# Claude Fable 5.1が一般提供でMythos 5.1は審査制

> Claude Fable 5.1の一般提供とMythos 5.1のトラステッドアクセス限定を軸に、キャッシュ読み取り75%値下げ、誤検知60%減、AWSの30日保持と有人レビュー条件など移行前の確認点を整理します。AstraのCritical判定、企業向け監視EFS、医療データ連携も合わせて確認します。

Canonical URL: https://labs.eastbraver.com/digest/ai-digest-20260902
Published: 2026-09-02T06:30:00+09:00
Category: ai-digest
Tags: anthropic, claude, frontier-model, aws, amazon-bedrock, safety, openai, gemini, multimodal, agentcore

## 3分で読む AIダイジェスト 20260902

最上位モデルの選択が、能力比較から提供条件の確認へ移った一日です。Claude Fable 5.1は価格据え置きでキャッシュ読み取りと誤検知が下がる一方、AWSではデータ保持と有人レビューを伴う利用モードが必要になります。OpenAIのAstraはCriticalサイバー能力の判定を受けて提供を絞り、AnthropicのEFSは顧客管理クラウドでの監視を示しました。モデル更新を追う際は、価格、保持、レビュー、アクセス審査を一つの表にして比べると判断しやすくなります。

| 読者 | まず見ること |
| --- | --- |
| 管理者 | 新モデルの採用判断では、性能値よりも価格条件、データ保持、有人レビューの有無、審査制アクセスの範囲を契約と運用に含める必要があります。 |
| AX担当 | 利用中のプラットフォームでモデルID、保持モード、ゼロデータ保持の適格条件、安全策の誤検知が減る範囲を確認し、移行時の承認経路を決めたいところです。 |
| エンジニア | モデルIDと推論プロファイルの切り替え、プロンプトキャッシュの命中率計測、拒否率と応答品質の回帰比較、保持モードの設定をステージングで検証が必要です。 |

> [!CAUTION] 未確認事項
>
> Fable 5.1のベンチマーク改善は自社の評価セットで再現できるか
>
> Google CloudとMicrosoft Azureの保持条件とレビューモードはAWSと同じか
>
> AstraとEFSの正式提供時期、対象顧客、料金はどう確定するか

> [!IMPORTANT] 今朝の要点
>
> [Claude Fable 5.1が一般提供、Mythos 5.1は審査制アクセス](https://www.anthropic.com/claude-fable-and-mythos-5-1)
>
> [Fable 5.1のキャッシュ読み取りが75%値下げ、誤検知60%減](https://www.anthropic.com/claude-fable-and-mythos-5-1)
>
> [AWSのFable 5.1は保持30日と有人レビューのaws_reviewモード](https://www.anthropic.com/claude-fable-and-mythos-5-1)
>
> [AstraがCriticalサイバー能力閾値に到達](https://openai.com/index/path-to-astra)
>
> [Anthropic、顧客管理クラウドで不正利用を監視](https://www.anthropic.com/news/enterprise-frontier-safeguards)

> [!NOTE] 今日の流れ
>
> Claude Fable 5.1が全プラットフォームで一般提供になり、同じモデルの安全策を緩めたMythos 5.1は審査制のトラステッドアクセスに限られる一日です。価格据え置きでもキャッシュ読み取りの値下げと誤検知の減少は運用条件を変えますが、AWSではデータ保持と有人レビューを伴う利用モードが前提になります。OpenAIのAstraがCritical判定を受けた発表と合わせると、モデルの能力向上と提供条件の設計を切り離せなくなっています。

## Introducing Claude Fable 5.1 and Claude Mythos 5.1

今日のAI実装動向を読むうえで、最初に確認したい論点です。

- 情報源: Anthropic (2026-09-01 09:00 JST)
- 出典種別: 公式情報
- URL: [https://www.anthropic.com/claude-fable-and-mythos-5-1](https://www.anthropic.com/claude-fable-and-mythos-5-1)
- 分類: Models
- 関係する読者: 管理者 / AX担当 / エンジニア
- タグ: `anthropic` `claude` `frontier-model` `aws` `amazon-bedrock` `safety`

