MCP なしとの回答でした

2026/09/30 18:55

MCP なしとの回答でした

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

要約▶

Japanese Translation:

Pi.dev は、Model Context Protocol (MCP) の統合によってアーキテクチャを根本的に向上させ、同標準が構造化されたデータをテキストダンプよりも優遇するといった大幅な進歩を目撃し、従来の懐疑観を覆しました。この統合により「Jev」の使用が可能となり、「Codemode」が導入されました。Codemode は harness 側でバッシュループではなく JavaScript サンドボックス内でツールの呼び出しを調整します。MCP が設定されている場合、Codemode はセッション状態を自動的に管理し、構造化されたツールの発見とカスタムロジックを組み合わせた柔軟なワークフローを実現します。例えば、Linear イシュートラッカーなどのリッチなデータソースを Cloudflare Workers AI を用いて分析し、バグ进行分类したり不満を持つコメント投稿者を特定したりすることもでき、コンテキストメモリを劣化させることなく実行できます。分析判定結果は後続の再プレイおよびレビューのために特定して保存され、複雑なデータ分析を高速化し、型安全性を高め、かつ Pi エコシステム内に完全に封入することで、開発者の体験を変革します。

本文

Pi への MCP コア統合と Codemode の進化

かつて Pi.dev は「MCP サポートなし」と宣言しましたが、現在は Pi アップグレードで MCP が公式にサポートされるようになりました。なぜ方針が変わったのか?その理由は以下の通りです。

世界の変化と戦略転換

  • 静止した世界ではない
    • 過去 1 年間で MCP 技術が急速に進化しました。
    • 以前の「拡張機能としての扱い」から、現在は 「コアの一部」として再考・統合 されています。
  • Pi のエコシステムとの親和性
    • Pi は優れた拡張機能エコシステムを備えています。
    • MCP はインタプリタ形式の「触って遊べるサンドボックス」という点で、Pi の求めるものと非常に似ています。

具体的に何が変わったのか?

ツール統合の向上

  • Jev との連携強化
    • 変更により、Jev というツールを Pi 内でより容易に利用できるようになりました。
  • 従来の課題解消
    • Codemode を備えた MCP は、従来からの多くの問題(遅延読み込み、メタデータ不足など)を解決します。

アーキテクチャの再設計

  • 単純なダンプからインテリジェントな発見へ
    • 従来のハルネスは「ツールをコンテキストにダンプ」するだけでしたが、現在は OpenAPI に近く、構造化されたデータを返し、インテリジェントにディスカバー可能 な方向へシフトしています。
  • JavaScript サンドボックスの活用
    • CLI のように Bash コマンドを組み合わせる必要はありません。
    • MCP は Codex/Harness が行うように、ツールを JavaScript のサンドボックスに公開する構造 となっています。

LLM における現代の MCP

なぜ Codemode を別実装にしなかったのか?それは以下の理由からです。

  • モデル対応の柔軟性
    • Pi は最近、新しいモデルへの遅延的なツールの読み込みや、推論レベルの変更などに対応できるように構築されました。
    • ツールのロッドアウト(構成)もこれらの能力に適切に対応するようアップグレードされています。
  • メタデータの最適化 -通常の MCP 拡張機能では十分なメタデータが得られず、「Codemode 固有のツール」として振る舞う必要がありました。
  • 擁抱する姿勢
    • 何かを肯定的に影響させる最良の方法は、それを擁抱することです。
    • 私たちは現代の MCP をより良好な位置にあると考えていますし、サーバーやパターンもさらに改善できます。

Codemode とは何か?

2 つの実行環境の違い

  • 一般的なハルネス(Harness)
    • ハルネスのエージェントループ内で動作するが、ツール実行には信頼性の低い環境を使用することが多い。
  • Codemode の特別之处
    • ハルネスが実行される場所と同じ場所で動作します。
    • ツール呼び出しのオーケストレーションと調整を担当し、順序に関する柔軟性を与えます。
    • JavaScript を使用して統合するサンドボックスであり、状態はファイルシステムではなくセッション転写(トランスクリプト)の一部として維持されます。

技術的利点

  • JavaScript と WASM の組み合わせ
    • 理論的にはあらゆる言語可能ですが、小さなサイズで保護された WASM バイナリ として配布できる JavaScript が特に魅力的です。
  • 自動読み込み
    • Pi で MCP を構成すると自動的に Codemode が読み込まれ、デフォルトのツールとして追加されます。

実用例:Linear MCP と Jev の統合

「typesafe/jev を使用して、タスクトラッカー(Linear)で最もイライラしたコメントの著者を特定」するというシナリオが可能になります。

  1. Linear MCP から開かれた問題を取得
  2. Jev に各スレッドのトーンを 4 つ評価させる
  3. 分析と可視化
    • Linear と Jev を賢く統合し、Pi 内部から分析を行います。
    • 一切のコンテキストを無駄にしません。

コード例:Jev クラスファイヤー(分類)の実装

以下のスクリプトで、Linear MCP と Jev の連携を示します。

const { issues } = await tools.mcp__linear__list_issues({
  team: "Pi", state: "open", limit: 250,
});

