効率化を図った点が特に重要です。
  • Helping personal agents shop more intelligently and reliably with Link — Stripe Eng・重要度 4・ai-workflow この記事は、StripeのLinkが個人AIエージェントのショッピング体験を向上させるための新機能を紹介しています。エージェントは、購入時の価格変動に対応するための段階的承認や、消費者の購買履歴を分析してより良い商品提案を行うことが可能になり、さらに購入保護も提供されるようになりました。これにより、消費者はエージェントを通じてより安心して買い物ができるようになります。
  • Lower the Cost of Building and Running Visual AI Agents with NVIDIA VSS Blueprint 3.3 — NVIDIA Developer・重要度 4・llm-production NVIDIAのVSS Blueprint 3.3は、視覚AIエージェントの構築と運用コストを削減するための新機能を提供します。特に、Build Vision Agentスキルにより、開発者は短時間で複数のワークフローを統合したアプリケーションを構築でき、Adaptive Efficient Video Sampling（EVS）によって運用コストも低減されます。これにより、視覚AIエージェントの実用化が加速し、効率的な運用が可能になります。
  • Synapse開発日記: AIエージェントの回答品質を継続的にテストする — カンム Tech・重要度 4・llm-eval この記事では、社内AIエージェント「Synapse」の回答品質を継続的にテストするための評価基盤の構築について述べています。SQLのExecution Accuracyや自然言語のRubric評価を用いて、急な品質低下を早期に検知する仕組みを目指しており、生成AIの不確実性に対処する重要性が強調されています。
  • GPT-6.1 Sol now available on AI Gateway — Vercel・重要度 3・llm-production OpenAIのGPT-6.1 SolがAI Gatewayで利用可能になりました。このモデルは、複雑な文書の読み取りやマルチステップのワークフローを実行する能力を向上させており、特にコードのデバッグやビジネスタスクの処理に適しています。価格もGPT-6 Astraより低く、長い共有コンテキストを再利用するリクエストに便利です。

🏢 AI組織導入・組織論（詳細 5・短冊 1）

1. ECS のタスクロールで Google Cloud のサービスアカウントを impersonate し、サービスアカウントキーを廃止する — MNTSQ Tech

どんなもの？ AWSのECSからGoogle CloudのAPIを呼び出す際、サービスアカウントキーを廃止しWIFを利用する手法を解説。

先行手法との違い 従来のサービスアカウントキーを使用した認証方法に対し、WIFを利用することでキーの管理負担を軽減し、セキュリティを向上させる点が異なる。

技術のキモ 本稿では、AWSのECSタスクロールを用いてGoogle Cloudのサービスアカウントをimpersonateする方法を解説。これにより、長期的なサービスアカウントキーの管理が不要になり、セキュリティリスクを低減できる。自分のClaude Code運用においても、同様のWIF構成を適用することで、キーを持たずに安全にGoogle Cloudのリソースにアクセスできるようになる。

評価 著者は、WIFの導入により認証のセキュリティが向上し、運用負担が軽減されると評価している。

議論点 WIFの導入に伴う新たな運用フローや、AWSとGoogle Cloud間の連携における課題については、今後の検討が必要である。

次に読む - 3. アラート対応のAI自動化で考える、思考フローの再現とハーネスによる安全設計 — ZOZO Tech - 4. Introducing Ask, a new Google Earth Engine feature to accelerate geospatial coding — Google Cloud (Data Analytics) - 5. Best practices guide for customizing Gemini models via Reinforcement Learning (RL) — Google Cloud (AI/ML)

2. Using AI to chart a course for our post-quantum migration — Cloudflare

どんなもの？ CloudflareはAIを活用し、2029年までにポスト量子暗号化への移行を進める。

先行手法との違い 従来の手法では暗号の発見や管理が困難だったが、AIを用いることで効率的に対応可能となる。

技術のキモ CloudflareはCryptoLabeという内部ツールを開発し、コード内の暗号の使用状況を把握し、ポスト量子移行の道筋を示す。AIを活用することで、暗号の発見や使用状況の分析が効率化され、移行計画の策定が容易になる。自分のClaude Code運用に転用する際は、同様のAIツールを開発し、暗号の使用状況を可視化することが考えられる。

