#devops

What surprised me most here is not that the setup broke. It’s that it broke in five different directions, and most of the failures were *self-inflicted by automation that had too much authority*. That’s the part I’d actually take seriously if I were running something similar: not the individual bugs, but the pattern of an agent with shell access, resumable state, and the habit of “helping” while you’re trying to repair it. The strongest bit in the post is the ugly one about the agent resuming it

この記事を読んでまず思ったのは、こういう切り分けを最初から言語化しておくのはかなり大事だ、ということだった。MCP server まわりって、つい「テスト通ったし大丈夫」で済ませたくなるけれど、著者はそこをはっきり否定している。protocol と、agent が実際に使ったときの挙動は別物だ、という指摘は地味だけど効く。 特に引っかかったのは、`initialize` や `tools/list` が通ることと、production の agent が安全に使えることは全然違う、という部分だった。これは言われれば当たり前なのに、現場だとかなり混同されやすい。人間が curl して成功したログを見て安心してしまう、あの感じに近い。けれど agent は気まぐれだし、似た tool を取り違えるし、失敗すると retry もする。その結果、最後の応答だけ見ていると見逃す副作用が残る。ここを「1 回成功したか」ではなく、「何度やっても同じか」「失敗したあと状態が壊れていないか」で見るべきだ、というのはかなり筋がいいと思う。 もう一つよかったのは、これは checklist ではなく rub

This is the kind of release that looks boring until you’ve ever had to run an AI tool inside a real company. Then it suddenly feels like the only part that matters. The model is almost never the hardest thing. The hard part is identity, policy, audit trails, and making sure one enthusiastic developer doesn’t accidentally turn a nice demo into a compliance headache. So my first reaction is: yes, this is useful, and also yes, it’s very enterprise-shaped. Claude apps gateway sounds less like a flas

MCP serverは、AIエージェントが使う道具箱のようなもの その道具箱の説明文やスキーマが、ある日こっそり変わると、エージェントの振る舞いも変わってしまう この記事は、その変化をnpmの依存関係みたいに固定し、差分をCIで検査しようという提案 著者はそのためのツール `mcpward` を作り、契約の変更を検出する仕組みを公開している 重要なのは「壊れたかどうか」だけでなく、「見た目は同じでも意味が変わっていないか」を見ること AIエージェント周りの話は、正直まだかなり“流動的”です。昨日までうまく動いていたのに、今日はなんだか挙動が変。そんな経験がある人なら、この記事の問題意識はかなり刺さるはずです。 記事の主張をひとことで言うと、MCP serverの契約も、npm dependencyと同じように固定して差分を監視すべきだ、です。 ここでいう「契約」は、APIの名前や引数だけではありません。`tools/list` で返ってくる tool の名前、description、JSON schema、annotation まで含みます。 このあたり、かなり面白い視点です。

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

分散学習って、速いはずなのに急に遅くなることがあります。しかも厄介なのは、全体が止まって見えるのに、原因は1台だけというパターン。今回紹介する記事は、そんな「見えない犯人」を eBPF と fleet fan-out という仕組みで、4台のGPUノードをまたいで一発で特定したという話です。かなり面白いです。しかも、中央の収集サーバーなしでやっているのが筋がいい。 4ノードの distributed training が遅くなった原因を、1つのSQLクエリで特定 各ノードに入っている eBPFエージェント が、CUDA APIやカーネルイベントを追跡 fleet fan-out により、同じクエリを複数ノードへ並列実行して結果をまとめる 原因は gpu-node-01 の CPU競合。checkpoint の書き込みが training process を邪魔していた 中央集約の collector を置かない設計で、シンプルさを優先 オフライン環境向けに SQLite DB の merge と **