**何が変わったか:** 同一の最上位モデルが安全策の水準で二つの提供形態に分かれ、一般提供側は価格据え置きのままキャッシュ読み取り単価と誤検知が下がった。

AnthropicはClaude Fable 5.1とClaude Mythos 5.1を発表した。両者は同一モデルで安全策の水準だけが異なり、Fable 5.1は一般提供、Mythos 5.1は審査済みのサイバー防御者と生命科学者向けのトラステッドアクセスプログラムに限られ、現時点では米国の一部組織のみが対象になる。価格は入力100万トークンあたり10ドル、出力50ドルで据え置きだが、キャッシュ読み取りは75%値下げされ100万トークンあたり0.25ドルとなり、典型的なワークロードで推定25%、エージェント用途では最大約45%のコスト削減とされる。[サイバー安全策](/guides/guardrails)の誤検知によるブロックは60%減り、Claude Codeでは1セッションあたりの介入が平均約60%減るとしている。Claude APIのモデルIDは`claude-fable-5-1`で、AWS、Google Cloud、Microsoft Azureでも即日利用できる。

**実装・運用観点:** 移行判断はベンチマークより提供条件から始めたい。AWSではAmazon Bedrockの推論プロファイル(us.とglobal.)から利用できるが、Fable 5.1はCovered Modelに指定され、通常利用では最大30日のデータ保持とAmazon担当者による有人安全レビューを伴う`aws_review`モードの指定が必要で、ゼロデータ保持はEnterprise Frontier Safeguardsの適格顧客に限られる。コスト削減幅はプロンプトキャッシュの命中率に依存し、Terminal-Bench 4.0などの数値はAnthropicの自己申告なので、自社の評価セットと保持要件の両方で確認する必要がある。

**確認論点:**
- 利用予定プラットフォームのモデルID、リージョン、推論プロファイル、データ保持モードを確認する
- プロンプトキャッシュの命中率を計測し、25%から45%という削減見込みを自社の呼び出しパターンで再計算する
- サイバーと生物学の安全策で拒否や介入が減る範囲を、既存の利用ポリシーとレビュー体制に照らして確認する

**未確認事項:**
- Terminal-Bench 4.0やOSWorld 2.0の数値はAnthropicの自己申告で、独立した再現はまだない
- Mythos 5.1のトラステッドアクセスの審査基準と米国外への拡大時期は公開されていない
- Google CloudとMicrosoft Azureでの保持条件やレビューモードがAWSと同じかは公式発表本文に示されていない

## あわせて見る動き

主要論点の背景、比較材料、運用上の影響を補う更新です。

- 提供条件と監視: OpenAIのAstra、AnthropicのEnterprise Frontier Safeguards
- モデル機能とデータ基盤: Geminiの動画理解、BigQuery GraphのGA
- ローカル推論と業務データ連携: Hugging FaceのWebGPUカーネル、ChatGPTの医療データ連携

### Path to Astra: critical capabilities and frontier safeguards

- 情報源: OpenAI (2026-09-01 22:00 JST)
- 出典種別: 公式情報
- URL: [https://openai.com/index/path-to-astra](https://openai.com/index/path-to-astra)
- 分類: Models
- 関係する読者: 管理者 / AX担当 / エンジニア
- タグ: `openai`

**何が変わったか:** 高度なサイバー能力を持つモデルの提供条件に、利用者制限と複数層の継続監視が明示的に組み込まれた。

OpenAIは、AstraがPreparedness Frameworkの「Criticalサイバーセキュリティ能力の閾値」に達したと判断し、同社で初めてこの水準に指定した。未知の脆弱性を発見・悪用する能力を踏まえ、高度なサイバー機能へのアクセス制限、[拒否学習、システム分類器](/guides/guardrails)を組み合わせる。さらに、[推論過程(chain-of-thought)の監視](/guides/observability-tracing)と会話横断監視により、許可されていない操作の検知・停止を図るとしている。詳細な評価手順は公開予定のシステムカード待ちとなる。

**実装・運用観点:** サイバー用途でAstraを扱う組織は、API移行や利用拡大の前に、対象者の認可、操作ログの保存、検知時の停止経路を確認したい。Critical判定と安全策はOpenAI自身の評価であり、システムカード公開後に評価範囲と独立検証の有無を切り分ける必要がある。

**確認論点:**
- 高度なサイバー機能を利用できる役割と承認経路を確認する
- 会話横断監視の対象データ、保存期間、閲覧権限を確認する
- 誤検知時の解除手順と実行中処理の停止方法を確認する

**未確認事項:**
- システムカードで評価手順とベンチマーク値はどこまで公開されるか
- 安全策の回避耐性を第三者が再現できるか

### Developing Enterprise Frontier Safeguards with our customers

- 情報源: Anthropic (2026-09-01 09:00 JST)
- 出典種別: 公式情報
- URL: [https://www.anthropic.com/news/enterprise-frontier-safeguards](https://www.anthropic.com/news/enterprise-frontier-safeguards)
- 分類: Products
- 関係する読者: 管理者 / AX担当 / エンジニア
- タグ: `anthropic`

