#api

Cloudflareが、self-managed OAuth をすべての開発者に開放しました。 これ、地味に見えてかなり大きなニュースです。というのも、OAuthは「外部アプリに、どこまで何を許可するか」を安全に扱うための仕組みで、SaaS連携や社内ツール、いま流行りのagentic toolまで、あちこちで土台になっているからです。 Cloudflareは自社のAPIを使って自動化やCI/CD、各種連携を作れる強いプラットフォームですが、これまでは第三者向けのOAuthは一部の手動オンボーディング済み統合に限られていました。 つまり、誰でも自由に「Cloudflare用のOAuthアプリ」を作れる状態ではなかったわけです。 その制限が外れた。ここが本題です。 CloudflareのOAuthが、限られた提携先だけでなくすべての開発者に開放された API token中心の運用よりも、権限を細かく分けやすく、取り消しもしやすい その裏側では、OAuthエンジンの大規模アップグレードをかなり慎重にやっていた データベース移行は派手。1億件超の更新・挿入が走っ

Quandriのエンジニアは、MCP（Model Context Protocol）は便利だが、実運用では問題も多いと指摘している 最大の弱点は、tool definitions（ツール定義）だけでコンテキストを食い潰すこと さらに、初期化失敗・再認証・途中クラッシュなど、運用の不安定さも気になる 既存のCLI/APIと役割がかぶる場面が多く、わざわざMCPを挟む意味が薄いケースがある 代替として、CLI-firstとSkillsの組み合わせがかなり有力だと主張している ただし、MCPが完全に不要という話ではなく、CLIがないサービスや権限管理が重要なDBではまだ出番がある MCPは Model Context Protocol の略で、LLM（大規模言語モデル）が外部ツールにつながるための仕組みです。 たとえば GitHub、Linear、Notion、Slack みたいなサービスを、AIが操作できるようにするイメージですね。 元記事では、MCPは「AI界のUSB-C」みたいに言われてきたけれど、**実際に毎日使

AI API料金は、「最強モデルを何でも使う」だけでかなり無駄になりがち 仕事の種類ごとにmodel routing（用途別の振り分け）をすると、コストが大きく下がる 安いモデルを先に使い、ダメなら高いモデルに回すtiered routingが効く cache（同じ回答の再利用）は、ほぼ“無料のお金”みたいな節約策 長すぎるpromptを短くするprompt compression、まとめて処理するbatch processingも効く 著者は、これらの工夫でAPIコストを大幅に削減できたと主張している この記事は、AI APIの請求額を一気に減らすための「実践的な節約術」をまとめたものです。 主張はかなりストレートで、「みんな最初から高いモデルを使いすぎ」「もっと安いモデルで十分な場面が多い」というもの。たしかに、これはかなり耳が痛い話です。 個人的には、この記事の面白さは“AIを賢く使う”というより、“AIの選び方を賢くする”ところにあると思います。 同じAI機能でも、モデルの選定や呼び出し方次第でコストが全然変わる。ここを雑

AnthropicのPrompt Cachingは、「毎回同じ前半部分を再送しなくてよくする」仕組み いちばん効くのは system prompt のキャッシュ tool definitions も別でキャッシュすると、エージェント用途でかなり強い 長い会話では、conversation history のキャッシュが効いてくる バッチ処理や間隔の空く処理では、1-hour TTL が便利 キャッシュは「前からの連続した一致」が重要で、順番や内容が少しでも変わると壊れやすい 著者は、こうした設計でAPI料金を 70%削減 したと報告している この記事は、AnthropicのAPI、つまりClaudeを呼び出すときのPrompt Cachingで料金を大きく下げた、という体験談です。 ざっくり言うと、Prompt Cachingは「前回と同じ部分は、また全部送らなくてもいいようにする仕組み」です。 たとえば、毎回同じ長い説明文やルールを送り続けるのって、地味にムダですよね。そこで、変わらない部分をキャッシュしておくと、次回からはその

Retry（再試行）は便利だが、無制限だと危険 ちょっとした遅延が、雪だるま式に大量アクセスへ化けます。 Autoscaling（自動拡張）は万能ではない Retryで増えた“見せかけの負荷”に反応すると、逆に不安定になります。 Replication（複製）もやりすぎると詰まる 耐久性を上げる仕組みが、同期コストでボトルネックになることがあります。 分散システムは“相互に反応する”のが怖い Retry、Autoscaling、Circuit breakerなどが同時に反応すると、障害が連鎖しやすいです。 大事なのは「完璧な信頼性」ではなく「制御された劣化」 無理に全部守るより、壊れ方を設計するほうが現実的です。 今回の記事のテーマは、Retry Storms（再試行の嵐） です。 名前は少し物騒ですが、やっていることは単純で、「失敗したらもう一回投げる」をみんなが同時にやりすぎて、システム全体を押しつぶしてしまう、という話です。 これ、かなり“あるある”だと思います。 人間の感覚だと「1回失敗したなら、もう1回試せばいいじゃない」と思い