// Jev モデルをロード
const jev = await models.getModelOfType(
  "classifier", 
  "cloudflare-workers-ai", 
  "typesafe/jev"
);

// 分類用クエスチョン定義
const questions = {
  frustration: {
    type: "choice",
    instructions: "書き手の感情的なトーンだけを判断してください。バグの深刻さは無視してください。",
    criteria: {
      none: "中立、事実に基づいたもの、あるいは深刻なバグに関わっても友好的",
      mild: "明確な不満、焦り、または失望",
      high: "明らかに怒っている、イライラしている、皮肉を言っている、または参っている",
    },
  },
};

// 並列処理で問題を評価
const results = [];
let next = 0;
async function worker() {
  while (next < issues.length) {
    const issue = issues[next++];
    // コメントを取得
    const { comments } = await tools.mcp__linear__list_comments({
      issueId: issue.identifier,
    });
    
    // Jev で分類実行
    const c = await models.classify(jev, { 
      state: { ...issue, comments }, 
      questions 
    });
    
    results.push({ 
      id: issue.identifier, 
      title: issue.title, 
      ...c.answers.frustration 
    });
  }
}

// 並列実行
await Promise.all([worker(), worker(), worker(), worker()]);
store("frustration", results);

結果の出力

{
  "total": 167,
  "counts": {
    "none": 156,
    "mild": 11
  },
  "flagged": [
    "PI-7740 TUI after /reload does not follows custom tool's re…",
    "PI-9566 context size defaults to 128k despite the real size…",
    "PI-10031 Pi sporadically stuck in \"Working...\" when thinking…",
    "PI-4714 [feature] /update TUI command instead of pi update",
    "PI-5916 Support provider extensions with model aliases and…",
    "PI-7547 [Windows] [sink-thread] How do you use Pi on window…",
    "PI-6907 Add an Installation section to the README",
    "PI-6212 Proposal: Bedrock path should honor `compat.forceAd…",
    "PI-9932 before_agent_start: forced system prompt keeps tool…",
    "PI-7730 High CPU usage on Mac OS with long session",
    "PI-6600 pi update --extensions and npm scripts: npm 11.16.0…"
  ]
}

結果分析

  • 全体の状況
    • 開かれた 167 の問題のうち、156 は中立、11 がわずかにイライラと評価されました。
    • 高レベルのイライラを抱えているものは見つかりませんでした(今回の分類基準による)。
  • 最も明確なケース(トップ 10)
    • PI-6900
      :README にインストールセクションがない
    • PI-10031
      :Esc キーを押して思考中から固まる
    • PI-4714
      :/update コマンドのリクエスト
    • PI-7730
      :macOS で長時間セッション時に高い CPU 使用量
  • データの活用
    • 各問題の判断結果は Codemode の「frustration」下に保存されます。
    • 問題リストを再度取得することなく、どの項目も掘り下げることができます。

結論

Codemode と MCP の統合は、Pi が世界の変化に合わせてどのように慎重に適応し続けているかの具体例です。

  • 従来型:単なるダンプ、低信頼性環境
  • 現代型(Codemode):高信頼性サンドボックス、JavaScript ベース、動的なオーケストレーション

この進化により、Pi はより高度なツール発見とインテリジェントな自動化を実現しています。

同じ日のほかのニュース

一覧に戻る →

2026/10/01 5:04

ジェミニ 4 アルゴン

## Japanese Translation: Google は、ソフトウェアエンジニアリング、企業向け知識業務(法務および財務を含む)、およびサイバーセキュリティ防衛における複雑で長期にわたるワークフローを扱うための深い推論に特化された AI モデル「Gemini 4 "Argon"」を発表しました。Argon は産業標準を超える出力トークン制限 100 万トークン(従来の 64K から向上)をサポートし、単一のトリアジェクト内での複雑な問題に対する深い推論を可能にします。そのアーキテクチャには、最適化された量子コンピューティングサブルーチンが組み込まれており、 prior システムと比較して約 40% の高速化を実現するとともにメモリ使用量を大幅に削減しています。内部テストの結果では、Google データセンター全体で 300 TiB を超えるメモリが解放され(推定節約額は 500 TiB〜1 PiB)、効果が確認されました。 Argon は現在、Fairwind プログラムを通じて信頼されたサイバー防衛者に対してのみ展開されており、米国政府による任意のプレリリースアクセスレビューを経ています。一般公開は安全なガードレールのさらなる精錬を待って行われ、まず有料 API 顧客および Google AI Ultra 契約者のみから開始されます。安全対策には、CBRN 攻撃への拒否メカニズム、Gray Swan IPI ベンチマークにおける間接プロンプトインジェクションに対する堅牢性、思考の連鎖分析を通じた非整合性のモニタリングなどが含まれます。 ベンチマーク結果は Argon の能力を浮き彫りにしています:ソフトウェアエンジニアリングタスクにおいて DeepSWE v1.1 で 77.9% のスコアを達成し、AutomationBench では 51.3% のスコアで第 1 位にランクされ、長期間のビデオ理解における LVBench で 91.7% のスコアを獲得、CWE-bench v1 では脆弱性修復において 68% のスコアで 1 位と並んでいます。また、Wiz の Scan for Good イニシアチブにおいて、以前の実験モデルが見過ごしていた世界中で使用されている医療ソフトウェアにおける重大な脆弱性を成功裏に特定しました。 価格は入力トークン 100 万あたり 2 ドル(出力トークン 100 万あたり 10 ドル)から開始され、キャッシュされた入力トークンは標準の入力価格に対して 95% の割引で利用可能です。このコスト効率の高い構造は、大規模な計算タスク向けに高度な AI 機能を可能にすることで、長期ワークフロー自動化およびサイバーセキュリティ防衛戦略を革新することを目的としています。さらに、Argon エージェントは積極的に C/C++ コードベースを Rust へ移行しており、re2 などのコアライブラリでは数万行以上、Fuchsia Zircon カーネルでは最大 800 万行以上に達しています。libgav1 ビデオデコーダーの Rust ポートと比較して 2.7 倍の速度向上を実現するとともに、出力とメモリの安全性を維持しています。