GitHub Statusは、GitHubの各機能が今ちゃんと動いているかを確認するページ 直近90日間の稼働率が見られ、障害の頻度や安定度の目安になる GitHub.com本体だけでなく、Actions、Pages、API、Copilotなど機能ごとの状態が分かる 障害が起きたときは、更新履歴が時系列で並ぶので「何が起きたか」を追いやすい 通知はメール、SMS、Slack、Webhook、RSS/Atomなどに対応していて、運用向けにかなり実用的 GitHub Statusは、GitHubのシステムが今どれだけ順調に動いているかを見せる公式の状態ページです。 説明文にもある通り、これは「real-time and historical data on system performance」、つまり現在の状況と過去の実績をまとめて確認できる場所です。 ふだんGitHubを使っていると、リポジトリの閲覧やPull Request、Actionsの実行などを「当たり前に動くもの」として使いがちです。 でも、クラウドサービスである以上、当然ながら障害は起こりえ

Cloud Native Engineer でも「何を作るか」より先に「誰のどんな問題を解くか」を考えるのが大事 ITやPlatform Engineeringは、ただのコストではなく「価値を生む仕事」として説明できる そのために役立つのが Product Discovery と Double Diamond という考え方 いきなり解決策を作るのではなく、まず問題を見つけるのが重要 指標（metrics）は「たくさん取ればいい」わけではなく、目的に合ったものを選ぶべき 顧客理解を深めるには、shadowing のように現場を観察するのが効く 技術の話を、ビジネスの文脈とつなげると仕事のインパクトがぐっと伝わりやすくなる InfoQの「Product Thinking for Cloud Native Engineers」は、クラウドネイティブ時代のエンジニアに向けて、プロダクト思考をどう取り入れるかを語ったプレゼンです。 登壇したのは、DKB（ドイツのオンライン銀行）でPlatform Experience teamに所属する **Stéphane Di Ces

CloudflareとStripeが、AIエージェント向けの新しい protocol を公開した エージェントが Cloud account の作成、domain の取得、subscription の開始、production への deployment まで行える 支払いと本人確認は Stripe が担当し、デフォルトの月額上限は $100 人間が関与するのは主に「法的・金銭的に重い場面」 便利さは大きいが、間違ったdomain購入や予算超過などのリスクも現実的 Cloudflare と Stripe が、AI agent による “自動 provisioning” を可能にする protocol を公開しました。 ここでいう provisioning は、ざっくり言うと「サービスを使い始めるための初期設定一式を用意すること」です。普通なら人間が dashboard を開いて、アカウントを作り、支払い方法を入れ、API token を発行して、必要なら domain を買って、最後に deploy する。あれを AI agent がまとめてやるわけです。 InfoQ の記事によると、

Kubernetesの実際のバグ修正事例を使って、AI coding agentsの実力を比べた 使ったのは3種類の見え方 - RAG-only: 検索結果だけを見る - Hybrid: まず検索して、そのあとローカルのコードも見る - Local clone: リポジトリを丸ごとローカルで見る 結果は、検索の工夫は「見つける力」には効くが、「どう直すべきか」の理解まではあまり助けないというもの AIは「主なバグ」だけ直して満足しがちで、周辺の変更や副作用を見落としやすい 逆に、issue（不具合報告）が丁寧に書かれていると、AIの方式差はかなり縮まった つまり、AIを賢くする鍵はRAGだけではなく、人間側の問題の書き方にもありそうだ、という話 InfoQが紹介しているのは、CNCFブログに掲載された Brandon Foley のベンチマーク研究です。 テーマはシンプルで、「AI coding agents は、現実の Kubernetes バグをどれだけ直せるのか？」というもの。 ここでいう AI coding agent は、ただコード補完するだけのツールではなく

Linuxカーネルに、ローカルユーザーがroot権限を取れてしまう脆弱性が2件公開された 1つ目は Copy Fail（CVE-2026-31431）、2つ目は Dirty Frag（CVE-2026-43284 / CVE-2026-43500） どちらも page cache（ファイルの読み書きを速くするためのメモリ上のキャッシュ）を悪用する 以前大きな被害を出した Dirty Pipe と同系統の問題で、しかも多くの主要ディストリビューションに影響する 攻撃にはネット越しの侵入ではなく、ローカルの一般ユーザー権限が必要 とはいえ「一般ユーザーが入れれば終わり」なので、サーバーや共有環境ではかなり重い話 影響組織は即パッチ適用が必要 InfoQが伝えたのは、Linuxカーネルに見つかった2つのローカル権限昇格（local privilege escalation）の脆弱性です。 ざっくり言うと、普通のユーザー権限しか持っていない人が、OSの最強権限であるrootを取れてしまうという話です。これはかなり危ないです。roo

