クライアント-サーバー
伝統的なリクエスト-レスポンスモデル
技術とカルチャーの発信
伝統的なリクエスト-レスポンスモデル
双方向リアルタイム通信
サーバー→クライアント単方向ストリーム
GraphQLスキーマベースのリアルタイムイベント
イベント発生時のHTTPコールバック
メッセージブローカーを介した非同期通信
キューによる非同期タスク処理
中央サーバーなしの直接通信
リバーストンネルでローカルサーバーをインターネットに公開
WebhookなしでアウトバウンドWebSocketによるイベント受信
SSEによるトークン単位のリアルタイム応答配信
git push → HTTP POST → CI/CDトリガー
Redisベースのバックグラウンドジョブキューシステム
ブラウザ間の直接映像/音声/データ転送
AIモデルと外部ツールを標準方式で接続するオープンプロトコル
ローカル開発とクラウドSaaSデプロイの違い
ターミナルマルチプレクサでセッション維持&分割
WebRTCの複雑さに疲れQUICに移行した実践事例
単一WiFi信号の物理層データをレーダーのように活用
BLE信号だけで生活パターン・位置・行動が追跡される原理
Model-View-Controller — Railsのコアアーキテクチャ
Railsの核心哲学 — 規約が設定より優先
プロジェクトフォルダごとの役割と規約
Railsの下で動作するHTTP処理レイヤー
resources 1行で7つのルート自動生成
リクエストパラメータアクセスと許可リスト管理
アクション実行前後に共通ロジックを挿入する方法
複数のControllerで共有するモジュール
ORM — オブジェクトでデータベースを操作
コードでデータベーススキーマをバージョン管理
has_many、belongs_to — モデル間の関係設定
Modelレベルでデータ整合性を保証
保存/削除前後に自動実行されるフック
再利用可能なクエリに名前を付けて管理
パフォーマンスの敵 — includesで解決する方法
HTML内にRubyを挿入し再利用可能な部品に分離
ページの共通骨格をレイアウトで管理
form_withで安全で便利なフォーム作成
JavaScriptなしでSPAのようなUX実現
HTML中心の軽量JavaScriptフレームワーク
Rails標準認証システム
Cross-Site Request Forgery攻撃の自動防御
Mass Assignment攻撃防止
BDD(振る舞い駆動開発)テストフレームワーク
テストデータをクリーンに生成
HTTPリクエスト/レスポンスをテストする統合テスト
Active Job + Sidekiq — 重い処理を非同期で実行
Rails内蔵WebSocket — リアルタイム機能実現
繰り返し演算を減らしレスポンス速度を劇的に向上
JavaScript、CSS、画像等のフロントエンドアセット管理
My Convention — データロジックはControllerに、Helperは最小限に
ターミナルテーマと入力の最適化
トークン使用量 vs 知能レベルの調整
MCPサーバー、スキル、エージェント拡張
.claude/agentsにカスタムエージェントを作成
権限の事前承認でワークフローを加速
ファイル/ネットワーク分離で安全性を向上
コンポーザー下部にカスタム情報を表示
すべてのキーバインドを自由にリマップ
Claudeのライフサイクルに決定論的に介入
ローディングスピナーの動詞をカスタマイズ
応答トーンとフォーマットの設定
37個の設定 + 84個の環境変数
プロジェクト固有のコンテキストをClaudeに伝達
/コマンドで素早く機能を実行
セッション間のコンテキスト自動記憶
会話を汚さずに別の質問ができる機能
ツール使用を自動判断して長時間の自律作業が可能
音声でClaude Codeに指示する
プロジェクトルールをCursorに伝達
マルチファイル自動編集
コード自動補完の最適化
プロジェクトルールをCopilotに伝達
コードベース全体をコンテキストとして活用
Issue → Plan → Code 自動ワークフロー
CLAUDE.md vs .cursorrules vs copilot-instructions
AIコーディングエージェントに明確に指示する
トークン制限内で効率的に作業する
コード作成後すぐにテストを依頼
ニューロンを模倣したコネクショニスト学習モデル
Self-Attentionベースの並列処理アーキテクチャ
大規模データで汎用知識を学習する段階
事前学習モデルを特定タスクに合わせて再学習
人間フィードバックに基づく強化学習
報酬モデルなしで直接選好最適化
少数のパラメータのみ学習する効率的なFine-tuning
プロンプト設計でLLMの能力を最大限引き出す
検索で外部知識を注入して精度向上
段階的推論で複雑な問題を解決
LLMが外部ツールを呼び出して実際の作業を実行
モデルの重みを低精度に変換して軽量化
大型モデルの知識を小型モデルに伝達
必要な専門家のみ活性化して効率的スケーリング
小型モデルで予測草案を作成し大型モデルが検証
画像とテキストを同時に理解するAI
ノイズを段階的に除去して画像を生成
テキストを自然な音声に変換
LLMが自律的に計画しツールを使用してタスクを実行
AIと外部ツールを接続する標準プロトコル
評価(Eval)ベースでAIシステムを反復改善
AIを人間の意図と価値観に合わせて動作させる
憲法(原則)でAI自身を改善させる方法
AIが事実ではない内容をもっともらしく生成する現象
オーディオを離散トークンに変換してLLMのように処理
ルールベース → ディープラーニングパイプライン → トークンベース → 統合マルチモーダル
Pre-trainingとFine-tuningが実際のコードでどう動作するか