2026/05/25 3:39

Jujutsu で Git Rigour Fatigue を克服する

RSS: https://news.ycombinator.com/rss

要約▶

Japanese Translation:

著者は、コードレビューを「種類別（例：赤で変更内容、青で UI）」に分類し、履歴を確定させる前に視覚的なワークフローを採用するためのステブのジュジュツチュートリアルへの相談を推奨しています。このアプローチは、デバッグによる修正とリファクタリングを単一のブランチ内で混在させるという一般的な誤り（コミットが以前の作業を上書きすることで頻発するコンフリクト）を回避します。標準ツールである

jj absorb

（ファイルの所有者との相性が悪いため課題が多い）や厳格なシーケンシング手法とは異なり、この手法では中間ステップごとにコンパイルしなくてもよい、当初はごちゃまぜの「全コミット」を受け入れることで一時的なデバッグ状態を許容します。ターゲット対象となるクイッシュコマンドを最終段階に留め、特定の変更カテゴリを色分けされた独自のコミットに分離することにより、Git のシーケンシングや複雑な分割の堅牢性を伴わずとも清潔で視覚的な履歴を実現できます。この戦略は、開発中の各個々のコミットがコンパイル可能であるという保証を犠牲にしますが、厳格なステップバイステップのコンパイル要件よりも、明確な視覚的なソートと管理可能なレビュー単位を重視するチームにとって、軽量で柔軟な代替手段を提供します。

本文

Juju 開発における「Git 厳密症候群」のための最適ワークフロー

はじめに

本記事では、Juju ツールのバージョン管理に関する前提知識を有していると仮定します。経験が浅い場合でも概要を理解可能ですが、Steve の Juju チュートリアルを事前に読むことを推奨します。

大規模開発における「良いコミット」の定義

大規模機能開発で適切なコミットを作成するのは困難です。「良いコミット」とは、以下いずれかの領域に限定された変更を指します：

型の定義
データベース関数の追加
サーバー側の CRUD（Create, Read, Update, Delete）
クライアント側の API
クライアント側の UI

これにより、レビュアーは PR を小さなステップごとに精査でき、変更セットが機能の単一側面のスコープ内に収まります。

現実の開発フローと課題

実際の開発では以下の多様な作業が発生します：

型の定義
データベース関数の追加
WIP テスト用コード（作業中のテスト）
サーバー側の CRUD
クライアント側 API と UI の実装
データベース関数の修正
UI のバグ修正
CRUD のリファクタリング
別の UI のバグ修正

後者のコミットは初期の作業を上書きしやすく、ストーリーが崩壊してしまいます。

既存ツールの限界と課題

jj absorb

や

jj squash -i

は変更の統合に役立ちますが、以下の制限があります：

absorb の非最適割り当て: ファイルへの最終アクセス履歴に基づきコミットを割り当てますが、論理的な責任範囲とは一致しない場合があります。
squash の境界問題: コミットの境界が混在していると、「統合コンフリクトの地獄」に陥るリスクがあります。

提案：視覚的集約による清掃ワークフロー

コミットを視覚化し（赤＝型定義、青＝UI 変更等）、以下の手順で整理します。

1. 現状の確認

最初のコミットでは色や領域が混在しており（大混乱/Mayhem）、赤い部分も複数の場所で触られています。

2. 理想的な履歴の作成

まず

jj new

を使用して理想のコミット履歴を作成します。

jj new -B messy-first -m 'red'
# 以降、残りの作業を進める際も（例：jj new -A red -m 'blue'）順次追加

3. 変更集約と配置

全ての関連コミットを一旦集約し、正しい領域（赤いボックス）へ移動させます。

全対象コミットの集約:

jj squash --from messy-first..messy-last --into messy-first

領域ごとの再配置（例：赤い変更のみを赤いコミットへ）:

jj squash -i --from messy-first --into red

この手順を順次繰り返すと、最終的に「すべてのコミット」の内容は空になり、整った履歴が完成します。

ワークフローの長所

大規模開発でも厳格な Git ルールに従わなくとも、ライフサイクル全体で品質を保てます。

柔軟性: 臨機応変に作成されたコミットには一時的なデバッグコードを含めても OK。
最終清掃: 一度の
```
tidy up
```
で全てを整えるため、開発プロセスがシンプルになります。

代替案との比較：なぜこの手法なのか

この手法は

jj split

より Superior な点があります：

特徴	jj split	本手法（視覚的集約）
ハンク見落とし時の対応	再度分割と集約が必要	不要（最初から単純化可能）
シーケンスへの影響	考慮が必要	心配せず、最初から整理開始可

進行中に squashing をしない理由

jj squash -i

を進行中に使用するよりも、全工程終了後にまとめるのが優れています：

コンフリクト保証: 最終状態が必ずコンフリクトフリーであることを保証できるため。
副作用の回避: 例え「blue のコミット」が影響するファイルに触れても、他のコミット（green/赤）を壊すリスクがあります。全工程で一度まとめて安全な状態に保てるためです。

注意点と欠点

この手法には以下のようなトレードオフが存在します：

コンパイル保証の欠如: すべてのコミットが必ずコンパイルされるとは限りません。
- プロジェクトによっては、コンパイルエラーを含むコミットをマージする際に致命的な問題になる可能性があります。

