Token Lab検索

JEV · AGENT SYSTEMS

Jev とエージェント Harness:判断、文脈、費用と実行制御

拡散した PDF の主張を検証し、型付き判断をエージェントへ組み込む仕組みを参照図、計算例、実行可能な教材で解説します。

JevHarnessRLCDContext engineering

出典とバージョン
この記事の目次

Jev が変える部分とソフトウェアの責務

コーディングエージェントは推論と操作を繰り返す状態付きプログラムです。Harness は文脈、ツール、予算、観測記録と実行制御を担うランタイムです。モデルはパッチを提案し、ランタイムは参照するリポジトリの版と実行権限を管理します。

Jev は TypeSafe の判断モデルであり、コード生成モデルの代替ではありません。状態から型付き判断を返します [1]。HTTP クライアントの再試行増幅を直す SRE エージェントを例に、生成モデル、証拠選択、権限制御を分けて考えます。

目標はルーティングの採算を計算し、再生可能な小さな harness を構築することです。JSON は契約、確率は不確実性、キャッシュは同一性と版に依存する再利用です。Python 関数とタイムアウトの理解があれば、有料モデルなしで演習できます。

宣伝と根拠の対象を分ける

12 ページの PDF は 2026 年 9 月の独立編集資料で、TypeSafe 非公認と明記しています。提案は明示的状態、質問別の文脈と方針によるルーティングです [2]。Almeida は InstructGPT 共著者ですが [3]、それだけで PDF の著者とは言えません。

公式報告の 193.6× と 444.6× は、モデルの確率を参照する選定 System One ワークフローの比較です [4]。エージェント全体の改善を証明しません。提示文の「2 時間」も再現手順を伴いません。

判断 1 回、ワークフロー、正しい修正では分母が違います。再試行が増えれば安い試行でも解決単価は上がります。本稿は独自の設計分析とローカル模擬実験であり、非公開内部の再現ではありません。

文章生成から境界のある判断へ

自己回帰生成は次のトークンを逐次予測します。有限の判断は既定の結果集合を扱います。TypeSafe は並列出力と RLCD を説明していますが [4] [5]、学習を再現できる構造、損失、データは確認できません。推測した内部実装を事実として示しません。

「サービスを直す」は調査が必要です。「この証拠の担当サブシステムはどれか」は候補付き判断です。ただし再試行方針を欠くスタックトレースでは、形式的に正しくても原因を見誤ります。

スキーマは存在しないツール名を防げても、合法なツールの誤選択は防ぎません。型付き関数でも間違った整数を返せます。構造化出力 LLM と同じ課題で品質、校正、遅延を比べる必要があります。

記号 x は入力、y₁:T は token 列、s は状態、Q は質問、A は許可回答集合です。後半はインターフェースの抽象で、Jev の学習目的ではありません。

モデルの前に質問を設計する

Choice は候補選択、Score は順序付き基準、Noul は命題の確率です [6] [7] [8]。関連度 0.8 はパッチ正答率 80% ではありません。候補を一つ選んでも、その集合に原因が含まれる証明にはなりません。

証拠には目標、版、失敗した assertion、抜粋、許可候補 ID、欠落情報を含めます。十分性と関連性を別々に尋ね、不足なら検索へ戻します。欠落と矛盾は異なる理由として記録します。

独立質問は同一スナップショットでまとめます。B が A の回答に依存するなら次段階に分けます。基準と閾値を版管理し、過去ログの意味を維持します。

校正、集中度、誤りの損失

Choice confidence は最大確率を一様分布からの距離として再尺度化します [9]。3 候補で最大 0.8 なら 0.7 です。二つを確認しても独立証拠にはなりません。Noul に別の confidence はありません。

校正は集団の性質です。0.8 付近の予測なら約 80% が成立することを期待します。一定確率でも校正可能ですが識別力は低くなります。高精度でも希少な危険操作で過信し得ます。言語、リポジトリ、操作別に調べます。

独自例として誤操作の損失 100、完全な人手確認の費用 2 とします。自動化の損失は (1−p)×100 なので p>0.98 が条件です。実用閾値ではありません。人も誤り、損失も変わり、確率は権限を付与しません。