GitHubで Pull Requests、Issues、Git Operations、API Requests に性能低下が発生した 影響は「つながらない」よりも “重い・遅い” というタイプの障害だった GitHubは 調査開始 → 継続調査 → 解決済み の順で状況を更新した 障害は 2026年5月27日 UTC に発生し、同日中に解決された 原因の詳細分析（root cause analysis）は、後日共有予定 とされている GitHubのステータスページに、`Incident with Pull Requests, Issues, Git Operations and API Requests` という障害情報が掲載されました。ざっくり言うと、GitHubの中核機能のいくつかが「落ちた」わけではなく、いつもよりかなり遅く、使いづらい状態 になっていた、という話です。 対象になったのは次の機能です。 Pull Requests Issues Git Operations API Requests ここでいう **Git Oper

参照元のRedditページは、この環境では本文を取得できず、実際の内容確認はできなかった タイトルから見ると、Claude AIの使い方をかなり技術寄りにまとめた解説記事だった可能性が高い ただし、現時点で確認できるのは「Reddit - Please wait for verification」という表示のみ そのため、この記事では元記事の断定的な要約ではなく、タイトルから読み取れる文脈と、読むときの注意点を中心に整理する 今回の元記事は、Reddit上の 「How to use Claude AI: a complete technical ...」 というタイトルの投稿ですが、こちらの環境では本文が取得できず、ページには 「Please wait for verification」 と表示されました。 つまり、中身を実際に確認したうえでの要約はできない 状態です。ここはかなり大事で、情報を雑に補完すると誤解を広げてしまうので、あえて無理に断定はしません。 とはいえ、タイトルだけでも雰囲気はかなり見えてきます。 Claude AI はAnthropi

OOD detection は、学習時に想定していなかった入力を見つける仕組みのこと 今回の話題は、closed LLM API に対してそれをどうやるのか、という実践的な悩み APIの中身が見えないので、モデルの内部確率や埋め込みを自由に使えないのが厳しい そのため、外から観測できる情報だけで判断する工夫が必要になる こういう問題は、LLMを「賢い会話相手」として使うだけでなく、安全性や運用まで考えると急に重要になる Redditに、`how do you do OOD detection on a closed LLM api?` というタイトルの投稿がありました。 要するに、「中身が見えない閉じたLLM APIに対して、OOD detectionをどうやるの？」という話です。 この質問、地味にかなり面白いです。というのも、LLMを使うときって、つい「答えが返ってくればOK」と思いがちなんですが、実運用ではそれだけでは足りません。 たとえば、医療、法務、社内FAQ、カスタマーサポートみたいな場面では、入力が想定範囲内かどうかを先に見極

DeepSeekのAPI料金ページは、ひとことで言うと「使った分だけ払う、でもその“使った分”の数え方がちょっと大事」という話です。 AI APIに慣れていない人にはやや取っつきにくいですが、内容自体はかなり整理されていて、料金の見え方もわかりやすい部類だと思います。 料金は 1M tokens（100万tokens）あたり で表示されている token は文章の最小単位で、単語・数字・記号などが含まれる 課金は input tokens + output tokens の合計で決まる 現在の主なモデルは deepseek-v4-flash と deepseek-v4-pro context length は 1M とかなり長い max output は 384K JSON Output / Tool Calls / Chat Prefix Completion は両モデルで対応 FIM Completion は non-thinking mode のみ対応 旧モデル名の **deepseek-chat /

MCPサーバーをブラウザで開くと、たいていは`401 Unauthorized`やJSONが返ってきて、一般ユーザーには「壊れて見える」 この記事の著者は、`GET /mcp` かつ `Accept: text/html` のときだけ案内用HTMLページを返すようにした これで「リンクが動かない」というサポート問い合わせが激減した 仕様の不親切さを、ちょっとした実装で現場が吸収した話としてかなり面白い AI時代らしいノリはあるが、実際に助けになるのはこういう泥臭い工夫だと思う この記事は、HybridLogic の Luke Lanchester さんが書いた「MCP Hello Page」という短い実践メモです。 内容はかなりシンプルですが、実はとても現場っぽい悩みが詰まっています。 まず MCP とは、ざっくり言うと LLM（AIアシスタント）に外部ツールやデータをつなぐための仕組み です。 たとえば、社内ツールや外部サービスをAIクライアントから使えるようにするイメージですね。 で、問題はここ。 MCPサーバーのURLをブラウザで開いても、普通のWebページは出てきません

AIチームは、検索エンジンのデータ取得のために web scraper を自作しがちだが、かなり手間がかかる SerpApiは、その面倒を「1つのAPI call」で代替するサービスとして紹介されている 単にデータを取るだけでなく、AIシステムが使いやすい「きれいでリアルタイムなデータ」を返すのが売り 検索エンジンの scraping は、動くときは便利だが、ある日突然壊れるのが厄介 この記事は、AI時代のデータ取得において「自前で苦労するより、外部サービスを使う価値があるのでは」と示している AI開発の現場では、いま「データをどう集めるか」がかなり重要になっています。特に検索エンジンの結果ページは、マーケティング、競合調査、トレンド分析、そしてAIの学習や推論の材料としても魅力的です。 でも、ここに大きな落とし穴があります。検索エンジンの情報を自動で取る、いわゆる web scraping（Webページからデータを機械的に抜き出すこと）は、思った以上に面倒で、しかも壊れやすいのです。 The New Stack の記事は、まさにこの問題を取り上げています。タイトルはかなり直球