同じ日のほかのニュース

一覧に戻る →

2026/05/25 3:56

オーストラリアの週 4 日制研究データで生産性が向上したと示唆されました

## 日本語訳： *Nature* の『Humanities and Social Sciences Communications』に発表された新研究によると、4 日勤務週間の試行を継続しているオーストラリア企業のうち 15 社のうち 14 社が「100:80:100 モデル」（完全な給与、80% の労働時間、全出力）を採用していたことが示されています。デイキン大学のジョン・ホプキンス教授を筆頭に、2023 年初頭から 2024 年秋にかけて行われたインタビューでは、不動産管理、出版、ヘルスケア技術、法律、ソフトウェア開発など幅広い業界を対象としました。どの企業でも生産性は低下しておらず、6 つの企業で向上し、9 つの企業が出力を維持していました。1 社は大きな内部変化により試行から退出し、もう 1 つはすでに 8 年間のパイロットプログラムを実施済みでした。バーンアウトが主な要因となったのは 6 社で、これらは単なる収益だけでなく、離職率、欠勤日、病休日、メンタルヘルス休暇をモニタリングしました。これは、2025 年の『Beyond Blue』調査でも示されているように、オーストラリアの労働者の半数がバーンアウトを経験しており、特に若年層と親御さんにおいて顕著であることと整合しています。国際的には、200 社以上の英国企業と 45 社のドイツ企業（主に中小企業）が給与カットなしでこのモデルを採用しています。導入方法は業界のリズムや業種によって異なります：顧客接点を持つ組織は休暇日を分散させる傾向があり一方、医療、緊急サービス、物流、ホスピタリティなどの分野は構造的なスケジュール調整の課題に直面します。企業は不要な会議を削減し、タスクを自動化し、低価値な仕事を排除することでワークフローを合理化しています。批判者は、一部の短期的な利益が新奇効果によるものかもしれないと注意喚起しています。今後を見据え、AI は反復的なタスクを自動化して労働者が時間を取り戻すよう助け、単に日常の業務量を増やすのではなく、将来の成功はウェルビーイングと離職防止を追跡することによって実現されると考えられています。全体としての変化は、効率性と並んで人間のウェルビーイングを最優先とする持続可能なパターンの方向へと向かっています。

2026/05/21 9:15

LAN-LOK：南极向け DOS サボタージュゲーム「34 年間も消失した」作

## Japanese Translation: AlphaPixel は、Mark Chappell および Shane Maloney という研究者により Palmer Station で作成された稀な 1991 年の南极観測ステーション用コンピューターゲーム「LAN-LOK」を成功裏に蘇らせた。本プロジェクトは、同ステーションで初めてのピアツーピア LAN（PalmerLAN/GrapeVine）の設置後に開発が行われた「Evil Al サボタージレース」というタイトルであり、30 年以上も知られていなかったところ、創業者である Chris Hanson が 2025 年に未開封のコピーを発見した。Hanson はその後にゲームの対抗役（悪の AI「Evil Al」）の実在のモデルとなった人物である Al Oxton（「ajo」氏）と連絡を取り、メールを通じて作成の詳細を確認させた。このプロジェクトは、この廃棄された 16 ビットプログラムを現代的な遊べば良い体験へと変え、現在 Archive.org でアクセスでき、AlphaPixel 経由でダウンロード可能となっている。 gameplay は、プレイヤーがディレクトリを削除したりディスクをフォーマットしたりするなどのサボタージュ行為を行い、AI が制御する「Evil Al」と対戦しながら、特定のターゲット（例：重要な"Hobbs"ノード）への攻撃と勝利に必要なスコア要件を満たすことを目指す 5 分のレースである。長期的な存続性を確保するため、AlphaPixel は Ghidra や Reko といったリバースエンジニアリングツールを用いてレガシーコードのデコンパイルを行い、16 ビットシステムと 64 ビットシステム間の互換性問題を解決するとともに、SDL フレームワークを使用してグラフィックおよび入力処理を更新している。また AI ツールの活用も行う可能性がある。この取り組みは単に南极からユニークなデジタルアーティファクトを救い出しただけでなく、AlphaPixel の広範なレガシーデータの復元に関する専門性を示しており、8 ビットデバイスから現代の RISC-V プロセッサに至るまでのさまざまなアーキテクチャにおいて、エミュレーションされたゲームからフォレンジック動画の回復まで幅広く対応できることを証明している。

2026/05/25 1:31

メモリコストがAI チップ全体の費用の約 2/3 に達している

## Japanese Translation: Epoch Analysis は、Creative Commons BY ライセンスで入手可能なオープンソース評価により、2024年第1四半期から2025年第4四半期にかけてのAI ハードウェアメーカー（Nvidia、AMD、Google、Amazon）の部品コストを分析しています。データによると、高帯域幅メモリ（HBM）が主要なコストドライバーとなり、そのシェアは2024年第1四半期の52%から2025年第4四半期には63%に増加しました。一方で、高度パッケージングのシェアは19%から15%へ低下し、補助部品は15%から9%へと減少したものの、ロジックダイのコストは約13–14%で安定して推移しています。これに伴い、総部品支出は2024年の約220億ドルから2025年後半には520億ドルへと急増すると予測されています。この増加のうち、HBM の価格と数量 alone による影響で約200億ドルの増加が見込まれています。四半期ごとのコストシェアの詳細な CSV ファイルは、2026年5月21日に更新されました。