Google Antigravity 2.0で専門技術記事はどこまで作れるか：宇宙電子機器編

複数の論文や記事を読む際、LLM に個別に要約させるだけでは学習効率が限定的。異なるタイミングで読んだソース間の関連性を発見することが、研究の質を左右する。人間の記憶には限界があるため、LLM Wiki のような仕組みで知識を体系化し、相互関連を可視化することが有効。

Claude と ChatGPT が B13 理論の数学的観察について議論した過程の記録。AIが未知の現象を既存の代数構造（体拡大、固有値など）へ翻訳する傾向と、その限界を分析。√が加法の履歴を圧縮した記号であるように、AIの応答様式もまた生成過程を既知の記号へ圧縮する操作であることが指摘される。

AI コーディングアシスタントで実装したコードが動作しても、翌日に自分で読み直すと内容が追えない問題に直面。原因は使用ツールが「現在のファイルのみ」を参照しており、プロジェクト全体の依存関係や命名規則を無視していたこと。Cursor、Claude、GitHub Copilot、Amazon Q Developer など各ツールのコンテキスト認識範囲は異なり、プロジェクト構造に応じた選択が重要。

顔出しなし YouTube チャンネル運用で、単純な AI 台本量産は重複やファクトチェック漏れを招くため失敗。生成担当と検証担当を異なるモデルに分け、数値の合格ラインを設定し、重複検知は機械的に照合する仕組みを構築。これにより人間のチェック負荷が激減し、同時に失敗パターンをルール化して再発防止を図った実運用事例。