評価 Cloudflareは多くの製品をポスト量子暗号化に移行済みで、進捗を測るためのメトリクスを提供することを目指している。

議論点 ポスト量子暗号化の標準が未確立であるため、移行計画には多くの不確実性が伴う。特に、依存関係やプロトコルの対応状況が移行の進捗に影響を与える可能性がある。

次に読む - 2. How we found 24 Android vulnerabilities using our open source AI security agent — GitHub Security Lab - 3. AI-powered fuzzing with the GitHub Security Lab Taskflow Agent — GitHub Security Lab

3. Introducing Threat Signals: agentic skills for open-source threat intelligence, free for every Cloudflare account — Cloudflare

どんなもの？ CloudflareのThreat Signalsは、オープンソース脅威インテリジェンスを自動化し、迅速な対応を可能にするAIツールです。

先行手法との違い 従来の脅威インテリジェンス手法は手動での情報処理が中心でしたが、Threat SignalsはAIを用いて自動化し、スケーラビリティを向上させています。

技術のキモ Threat Signalsは、選択したオープンソースのRSSフィードを監視し、記事を自動的に要約、インジケーターを抽出し、タグ付けを行います。これにより、脅威インテリジェンスのデータセットが構築され、迅速な意思決定が可能になります。自分のClaude Code運用においては、Threat Signalsのスキルを活用して、特定の脅威情報を自動的に収集し、分析することができます。

評価 Cloudflareは、Threat Signalsを通じて、脅威インテリジェンスの専門知識をスケールさせる新たなアプローチを提供しており、顧客からのフィードバックを基に機能を拡張しています。

議論点 オープンソースの脅威情報を活用することは重要ですが、情報の信頼性や正確性をどう確保するかが課題です。また、AIによる自動化が進む中で、専門家の判断がどのように活かされるかも議論の余地があります。

次に読む - 3. アラート対応のAI自動化で考える、思考フローの再現とハーネスによる安全設計 — ZOZO Tech - 2. How we found 24 Android vulnerabilities using our open source AI security agent — GitHub Security Lab - 1. QA テストケースの AI 生成をスキル化し、精度検証から実運用まで行った話 — CyberAgent Developers

4. AI makes critical thinking harder to build — LeadDev

どんなもの？ AIの導入がクリティカルシンキングの育成を難しくし、リーダーはその重要性を再認識する必要がある。

先行手法との違い 従来の手法では、経験を通じて自然に育まれたクリティカルシンキングが、AIの導入により機会が減少し、育成が難しくなっている点が異なる。

技術のキモ AIの導入により、エンジニアは迅速に知識にアクセスできる一方で、思考のプロセスが省略されがちである。これにより、判断力の育成が難しくなり、AIの出力に依存する傾向が強まる。自分のClaude Code運用においては、AIの出力を鵜呑みにせず、必ず自分の判断を加えることが重要である。

評価 著者は、AIの導入がクリティカルシンキングの育成に悪影響を及ぼすと評価しており、特に若手エンジニアにおいてその影響が顕著であると述べている。

議論点 AIの利用が進む中で、クリティカルシンキングの育成がどのように行われるべきか、またそのためにリーダーがどのように環境を整えるべきかが議論の余地がある。

5. How Databricks rolls out frontier models to 12,000 employees on Day 1 — Databricks

どんなもの？ Databricksは、Unity Gatewayを活用して新しいAIモデルを12,000人の従業員に即時提供し、効率性を評価する手法を紹介。

先行手法との違い 従来のモデル導入手法と異なり、DatabricksはUnity Gatewayを用いて迅速かつ効率的に新モデルを展開し、リアルタイムでの評価を行う点が特徴。

