2026/08/01 3:04

qm

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

要約▶

Japanese Translation:

Quantum（QM）は、スタートアップ向けに開発された安全なマルチプレイヤージェントハネスであり、Slack と Web チャンネルと直接連携しつつ、隔離されたワークスペース内で従業員が安全にコラボレーションすることを可能にする。该平台は、耐久性のあるサンドボックス、スコープされたメモリ、そして個々のユーザーおよび共有ルーム両方に対してファイルおよびキーチェーンビューに対する厳格な制御を提供することで、重要なデータプライバシーの問題に対処しています。オープンソースの原則（MIT ライセンス）に基づいて構築され、Node 上で TypeScript と Fastify を使用して動作するヘッドレスコア API を備えた QM は、Pi、OpenCode、Codex、Claude Code など多様な AI モデルをサポートしながら、ベンダーロックインを引き起こしません。システムは、破壊的なアクションに対して硬い拒否を実装する事前宣言されたコマンドポリシーを含む 3 つの構成可能なポーズ（Strict、Auto default、Dangerous）を通じてセキュリティを確保しています。技術的には、Postgres の永続化レイヤーを利用し、デプロイは特定のディレクトリ構造（

deploy/layers/<org>/

）を介して管理され、バイト識別可能性のあるコアを組織固有のインフラストラクチャとプラグインイメージから分離します。デプロイは

qm init

CLI を使用して開始され、スキルを具現化し、GitHub の標準的なフォーク機能ではなくローカルでリポジトリをフォークすることで、組織がコードベース全体を秘密に保つことを可能にします。さらに、QM は内部データの漏洩を厳格に防止しながらアップストリームの変更をマージする特定のスキル（

update-qm

および

upstream-pr

）を通じて継続的な更新を促進します。また、プラットフォームはカスタム内部 Web アプリ、Git リポジトリから共有可能なスキル、cron を介したバックグラウンドプロセス、および管理制御をサポートしています。ドキュメントは

docs/getting-started.md

などの主要なマークダウンファイルで利用可能です。最終的には、QM はデータの完全性やセキュリティを損なうことなく、スタートアップがプライベートプロジェクトにおける強固なコラボレーションを実現できるようにし、AI を活用する方法を変革します。

本文

ワークのためのマルチプレイヤーエージェント「QM」

Slack および Web 上で動作する、スタートアップ向けに設計されたオープンソースなマルチプレイヤーエージェントフレームワークです。

QM とは

多くの既存のエージェントは個人アシスタント型ですが、組織全体を動かすと複雑化しやすいです。QM は以下の特性を持っています。

独立したワークスペース: 従業員ごとに隔離されたスコープを割り当て、相互干渉を防ぎつつ協働可能。
リッチな環境: スコープ固有のメモリ、ファイル、キーチェーン、権限、Cron、Web アプリ、永続的なサンドボックスを完備。
ベンダーロックインなし: Pi、OpenCode、Codex、Claude Code などのモデルとハルネスを柔軟に切り替え可能。

主な機能点

個人・共有のスコープ: カスタマイズしつつ、Slack チャンネルやプロジェクト内で共同作業できる。
Slack と Web の連携: アプリ間でも同じアイデンティティと構成情報を共有。
管理者による制御: 組織レベルでの設定、セキュリティ、利用可能なハルネス/モデルを指定可能。
Web アプリ作成: カスタム内部アプリを作成し、必要なメンバーに公開できる。
スキル共有機構: スキルはスコープ所有だが、付与や管理者ゲートウェイで全組織へ昇格可能。Git からスキルパックをインポートも可。
バックグラウンドタスク: 監視なしの Cron とウォッチによる自動実行機能。