**何が変わったか:** モデル提供者へデータを保持させず、顧客側でセッション横断の不正利用監視を運用する選択肢が示された。

Anthropicは、ゼロデータ保持と不正利用検知を組み合わせるEnterprise Frontier Safeguardsを発表した。複数セッション・アカウントにまたがる一定期間のトラフィックを自動分析し、監視用データと検知結果を顧客管理のクラウド環境へ保存する。Anthropic従業員による有人レビューを必須とせず、検知フラグを顧客へ直接通知する設計としている。

**実装・運用観点:** Astraの提供者側監視とは責任分界が異なり、企業側が検知結果の確認、誤検知対応、証跡管理を担う構成です。既存のSIEMやインシデント対応手順へ誰が接続するかを確認しておきたいところです。

**確認論点:**
- 監視データの保存先、暗号鍵、保持期間を確認する
- 検知フラグの通知先と一次対応の責任者を決める
- 複数アカウントを関連付ける識別情報の範囲を確認する

**未確認事項:**
- 正式提供日、対象顧客、料金はどうなるか
- 誤検知率と見逃し率をどのように評価するか

### Introducing @huggingface/kernels: 200+ WebGPU Kernels for Local AI

- 情報源: Hugging Face (2026-09-01 09:00 JST)
- 出典種別: 公式情報
- URL: [https://huggingface.co/blog/webgpu-kernels](https://huggingface.co/blog/webgpu-kernels)
- 分類: OpenSource
- 関係する読者: AX担当 / エンジニア

**何が変わったか:** ブラウザやローカル端末のAI推論で、検証情報付きのWebGPU演算を部品として再利用できるようになった。

Hugging Faceは、Hubから最適化済みWebGPUカーネルを読み込むJavaScriptライブラリと207個のカーネルをApache-2.0で公開した。各カーネルにはマニフェスト、正しさを検証するテスト、ベンチマーク、WGSLテンプレートを含む再現可能な検証材料が付く。Apple M4上で条件が一致した809ケースでは、ORT WebGPU比で幾何平均2.57倍、中央値1.90倍高速だったと報告している。

**実装・運用観点:** クラウドへ送れないデータを扱う構成では有力な選択肢ですが、個別演算の速度差をモデル全体の改善とみなさないことが重要です。対象ブラウザ、GPU、初回コンパイル、データ転送を含む実測が判断材料になります。

**確認論点:**
- 対象モデルで未対応演算やCPUへのフォールバックがないか確認する
- 初回シェーダーコンパイルとデータ転送を含めて計測する
- カーネル取得元の固定、完全性検証、更新手順を確認する

**未確認事項:**
- 他GPUや主要ブラウザで同程度の改善が得られるか
- モデル全体の消費メモリと応答時間はどう変わるか

### Healthcare organizations can now connect EHR and additional industry data to ChatGPT

- 情報源: OpenAI (2026-09-01 21:00 JST)
- 出典種別: 公式情報
- URL: [https://openai.com/index/chatgpt-connects-health-records-and-healthcare-sources](https://openai.com/index/chatgpt-connects-health-records-and-healthcare-sources)
- 分類: Products
- 関係する読者: 管理者 / AX担当 / エンジニア
- タグ: `openai`

**何が変わったか:** 生成AIが一般的な医療情報だけでなく、認可された患者別EHR情報を参照する業務経路が追加された。

OpenAIは、Epicで認可された患者情報をChatGPT for Healthcareへ取り込むEHR統合と、9つの公的医療情報源を扱うプラグインを発表した。患者履歴などの要点から元のカルテ情報を参照できる設計で、組織向け環境には[ロールベースアクセス](/guides/ai-identity-authorization)、SSO、監査ログを備えるとしている。OpenAIが示す安全評価は医師による自社評価で、臨床転帰の評価ではない。