技術のキモ Unity Gatewayを中心に、UG CLIを利用して新モデルの設定を各従業員のデバイスに配信。これにより、モデルの実験的な使用を促進し、データ収集を通じてモデルの有効性を評価。自分のClaude Code運用に転用する際は、UG CLIを活用して新しいモデルの設定を迅速に配信し、効果を測定することが可能。

評価 Opus 5.5はコストと品質の両面で大幅な改善を示し、ユーザーからも高い評価を得ている。特に、コストは29%削減され、品質も向上したと報告されている。

議論点 新モデルの実験的なタグ付けが、従業員の使用意欲にどのように影響するかは今後の課題。また、モデルの長期的な有効性をどのように維持するかも重要な議論点。

次に読む - 2. Grok 4.7 is now available on Amazon Bedrock — AWS ML Blog - 3. PC手配の業務改善を、要件定義から開発依頼までAIと進めてみた — DeNA Engineering

短冊（1 件）

🗄️ データ基盤・データ組織（詳細 2・短冊 0）

1. Adaptive application security for the AI era: how Cloudflare connects code, traffic, and intelligence to stop attacks — Cloudflare

どんなもの？ CloudflareはAI時代におけるアプリケーションセキュリティを強化するための包括的なフレームワークを提案している。

先行手法との違い 従来のセキュリティ手法は単一のツールに依存していたが、AIエージェントの攻撃は複数の経路を同時に利用し、より複雑な攻撃を可能にしている点が異なる。

技術のキモ Cloudflareは、リスクの発見、アクセスの管理、アプリケーションの保護、調査の強化を統合したフレームワークを提供する。特に、LLMを用いたペネトレーションテストや脅威インテリジェンスの拡張が新たな機能として加わっている。自分のClaude Code運用においては、これらの手法を活用してセキュリティテストを自動化し、脆弱性を早期に発見することが可能になる。

評価 著者は、AIエージェントによる攻撃の迅速さと複雑さを強調し、従来の手法では対処しきれないことを示唆している。

議論点 AIエージェントによる攻撃の進化に対して、どのようにセキュリティ対策を進化させるべきかが議論の余地がある。特に、AIの進化に伴う新たな脅威に対する適応が求められる。

次に読む - 2. How we found 24 Android vulnerabilities using our open source AI security agent — GitHub Security Lab - 3. AI-powered fuzzing with the GitHub Security Lab Taskflow Agent — GitHub Security Lab

2. Enforce positive security with Cloudflare Application Profiles — Cloudflare

どんなもの？ CloudflareのApplication Profilesは、HTTPリクエストの構造を学習し、ポジティブセキュリティポリシーを強化する技術です。

先行手法との違い 従来のセキュリティ手法は既知の攻撃シグネチャに基づいていましたが、Application Profilesはリクエストの期待される構造に基づいて検証を行い、より柔軟かつ効果的に攻撃を防ぎます。

技術のキモ Application Profilesは、HTTPリクエストの構造を学習し、期待される形式に基づいてリクエストを検証します。これにより、SQLインジェクションやクロスサイトスクリプティングなどの攻撃を未然に防ぐことが可能です。自分のClaude Code運用に転用する場合、リクエストの構造を学習させ、期待される形式を定義することで、セキュリティを強化できます。

評価 Cloudflareは、Application Profilesを導入することで、攻撃面を大幅に削減できると評価しています。具体的な定量メトリクスは示されていませんが、リクエストの検証によって多くの攻撃ベクトルを防ぐことが期待されています。

議論点 新しいリクエスト形式やアプリケーションのリリースによって、非適合なリクエストが発生する可能性があるため、最初は観察モードでの運用を推奨しています。これにより、実際の影響を確認しながら適切なルールを設定することが重要です。

作成: 2026-09-30 ／ 最終更新: 2026-09-30