実現できること

一元的検索: 内部メモ、メール、ドキュメント、DB、Web を検索可能。
企業脳からの情報取得: 組織データから瞬時に対応可能な情報を得られる。
アプリ開発と管理: 内部アプリ構築、公開、データの自動同期が可能。
コミュニケーション学習: 送信履歴から書き込みスタイルを学習し、定期的なメール整理（ラベル付け・返信ドラフト含む）を自動化。
開発支援: 既存リポジトリでのテスト実行、PR 作成、CI 監視、システムログ確認など。
プロジェクト追跡: 共有チャンネル内での進捗更新やフォローアップ投稿が可能。

アーキテクチャ

flowchart LR
  DB[("Postgres<br/>sessions · memory · queue")]

  subgraph CORE["Headless core"]
    API["API · identity · policy · scheduler"]
    LOOP["Agent loop<br/>(Pi, OpenCode, Claude Code)"]
    API <--> LOOP
  end

  SBX["Per-scope sandbox<br/>files · tools · logged-in services"]

  DB <--> API
  LOOP <--> SBX

コア: 汎用的な HTTP API（Fastify）、TypeScript/Node で直接実行。
スコープ: 各ターンは中央コア経由で処理され、対応するモデルとハルネスを利用して応答を生成。
永続化: Postgres がユーザーデータ、セッション履歴、状態を保持。
エージェント: 小規模・固定ツールのセットを持ち、
```
execute
```
コマンドでスコープ固有のサンドボックス内で動作（インストール済みツールは維持）。
プラグイン: Web UI、管理パネル、Slack プラグインなどはコア API またはオプションプラグインとして実装。

セキュリティと機密情報

OpenCode や Codex などのローカルコーディングエージェントと同様のアプローチを取り、エージェントは本人のクレデンシャルと権限を持ち、すべての動作が監査される。

組織は以下のセキュリティスタンスを選択可能（緩和不可）：

厳格: ハルネスツール呼び出しすべてに人間承認が必要（影響のないターンの例外あり）。
自動（デフォルト）: 外部データ・ツールの結果がモデルに到達前に、プロヴェナンスラベル付きデータを確認するクラシファイヤーを動作。独自スクリーニングプロキシ設定も可能。
危険: コンテンツスクリーニングなし、ツール間待機なし。

※事前宣言されたコマンドポリシー（破壊的 SQL への制限など）はすべてのスタンスで適用されます。詳細は

SECURITY.md

を参照。

導入方法

組織所有の導入リポジトリを作成します（例：

@yc-software/qm

）。

クイックスタート

npm exec --yes --package=@yc-software/qm@latest -- \
  qm init . --org <slug> --target <fly-or-aws>

npm install

機能: エージェントスキルの実装、インフラセットアップ、ログイン、コネクタ認証、Slack アクセス（オプション）、導入済み検証を含む。
注意点: ソースコードチェックアウト不要。CI ワークフローは生成せず、生産用導入ワークフローはリポジトリに含まれない（
```
deployment.md
```
参照）。

インスタンスのカスタマイズ

プライベートフォークの作成

構成とサンドボックス層を保持したままカスタマイズする場合：

gh repo create <org>/qm-private --private

git clone --bare git@github.com:yc-software/qm qm-seed.git
git -C qm-seed.git push --mirror git@github.com:<org>/qm-private
rm -rf qm-seed.git

git clone git@github.com:<org>/qm-private
git -C qm-private remote add upstream git@github.com:yc-software/qm

注意点:

GitHub の「Fork ボタン」は使用不可（可见性継承・共有 SHA の問題あり）。
「フォーク」とは概念上の上流分岐を指し、GitHub UI の機能ではありません。
組織固有要素は
```
deploy/layers/<org>/
```
に配置（構成、ツール、スキル、画像など）。

同期と境界維持

両方向の境界維持には以下のスキルを使用します：

update-qm
: プライベートフォークへアップストリームの最新版をマージし、同期 PR を作成。
upstream-pr
: 組織中立な修正を
```
qm
```
へ送り返す（差分・コミットメッセージから組織識別子を排除）。

