今日はエンジニア向けの実践的なAI技術記事が目白押しでした。エージェントを安全に動かすためのセキュリティ設計、自律性を高める新しい学習手法と実行基盤、RAGの壁を越えるナレッジグラフ設計、そして端末分散AIの運用知見など、現場ですぐ効くテーマが並んでいます。

エージェントがURLを「開く」ときに潜むSSRF

チャットボットにWeb検索を付けて最新情報を答えさせる――そんな要件は、RAGやMCP（Model Context Protocol）を組み込めば、URL取得機能が数行で実装できるほど手軽になりました。しかし解説記事は、この「数行」がサーバーを誰でも使えるSSRF（サーバーサイドリクエストフォージェリ）の踏み台に変わり得ると指摘しています。

LLMが生成したURLをサーバー側でそのまま取得しようとすると、内部アドレスへのアクセスやメタデータ窃取に悪用される経路が残ります。記事では、URLの検証・制限といった安全な外部アクセス制御の設計を、機能を実装する前の必須ステップとして扱っています。「ツールを付ける」のその先に何が待っているかを整理した内容で、エージェントを本番投入する開発者にとって示唆に富みます。

「オフラインなら安全」という落とし穴

ローカルLLM、オンプレミスAI、オープンウェイトモデルの利用が広がる中、「外部APIに機密情報を送らない」ことの価値は明確です。顧客情報やソースコード、未公開の企画を扱う場面では、推論サーバーへの入力送信を止めることは有力なリスク低減策になります。

ただし別の記事は、そこから「オフラインなら安全」と結論づけるのは危ういと戒めています。外部APIへの直接送信を止めるのは漏洩経路の一部を閉じるだけであり、漏洩リスクそのものを消すわけではありません。LLMが生成したテキストや、人間を介したやり取り自体が新たな通信路になるという見方を示し、ローカル環境特有の脅威モデルを前提としたセキュリティ設計の必要性を説いています。

CRPO：Agent RLの自蒸留が抱える露出バイアスを解く

Agentの強化学習で使われるOn-Policy Self-Distillation（OPSD）には、自教師モデルが特権情報を持つせいで、生徒側の推論経路が模倣に偏ってしまう問題があります。この「露出バイアス」を対比学習の視点から解決する手法として、CRPO（Contrastive Reinforced Policy Optimization）が紹介されました。

CRPOは予測エントロピー差を手がかりに、反省的な探索を正例、露出バイアスを負例として分類し、InfoNCEで推論ステップごとに蒸留の強さを制御します。13の推論・深度検索ベンチマークで一貫した改善が報告されており、Qwen3-8BにCRPOを適用した構成はGAIAで47.6%に達したとされます。エージェントの長い推論をどう学習させるかという、実用上の難所に正面から取り組んだ研究として注目できます。

MicrosoftがAgent Harnessを一般提供

Microsoftは2026年7月、Microsoft Agent Frameworkの新機能「Agent Harness」の一般提供を発表しました。単体ではテキストを返すだけのLLMを、ツールを使い、計画を立て、記憶を保ちながら多段タスクをこなす自律エージェントへと引き上げる実行基盤です。

記事によれば、エージェント開発で実際に手間なのはモデルへ送るプロンプト部分ではなく、周辺の「配管」の部分です。ハーネスはこの配管を標準化し、.NETとPythonから利用できるようにします。なお、モデルの評価精度を左右するテスト用の「評価ハーネス（evals harness）」とは別物で、こちらはエージェントを走らせるための実行の土台です。両者は混同されがちなので、文脈に注意したいところです。

ベクトルRAGが苦手な「マルチホップ質問」とナレッジグラフ

「このセンサーを使っている製品ラインで、去年発生した不具合の件数は？」――こうした質問は、ベクトルRAGが最も苦手とするタイプだと言います。仕様書、製品ラインの構成表、不具合報告書という別々の文書を横断し、関係を辿らないと答えが出せないためです。

ベクトル検索は質問文と意味的に近い文書を探す仕組みなので、質問文に出てこない中間情報（このセンサーがどの製品ラインに使われているか）を経由する必要がある質問には対応できません。この「複数の関係を辿って答えにたどり着く」マルチホップ質問応答を支えるための、ナレッジグラフ設計とエンティティ抽出の実務が整理されています。RAGの限界を実データで感じている現場にとって、設計の取っ掛かりになる内容です。

スマホ分散AIの適応型ルーティングで起きた「能力逆転」

端末の処理能力を束ねる分散AI基盤「ArcAsha-OS」の検証報告も上がりました。プロンプトの性質（数学、コーディングなど）に応じて最適な端末ノード（Expert）へ処理を割り当てるAdaptive Routerを試す中で、想定外の「能力逆転現象」に直面したといいます。

ルーティングの結果、本来得意なはずのノードより劣ったノードにタスクが流れるケースが生じた問題を、Confidence-Awareなベイズ的手法で解消したとのことです。分散構成ならではの丸め誤差や、ノードごとの信頼度評価といった、クラウド一択の構成では顕在化しない知見がまとめられています。

BERT風トランスフォーマーで血糖値を予測する個人プロジェクト

機械学習コミュニティでは、1型糖尿病の血糖値予測に挑んだオープンソースプロジェクトが注目を集めています。エンコーダーのみのトランスフォーマーで、過去の血糖値・炭水化物・インスリンと、未来の食事・インスリン入力を取り込み、向こう2時間の血糖値を予測する仕組みです。

アーキテクチャはBERT風で、双方向アテンションを持ち未来の血糖値はマスクされています。中央値の当てはめにDILATE損失、不確実性帯の推定にピンボール損失を使い、両者をKendall-Galの手法で統合しています。最大のモデルは16層・16ヘッドで約1700万パラメータ、コードと学習済みウェイトがMITライセンスで公開されています。作者は自身のデータでファインチューニングし、スマホ上で稼働させているそうです。実用的な応用として読み応えのある事例です。

共通しているのは、どのトピックも「動くものを安全・確実に動かし続ける」という実装者の視点にある点です。エージェントが自律的に振る舞する範囲が広がるほど、セキュリティと制御の設計が前面に出てくることが改めて浮き彫りになった一日でした。