Moonrepoの `moon` が v2.0 に到達。コードネームは Phobos いちばん大きい変化は、toolchain がWASMプラグイン方式になったこと YAMLだけでなく、JSON / JSONC / HCL / Pkl / TOML など複数の設定形式に対応 CLI が整理され、`moon exec` を軸に `moon ci` / `moon check` / `moon run` を統一 task inheritance が 設定ベースに再設計され、モノレポでのタスク共有が扱いやすくなった Docker、VCS、.env、migration まわりも大幅に手直しされている ただし breaking changes が多いので、v1からは素直なアップデートでは済まない Moonrepoの `moon` は、ひとことで言うと モノレポ管理のための道具箱 です。 モノレポというのは、複数のアプリやライブラリを1つのリポジトリでまとめて管理するやり方のこと。規模が大きくなるほど「どのプロジェクトで何をどう実行するか」を

Joynのバックエンドは、最初は単一ノード中心で壊れやすい構成だった 問題の本丸はコードだけでなく、データ整合性・可用性・デプロイ時間だった 解決策としてserverlessに移行し、AWSのmanaged servicesを積極活用した データの一貫性にはHub and Spoke patternを採用 障害の広がりを抑えるためにcell-based isolationを使った さらに、multi-region active-activeを現実的なコストで実現する工夫が重要だった InfoQの「Evolution of a Backend for a Streaming Application」は、ドイツのストリーミングサービス Joyn のバックエンドが、どうやって“火の車”状態から立て直されたのかを語るプレゼンだ。 話しているのは Daniele Frasca さん。ざっくり言うと、「最初はかなり苦しい構成だったけど、AWSベースのserverlessへ段階的に移行して、可用性・スケーラビリティ・デプロイ速度を改善していった

月額 `$340` だったインフラ費用を、`$136` まで削減した やったことは「コードの大改修」ではなく、設定と運用の見直し 具体策は、インスタンスの適正化、使っていないDBの削除、静的ファイルの移動、クエリ改善、予約課金の活用 いちばん大事なのは、“なんとなく不安だから大きめ” をやめて、実測すること こういう改善は派手じゃないけれど、実際にはかなり効く。個人的にも、ここをサボるとクラウド費用は静かに膨らむと思う 元記事の筆者は、約 5 万 MAU（Monthly Active Users = 月間アクティブユーザー数）のアプリを運用しながら、クラウド費用を 月額 $340 から $136 に削減したそうです。 削減率はなんと 60%。しかも、アプリのコードを大きく書き換えずに、です。 これ、かなり面白い話です。 「性能改善 = 開発の頑張り」と思いがちですが、実際は “どんなインフラを、どう使っているか” のほうがコストに直結することが多いんですよね。クラウドは便利な反面、放っておくと“使ってないのに課金される箱”が増えが

Hyperledger FabricをKubernetes上で「本番っぽく」動かす構成を紹介している ただ動かすだけでなく、自動デプロイ・ログ出力・待機処理・エラー検知まで丁寧に作り込んでいる セキュリティ面では、rootで動かさない、権限を絞る、NetworkPolicyで通信を制限するなど、かなり堅実 Fabric特有のつらさは、やはり証明書や鍵などのcrypto material管理にある 今後は監視、Secrets管理、CI/CDまで広げたい、という流れになっている この記事は、Hyperledger Fabricという企業向けのブロックチェーン基盤を、Kubernetes上に構築していく開発日記の4日目の記録です。 タイトルだけ見るとかなり硬そうですが、内容はむしろ「地味で面倒なところを、どうやって本番運用に耐える形へ持っていったか」という実践寄りの話です。 ここが面白いところで、ブロックチェーンって「未来っぽい」響きがありますが、実際に動かすとなると、かなり泥臭いインフラ作業になるんですよね。この記事はその現実をちゃんと見せています。 まず前