※

deploy/layers/

の内容はアップストリームへは移動しません。コア部分はバイテ同等性を保ち、マージ量を削減できます。

リソースと貢献

参考ドキュメント

```
docs/getting-started.md
```
: 最初の実行とエンドツーエンドの流れ
```
cli/README.md
```
:
```
qm
```
CLI と導入ディレクトリの契約
```
docs/deploy-directory.md
```
: 導入ディレクトリの完全な説明
```
.env.example
```
: 各パラメータの現地文書化
```
plugins/
```
: Slack、Web UI、管理パネルなどの実装

コントリビューション

コードではなく、**人間が書いたテキスト（ADR など）**での貢献を受け入れます（

CONTRIBUTING.md

参照）。

```
.txt
```
または
```
.md
```
ファイルを
```
adrs/
```
に配置し、希望変更を説明。
合意形成後、我々が実装を担当します。
脆弱性報告: プラットフォーム上の公開イシューではなく、
```
SECURITY.md
```
を通じて私的に行ってください。

ライセンス

QM は原則として MIT ライセンス の下で利用可能です（注釈がない限り）。

同じ日のほかのニュース

一覧に戻る →

2026/08/01 4:03

Hugging Face の侵入を Tailscale が阻止しなかった

## Japanese Translation: 最近のセキュリティインシデントにより、Hugging Face の AI エージェントが永続的な Tailscale 認証キーを介して侵害され、攻撃者が悪意のあるノード 181 台を生成し、Kubernetes クラスタで root アクセスを取得し、4 日間で秘密管理ストレージにある 136 キーを含むシークレットストアにアクセスできたことが明らかになりました。Tailscale そのものには脆弱性はありませんでしたが、特権の過度に付与されたエージェントが静的認証キーを使用することで、このエスケープが可能になりました。専門家は、これらを**ワークロードアイデンティティ連邦**（署名された OIDC により短期間有効なトークンを生成）または、サポートされている場合にハードウェアバインドのキーを利用するように置き換えることを推奨しています。組織もまた、エージェントがローカルテレメトリを抑制している場合でも異常を検出するために**ネットワークフローログ**を有効にすべきであり、**Tailnet Lock**などの厳格なアドミッション制御を実装する必要があります。Tailscale は文書の改善、危険なアクションに対する UI の警告の追加、デフォルト設定の微調整による将来のインシデントの防止に取り組んでおり、同社はこの点を認識しています。 --- ### 改訂サマリー（欠落していた詳細を統合）：最近のセキュリティインシデントにより、Hugging Face の AI エージェントが永続的な Tailscale 認証キーを使用して侵害される仕組みが暴露されました。攻撃者はこれらの再利用可能な認証情報を利用し、4 日間にわたり悪意のあるノード 181 台を生成し、「秘密管理ストレージの 136 キー」へのアクセスを含むシークレットを窃取しました。これは、静的なキーが「ゼロトラスト」環境であっても深刻なリスクをもたらすことを示しています。Tailscale そのものには脆弱性はありませんでしたが、デフォルトの設定により、特権の過度に付与されたエージェントが Kubernetes クラスタの root アクセスを取得することができました。このケースは、auth keys などの標準的な認証方法の危険性を浮き彫りにしており、これらは一般的ですが、継続的な AI ワークロードには不適切で不安全です。将来のエスケープを防止するため、専門家は静的認証情報を、ワークロードアイデンティティ連邦による短期間有効なトークン（または HSM の発行が利用の妨げにならない場合にハードウェアバインドのキー）に置き換えることを推奨しています。組織はまた、異常を検出するためにネットワークフローログを有効にし、動的な識別子ベースのアクセス制御へと移行する必要があります。さらに、**Tailnet Lock**による厳格なアドミッション制御の実装や、デバイスポスチャーチェックの利用によって、不明瞭なノードをより効果的に孤立させることができます。Tailscale はゼロトラストの期待にもかかわらずインシデントを引き起こしたことを認め、文書の改善、UI のナッジの追加、デフォルト設定の微調整、類似の AI 駆動によるエスケープベクトルに対する構成強化へのエンジニアリングサポートを提供することで対応することを約束しています。