**実装・運用観点:** Astraと同様、能力より先にデータ境界と監査可能性を確認したい更新です。患者同意、最小権限、参照元表示、誤回答時の訂正経路を既存の診療手順へどう組み込むかが論点になります。

**関連する技術ガイド:** [生成AI](/guides/generative-ai)

**確認論点:**
- 職種別の閲覧権限と患者単位の認可を確認する
- 回答から元のカルテ記録へ追跡できるか確認する
- 監査ログの保存先とインシデント時の調査手順を確認する

**未確認事項:**
- 利用可能地域と対応するEpic構成は何か
- 料金、データ保持、臨床現場での責任分界はどう定められるか

### Introducing agentic video understanding with Gemini

- 情報源: Google (2026-09-02 02:08 JST)
- 出典種別: 公式情報
- URL: [https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-agentic-video-in-gemini/](https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-agentic-video-in-gemini/)
- 分類: Models
- 関係する読者: 管理者 / AX担当 / エンジニア
- タグ: `gemini` `multimodal`

**何が変わったか:** 長い動画を一律に取り込まず、質問に応じて必要区間を追加取得する処理方式がモデル側に加わった。

GoogleはGemini 3.7 Flash、3.6 Flash、3.5 Flash-Lite向けに、映像・音声・文字起こしから必要な区間をAIエージェントが複数段階で探索する動画理解機能を提供開始した。固定フレームレートで全体を読む静的処理と異なり、内部ツールで関連区間を追加取得する。Googleは標準ベンチマークでトークンを最大88%、費用を最大66%削減し、精度を最大7%改善したと報告している。

**実装・運用観点:** 動画監視やアーカイブ検索では費用削減が期待できますが、動的探索が重要場面を見落とす失敗も評価対象です。固定処理との比較では、平均精度だけでなく再現率、処理時間、再試行時の費用を見ておきたいところです。

**関連する技術ガイド:** [AI Agent](/guides/ai-agent)

**確認論点:**
- 重要イベントを含む自社動画で見落とし率を測る
- 動画長と質問種別ごとのトークン量、費用、応答時間を記録する
- 同じ質問を再実行した場合の区間選択の安定性を確認する

**未確認事項:**
- 最大改善値のベンチマーク別内訳はどうなっているか
- GeminiアプリとAsk YouTubeへの提供日はいつか

### BigQuery Graph is now GA: the knowledge foundation for the agentic era

- 情報源: Google Cloud (2026-09-01 08:00 JST)
- 出典種別: 公式情報
- URL: [https://cloud.google.com/blog/products/data-analytics/bigquery-graph-connecting-data-and-ai-at-scale/](https://cloud.google.com/blog/products/data-analytics/bigquery-graph-connecting-data-and-ai-at-scale/)
- 分類: Infra
- 関係する読者: AX担当 / エンジニア

**何が変わったか:** 分析データを別のグラフ基盤へ複製せず、BigQuery内で関係探索とAI処理を組み合わせられる一般提供機能が加わった。

Google Cloudは、BigQuery内でプロパティグラフとISO標準GQLを扱えるBigQuery Graphの一般提供を発表した。既存の行・列レベルセキュリティを引き継ぎ、SQL、BigQuery ML、AI関数と併用できる。GA版では複数ホップの探索などを最適化し、公開ベンチマークでプレビュー比GQL 2倍、無向トラバーサル100倍の高速化を報告している。

**実装・運用観点:** 医療や企業内エージェントの参照情報をグラフ化する場合、既存の行・列権限を維持できる点は運用負荷の判断材料になります。GA、プレビュー、段階展開中の機能を分け、自社クエリで費用と性能を確認したいところです。

**関連する技術ガイド:** [AIシステムのIdentityとAuthorization](/guides/ai-identity-authorization)

**確認論点:**
- 利用予定機能がGAかプレビューかを確認する
- 既存の行・列レベル権限がGQL結果にも適用されるか検証する
- 代表的な探索クエリで処理時間とスキャン費用を測る

**未確認事項:**
- 公開性能値のデータ規模とクエリ条件は何か
- 今後展開予定の機能が各リージョンでいつ利用可能になるか

## 短く追う更新

優先度は少し下がりますが、流れを押さえるために確認しておきたい更新です。

- AWSの本番設計: Bedrockの支出制御、Amazon Quickの権限分離、決済の信頼ゲート、MCPサーバー接続
- データとモデル: BigQueryのTabFM、World LabsのAtlas
- セキュリティ運用と資金調達: NVIDIAとCrowdStrikeの検知ループ、AIRのシード調達

### [Tokenomics at scale: How Jamf built real-time spend enforcement for Amazon Bedrock](https://aws.amazon.com/blogs/machine-learning/tokenomics-at-scale-how-jamf-built-real-time-spend-enforcement-for-amazon-bedrock/)

