AirClosetのCTOである辻亮介は、ソフトウェアエンジニアリングのワークフローを自動化する社内AIプラットフォーム「cortex」の構築シリーズを完結させた。このプラットフォームは、AIの推論を制御された領域に制限し、重要なコンテキストには決定論的システムを利用するという哲学に基づいている。辻は開発を通じて、単なるコンテキストウィンドウの拡張やモデルの微調整（ファインチューニング）のみに頼る手法には限界があると指摘した。大規模なコンテキストウィンドウには、シーケンスの中央に配置された情報が無視される「lost in the middle」現象が発生しやすく、LLMは人間の提供する構造なしでは関連データと無関係なデータの区別が困難であるという。

これらの問題を解決するため、cortexの設計はAIが事実を推論するのではなく、グラフベースの構造を通じて事実を提供する形へと移行した。知識グラフを用いてコンテキストを提供する検索手法であるGraph RAGと、AIを外部ツールに接続するためのモデルコンテキストプロトコル (MCP)を統合することで、システムは必要な情報のみを確実に取得する。このアプローチでは、外部知識を更新や削除が困難なモデルの重みに依存させず、置き換え可能な事実のセットとして扱う。

プラットフォームは複数のレイヤーで決定論を強制する「ハーネス」として機能する。まず、プロダクトグラフがコード、ドキュメント、データベーススキーマをアノテーションによって統合し、検索の決定性を担保する。次に、自動レビュープロセスは固定された次元で動作し、AI自身が評価範囲を決定することを許容しない。さらに、自己修復メカニズムや再発防止策として、静的解析ツールであるリンターを活用し、AIの学習に頼ることなくエラーを機械的に遮断する。これらのガードレールにより、品質ゲートがシステムアーキテクチャによって強制されるため、非エンジニアでも本番環境へのコード提供が可能となる。

辻は、自身の設計がAIのハルシネーション（もっともらしい嘘）を完全になくすことを目的としているのではなく、それが許容される場所を制限することにあると強調する。グラフアノテーションの作成など、推論を読み取り時ではなく書き込み時に移動させることで、利用の瞬間にAIが検証済みの事実に基づいて動作することを保証する。この手法により、信頼の拠り所はAIの生成結果からエンジニアリング・ハーネスの決定論的な構造へと移行し、システムの中心的な安定性が損なわれないよう設計されている。

AirClosetのCTOである辻亮介は、ソフトウェアエンジニアリングのワークフローを自動化する社内AIプラットフォーム「cortex」の構築シリーズを完結させた。このプラットフォームは、AIの推論を制御された領域に制限し、重要なコンテキストには決定論的システムを利用するという哲学に基づいている。辻は開発を通じて、単なるコンテキストウィンドウの拡張やモデルの微調整（ファインチューニング）のみに頼る手法には限界があると指摘した。大規模なコンテキストウィンドウには、シーケンスの中央に配置された情報が無視される「lost in the middle」現象が発生しやすく、LLMは人間の提供する構造なしでは関連データと無関係なデータの区別が困難であるという。

これらの問題を解決するため、cortexの設計はAIが事実を推論するのではなく、グラフベースの構造を通じて事実を提供する形へと移行した。知識グラフを用いてコンテキストを提供する検索手法であるGraph RAGと、AIを外部ツールに接続するためのモデルコンテキストプロトコル (MCP)を統合することで、システムは必要な情報のみを確実に取得する。このアプローチでは、外部知識を更新や削除が困難なモデルの重みに依存させず、置き換え可能な事実のセットとして扱う。

プラットフォームは複数のレイヤーで決定論を強制する「ハーネス」として機能する。まず、プロダクトグラフがコード、ドキュメント、データベーススキーマをアノテーションによって統合し、検索の決定性を担保する。次に、自動レビュープロセスは固定された次元で動作し、AI自身が評価範囲を決定することを許容しない。さらに、自己修復メカニズムや再発防止策として、静的解析ツールであるリンターを活用し、AIの学習に頼ることなくエラーを機械的に遮断する。これらのガードレールにより、品質ゲートがシステムアーキテクチャによって強制されるため、非エンジニアでも本番環境へのコード提供が可能となる。

辻は、自身の設計がAIのハルシネーション（もっともらしい嘘）を完全になくすことを目的としているのではなく、それが許容される場所を制限することにあると強調する。グラフアノテーションの作成など、推論を読み取り時ではなく書き込み時に移動させることで、利用の瞬間にAIが検証済みの事実に基づいて動作することを保証する。この手法により、信頼の拠り所はAIの生成結果からエンジニアリング・ハーネスの決定論的な構造へと移行し、システムの中心的な安定性が損なわれないよう設計されている。