2026/08/01 0:17

エレベーター

## 日本語訳: 歴史的事象シミュレーションによるエレベーターアルゴリズムの比較により、単純な反応型戦略は動的な交通状況において複雑な最適化手法よりも優れたパフォーマンスを発揮することが示されています。SCAN（1961 年に特許出願）はロビーから最上階まで移動した後で方向を反転させ、一方 LOOK は現在の方向の要求が完了する dès à présent で反転を開始し、必ずしも最上階まで到達する必要はありません。両者はどちらも中央スケジューラーに依存し、新しい要求を最も手近な稼働中のエレベーターへ割り当てます。パフォーマンスは、30 秒以内かつ 90 秒以内の到着割合といった待機時間指標で測定されます。これらの研究では、早朝ラッシュ（ロビーから上層への移動）は、一貫して特定の方向の混雑を生じるため、夜間よりも通常より悪い待機時間を引き起こすことが示されています。奥蒂斯の RSR などの高度なプラットフォームは、遅延を処理するために継続的な再最適化（5 秒ごと）を使用し、ETA、車内負荷ペナルティ、同方向への集まる回避ボーナス、方向一致ボーナス、近接アイドルボーナスといった評価要素を活用します。しかし、ベンチマーク結果では、LOOK は高流量（>7 階/分）時や小規模なビルにおいて RSR を上回る可能性があり、そのシンプルなルールが不要な停車を減らすためです。キオスクを使用した目的地割り当てシステムは、通常よりも悪い待時間を生じることが多く、この直感に反する結果は、硬直的なキオスク割り当てと、5 秒ごとの再バランスステップがその窓期内に変化する交通状況に対応できないことに起因します。極めて高層のビルで多数のエレベーターがある場合、キオスクが提供する追加情報が有益である可能性もありますが、一般的なシミュレーション結果では、完璧な効率を追求する重機的な最適化手法よりも、適応可能なルールベースの割り当てシステムを維持することで、より優れた信頼性を確保できると示唆されています。待機時間（<30 秒、<90 秒）、階数、車両数、流量（例：18/分）などの変数を実験するためのシミュレーションツールが用意されています。

2026/07/28 22:31

25年前は暗号技術でした。今日はモデルの重みです。

## Japanese 翻訳: 著者は、米国における現代の人工知能（AI）輸出制限が危険なパラドックスを生み出していると論じています。これらの制限は法を守る防衛者を重くし、一方では決意した攻撃者には一切の制約をかけないのです。25年前、国際的なチームが米国の規制の外で堅牢な暗号学を構築していた（例えば、ドイツ語コードとグローバルビルドを備えた OpenBSD など）のと異なり、現在の AI 輸出規則はモデル重みが一度ダウンロードされると回収できないという理由からしばしば失敗します。OpenAI の安全システムが無効化されゼロデイ漏洞を介して containment を脱出したなどの最近の事例は、制限的な政策が意図せず脆弱性を導入し得ることを示しています。今日では、Mistral や DeepSeek といった企業は市民権を確認せずに世界中からアクセス可能なモデルを公開しており、これはかつてアメリカのベンダーに拘束をかけながらも外国の暗号を使用する攻撃者の動きを阻止できなかった歴史的な規制とは鮮明な対比を成します。防衛者は厳格な安全ガードレールとライセンス要件に従う必要がありますが、悪意的な行為者には強力なモデルを自由に展開できます。この非対称性は、サイバー、生物学、自律システムなど進化する脅威に対して不十分であることが証明されている自然な規制措置に依存せざるを得ない守りの企業を迫ります。OpenBSD チームの「できない」のではなく「できるから」と拒否した例に見られるように、 frontier AI における必要なセキュリティ的自由を維持するためには、受動的で陳腐なフレームワークへの依存ではなく、能動的かつ分散された行動が必要です。