- 情報源: AWS
- 出典種別: 公式情報
- 分類: Infra
- 関係する読者: 管理者 / AX担当 / エンジニア

AWSは、JamfがBedrockの呼び出しログをAthenaでユーザー別日次費用へ換算し、15分間隔のLambdaで段階的な支出制限をIAM管理ポリシーへ反映する構成を紹介した。各実行で制限対象者の全リストを再計算するため、同じ処理を繰り返しても状態がずれにくい設計である。

**変化:** 生成AI費用の可視化に加え、予算到達率に応じて利用可能なモデルを自動制限する本番パターンが示された。

**関連する技術ガイド:** [生成AI](/guides/generative-ai)
**確認:** リージョン別モデル単価を更新する責任者を決める

### [Securing Amazon Quick from POC to production: Agents, Flows, and Spaces](https://aws.amazon.com/blogs/machine-learning/securing-amazon-quick-from-poc-to-production-agents-flows-and-spaces/)

- 情報源: AWS
- 出典種別: 公式情報
- 分類: Infra
- 関係する読者: AX担当 / エンジニア

AWSはAmazon Quickの本番設計として、データセット整形、エージェント分離、文書分類、[承認ゲート](/guides/human-in-the-loop)の4パターンを示した。例では機密列を下流データセットから除外し、行レベルセキュリティを適用したうえで、対象読者ごとにエージェントとデータセットを分離する。

**変化:** プロンプト上の指示だけに頼らず、データ構造とエージェント構成で情報漏えいと無承認操作を抑える実装例が示された。
**確認:** 機密列が下流データセットから物理的に除外されるか確認する

### [How t54 built a trust layer with Amazon Bedrock AgentCore payments](https://aws.amazon.com/blogs/machine-learning/how-t54-built-a-trust-layer-with-amazon-bedrock-agentcore-payments/)

- 情報源: AWS
- 出典種別: 公式情報
- 分類: Infra
- 関係する読者: 管理者 / AX担当 / エンジニア

AWSは、t54のx402-secureが支払先を事前評価し、モデルの提案ではなく[決定論的な信頼ゲート](/guides/guardrails)を通過した場合だけAgentCore paymentsで決済する構成を紹介した。責務の分離、IAM、セッション単位の支出上限、認証情報の隔離を組み合わせ、t54は2,000万件超の取引を処理したと報告している。

**変化:** AIエージェントの決済判断と実際の資金移動を分離し、決定論的な検査を強制する本番構成が示された。

**関連する技術ガイド:** [AI Agent](/guides/ai-agent)
**確認:** 提案、信頼判定、署名、決済の役割を別権限に分離する

### [Connect an AgentCore Runtime hosted MCP server to Amazon Quick](https://aws.amazon.com/blogs/machine-learning/connect-an-agentcore-runtime-hosted-mcp-server-to-amazon-quick/)

- 情報源: AWS
- 出典種別: 公式情報
- 分類: Infra
- 関係する読者: AX担当 / エンジニア

AWSは、AgentCore RuntimeでホストするMCPサーバーをAgentCore Gateway経由でAmazon QuickのエージェントやFlowsへ接続する手順を公開した。QuickからGatewayへの認可と、GatewayからRuntimeへのマシン間認証・認可を分離し、後者にOAuth 2.0とAgentCore Identityを使う。

**変化:** 管理されたMCP実行環境をQuickへ接続する認証経路とサービス境界が具体的な構成として示された。

**関連する技術ガイド:** [AIシステムのIdentityとAuthorization](/guides/ai-identity-authorization) / [MCP](/guides/mcp)
**確認:** 受信認可とマシン間認証の権限を個別に確認する

### [Introducing TabFM in BigQuery: Predictive analytics reimagined](https://cloud.google.com/blog/products/data-analytics/tabfm-adds-predictive-ml-to-bigquery/)

- 情報源: Google Cloud
- 出典種別: 公式情報
- 分類: Models
- 関係する読者: 管理者 / AX担当 / エンジニア

Google Cloudは、表形式データの回帰・分類向け事前学習済み基盤モデルTabFMをBigQueryでプレビュー提供すると発表した。コンテキスト内学習により、別個の学習・デプロイ工程を設けず、単一のSQL呼び出しからラベル付き履歴データを参照して予測する。

**変化:** 表形式データの予測を、モデル成果物の学習・配備を挟まずBigQuery SQLから実行できるプレビュー機能が加わった。
**確認:** 将来情報が履歴データへ混入しない評価分割を用意する

### [Building an Adaptive Agentic Cybersecurity System with NVIDIA Nemotron](https://developer.nvidia.com/blog/building-an-adaptive-agentic-cybersecurity-system-with-nvidia-nemotron/)