2026/10/01 7:03

機密レベルトップの衛星「URSALA」「RAQUEL」「FARRAH」

## Japanese Translation: HEXAGON LEO の20機の衛星は、1971年から2000年代初頭にかけて、軍の重要な電子偵察(ELINT)資産として機能した。当初「プログラム11」と正式名称、俗に「 hitchhikers(ひき寄せ乗り)」と呼ばれたこれらの低軌道システムは、基本的な国集情報収集ツールから、戦術的国家能力の戦術的活用(TENCAP)プログラムの導入により、直接的な戦場支援システムへと進化を遂げた。大気抵抗によって苦悩した1960年代の使い捨てモデルとは異なり、後続の機体にはレーダーサイドローブおよび未使用周波数帯の実時分析能力を備えた搭載コンピュータを搭載し、データを戦術的な地上バン、船舶、航空機に直接伝送する機能を持たせた。この機能は、1973年の中東戦争やフォークランド紛争(RAQUELを利用)の際に極めて重要な役割を果たした。主要な衛星にはURSA LA、FARRAH、GLORIA、CARRIEが含まれ、早期モデルであるMABELIやTOP HAT IIは限られた運用寿命を有する一方、FARRAH I/IIなどの機体は30年にわたり運用された。ロッキードなどによる契約業者の継続的な機能維持と、GLORIA、CARRIEといった特定のペイロード向けのスペースシャトル打ち上げへの転換が進んだ一方で、多様な打上げ車両を維持することに伴う高コストに加え、初期のシャトル打上げの後での打上げ車輛への復帰(変換したタイタンIIICBミサイル)および1回の失敗(FARRAH IV)が原因となり、プログラムは次第に退役へと向かった。1997年9月時点で、検出率は1993年の55個からわずか18個へと急落しており、プログラムの終了前から偵察産出量が著しく低下していたことが示された。最近解秘されたこれらの衛星に関する新たな重要情報が、過去2カ月以内に発表された。

2026/10/01 4:04

驚くほど複雑な波が脳の内部の働きを明らかにする

## Japanese Translation: 脳は、複雑な情報処理における基本的なモチーフとして伝播波に依存しており、単に一般的な神経活動を反映するだけでなく、空間的ナビゲーションや感覚予測を援護しています。2024 年の『Nature Human Behavior』に掲載された研究では、往復する波動が記憶の符号化と想起を支援することが示されました。また、2026 年の『Nature Communications』に掲載された Joshua Jacobs 氏(Anup Das 氏らとの共著)主導の研究では、てんかん患者に用いられる約 100 の脳内電極を用いて、同心円状のリッチルと回転する螺旋波という追加の動的パターンを特定しました。回転する波動は、より単純な言語タスクよりも複雑な空間的ナビゲーション中により頻繁に観測されるため、高度な認知機能における役割が示唆されています。数学者および生物学者である Bard Ermentrout 氏は、以前に観測された単純な「平面」状の波動は、電極配置の制限により生じた大きな複雑なパターンの部分的な視覚に過ぎなかった可能性を提唱しました。高忠実度なデータが存在するにもかかわらず、これらのパターンの完全な普遍性を捉えることは限られており、電極を設置した治療部位のみで観測が制限されている可能性があります。これに関する議論は現在も継続しており、一部の研究者(例:Earl K. Miller)はこれらの動的層が機能的に重要であると主張する一方、他の研究者(例:György Buzsáki)はそれらが基礎となるシナプス計算を反映していると論じています。異種間での研究はこの図像をサポートしており、2026 年 6 月の『Science』に掲載された研究ではマウスの大脳皮質内で鏡像され同期化した回転する波動が確認されました。また、2026 年 9 月の『Neuron』に掲載されたレビューでは、視覚野における伝播波が次に来る感覚情報を予測するのに役立っていることが強調されています。これらのパターンの機能的役割を解明することは、単なる活動記述を超えた大脳皮質処理モデルの洗練につながります。