テイラーの隠れ家

Meta-Harness と autoresearch をニュースだけで読むと、ほぼ外します。モデル・エージェント・ハーネス・retrieval・eval を踏んで autoresearch・Meta-Harness・OMX・OMC まで読む8ステップ。Claude や Codex はもう使っているけれど、内

Autoresearch を「AIがひとりで研究する機械」として読むと見落とす核心がある。仮説・行動・観察・解釈・更新の5つが反復構造で組み込まれたシステムだという点。Sakana AI Scientist・FunSearch の事例と限界、Meta-Harness との違いまで。AIのしくみ地図16編。

AI、ML、ディープラーニング、ニューラルネット、Transformer、LLM。ニュースで入り乱れる用語の大きさと関係を、マトリョーシカの比喩ひとつで最後まで整理する。AIのしくみ地図20編シリーズの最初の一歩。技術バックグラウンドがなくても追える。

Meta-Harness を「AIが自分のプロンプトを自動で直す技術」と読むと層の違いを取りこぼします。改善の対象を「答え」から「ハーネス(AGENTS.md/CLAUDE.md/hooks/permissions/verification loop)」へ一段上げる話です。DSPyとの距離、5つの最適化対象、

ChatGPT・Claudeを2〜3年使っていても「LLMって何ですか?」でつまずく方へ。次トークン予測、トークン、パラメータ、学習/推論、ハルシネーションまで、比喩ひとつでつなげて読めるように整理します。AIのしくみ地図1編。

OMX(Oh My Codex) / OMC(Oh My Claude Code) を「自己改善AI」として読むと誇張になります。いま検証されているのは runtime / workflow overlay + project-scoped state visibility まで。autoresearch・M

ChatGPT・Claudeの中にはどれもTransformerが入っています。でも「Transformerって具体的に何?」と聞かれると、みんな言葉を濁してしまう。RNNの限界から attention、multi-head、層の積み重ねまで、比喩ひとつで追いかけられるように整理しました。AIのしくみ地図2編

「RAG は死んだのか」という問いに、テイラーが自分の言葉で答えます。死んだのは1層(単純 embedding + 一回きり retrieval)だけで、2〜4層(GraphRAG・Agentic・Memory Adaptation)はむしろ拡張中。long context が代替できない理由と、実務者の判断

2017年のTransformerは翻訳用のencoder+decoderという2つの塊でした。今使っているChatGPT・Claude・Gemini・Llamaはほぼすべてdecoder-only。なぜencoderを捨てたのか、BERT/T5/GPTがなぜ違う設計なのか、encoderが今も生きている領域

Meta-Harness は実務的に何なのか。テイラーが自分の言葉で答えます。学界の未来形用語ではありません。あなたが毎日 CLAUDE.md や Cursor rules を書き直しているなら、もう手作業の Meta-Harness をやっています。導入すべき5つのサイン、3ステップの最小ルーティン。AIの