- 情報源: NVIDIA Developer Blog
- 出典種別: 公式情報
- 分類: Products
- 関係する読者: 管理者 / AX担当 / エンジニア

NVIDIAとCrowdStrikeは、[隔離環境](/guides/sandbox)で攻撃側と防御側のAIエージェントを閉ループ接続し、テレメトリから検知ルールを生成・検証・再試験する評価システムを構築した。構文検査、検知再生、独立レビューを組み合わせ、検証可能な報酬を用いる強化学習も適用したとしている。

**変化:** 生成した検知ルールを本番へ直送せず、隔離環境で攻撃再生と独立レビューを繰り返す評価経路が具体化した。

**関連する技術ガイド:** [AI Agent](/guides/ai-agent)
**確認:** 攻撃エージェントから本番ネットワークへの通信を遮断する

### [AIR raises $50M to help companies vet the skills and add-ons AI agents use](https://www.air.security/blog-posts/out-of-stealth)

- 情報源: AIR
- 出典種別: 公式情報
- 分類: Business
- 関係する読者: 管理者 / AX担当 / エンジニア

AIエージェント向けセキュリティ企業AIRはステルス状態を終了し、2回のシードラウンドで計5,000万ドルを調達した。公式発表とTechCrunchによると、企業内エージェントの発見、[スキル](/guides/skill)・プラグイン・MCPサーバーの継続的な再検証、基準外の接続遮断を提供する。

**変化:** AIエージェントが利用する拡張機能を導入時だけでなく、更新後も継続検査する製品領域へ大型シード資金が入った。

**関連する技術ガイド:** [MCP](/guides/mcp) / [AI Agent](/guides/ai-agent)
**確認:** スキル、プラグイン、MCPサーバーの所有者と版を台帳化する

### [Atlas: A World Model for Spatial Intelligence](https://www.worldlabs.ai/blog/atlas)

- 情報源: World Labs
- 出典種別: 公式情報
- 分類: Models
- 関係する読者: AX担当 / エンジニア

World Labsは空間知能向けの世界モデルAtlasを発表した。テキスト、画像、動画、3Dをネイティブに扱う自己回帰拡散Transformerで、カメラ制御付きの動画生成、疎な画像からの空間再構成、時空間シミュレーションに対応する。現時点は選定パートナー向けの早期アクセスで、API提供時期、ライセンス、価格は示されていない。

**変化:** 動画生成と3D再構成を一つの世界モデルで扱う選択肢が早期アクセスとして示された。
**確認:** 早期アクセスの申請条件と利用規約を確認する

## ひとこと更新

本文で詳しく扱うほどではないものの、周辺動向として確認しておきたい話題です。

- [How AI-native companies turn workflows into operating capability](https://openai.com/index/ai-native-company-workflows)：出荷前の人間レビューを組み込む運用例を紹介
- [How to Size GPUs for AI Inference and TCO Without Overspending](https://developer.nvidia.com/blog/how-to-size-gpus-for-ai-inference-and-tco-without-overspending/)：推論GPUのcore-and-flex方式を整理
- [Towards a Systems Foundation for Agentic Skills: Architecture, Lifecycle, and Security](https://arxiv.org/abs/2608.29596)：外部化された手続き知識の9段階管理を提案
- [TRACER: Per-Tool Context Retention for LLM Agents via Consequence-Attributed Reinforcement Learning](https://arxiv.org/abs/2608.29363)：ツール単位のコンテキスト保持でトークン削減
- [From Extraction to Governed Memory: Multi-Agent Knowledge Graph Construction with Domain-Expert Review](https://arxiv.org/abs/2608.28642)：監査メタデータ付き知識グラフを提案
- [CrossAudit: A Git-Native, Cross-Vendor Audit Loop for Agentic Science](https://arxiv.org/abs/2608.28631)：クロスベンダー監査をGit履歴に保存
- [DS-Lighting: Making Agent Harnesses Explicit for Data-Science Automation](https://arxiv.org/abs/2608.28590)：エージェントハーネスを4層で比較可能に
- [How Language Models Choose Sides: Internal Representations of Instruction Hierarchy](https://arxiv.org/abs/2608.28648)：命令階層の衝突時に読める内部裁定信号を分析
- [Sequoia-incubated Empirik launches with $21M to predict outages before they happen](https://empirik.ai/blog/introducing-empirik-the-autonomous-infrastructure-engineer)：変更前の影響範囲と構成ドリフトを検査