再試行障害の参照アーキテクチャ

コントローラーは ID、アクセス範囲、固定 commit を作ります。読み取り結果にパス、範囲、ハッシュを付け、外部ルーターにも送信前の秘匿情報除去を適用します。状態ストアは不変観測を保持し、方針はコントローラーが管理します。

必須指示と失敗 assertion を固定し、残予算に証拠を追加します。判断モデルの提案を許可プロバイダーと予算で制限し、生成モデルのパッチを隔離 worktree で適用します。ツール出力は情報であり権限ではありません。

タイムアウトは保守的経路か確認へ戻します。不正応答は実行しません。古い版は再読込し、取消後は新規操作を止めます。派遣済み API の料金は残り得ます。クラッシュ後は未知結果を照合してから書込を再試行します。

独自参照図。提案は方針を通り、許可済み実行器のみ操作します。破線は観測記録。TypeSafe 内部図ではありません。クリックで原寸。
独自参照図。提案は方針を通り、許可済み実行器のみ操作します。破線は観測記録。TypeSafe 内部図ではありません。クリックで原寸。
構成要素入力 → 出力保証しないもの
判断モデル証拠と候補 → 確率権限・事実の確実性
文脈構築許可証拠と予算 → パケット省略証拠の無関係性
方針エンジンID と範囲 → 許可/確認/拒否パッチの正しさ
実行器許可提案 → 観測タイムアウト時の無作用
独立検証パッチと検査 → 結果検査範囲外の正しさ

文脈選択は証拠の予算配分

再試行上限を残す規則、現コード、失敗 assertion は古い会話より重要です。チャンクには ID、版、由来、サイズ、権限、必須フラグが必要です。要約は原文への参照を残します。

教材モデルは予算内で各チャンクの表現を選びます。効用は推定であり、定義と呼出しのような依存関係もあります。必須契約と出力予算を先に確保し、収まらなければ拒否します。

安定した前置部分と動的証拠を分け、ハッシュ変更で要約を無効化します。FastContext の検索研究は別の証拠であり [10]、Jev の測定と呼べません。

安い呼出しだけでなく経路全体を計算

合成例:入力 1 万 token を百万当たり $2、出力千 token を $8 と仮定すると $0.028 です。現行価格ではありません。安価経路 $0.010 に移管・確認 $0.015、判断 $0.001 を加えると $0.026、節約は 7.1% だけです。再試行 $0.004 が加われば逆転します。

判断が時間の 20% で 200 倍高速化しても、Amdahl 則では全体約 1.248 倍です。並列処理は重複 span の合計でなくクリティカルパスを見ます。

失敗、検索、確認込みの受理修正単価を比較します。版とキャッシュ条件を一致させ、プロンプト課金と KV 常駐を同一視しないでください。

nᵤ、n꜀、nₒ は非キャッシュ入力、キャッシュ入力、出力の token 数、p は百万当たりドルです。C_d は判断料金。S の f は元の時間割合、s はその倍率で、直列かつ他処理不変を仮定します。

独自 Amdahl 計算。判断を 200 倍高速化。横軸は元の判断時間割合、縦軸は全体の倍率。合成例で実測ではありません。
独自 Amdahl 計算。判断を 200 倍高速化。横軸は元の判断時間割合、縦軸は全体の倍率。合成例で実測ではありません。

提案は実行権限ではない

パッチ準備の許可は本番展開の許可ではありません。ルーティング前と実行直前に動作・対象を確認し、承認を ID、ダイジェスト、有効期限、版に結び付けます。

危険文字列の検索だけでは shell を保護できません。子プロセス、import、symlink が影響を変えます。限定操作、正規化パス、隔離、資源制限を使い、本番資格情報を渡しません。テストもコード実行です。

コメントとログにも注入があります。出典は権限ではありません。書込タイムアウトは未実行を意味しないため照合が必要です。SQLite は外部 API と原子的には更新できません。

全体再構築の前に判断点を一つ導入

導入には skill、呼出し可能なツール、全ターンを制御するネイティブ harness の三段階があります。skill 導入だけで全制御は得られません。使用版の拡張点を確認します。

まず証拠順位を影運用で記録し、実行を変えず比較します。少数タスクで有効化し即時ロールバックを残します。独立した文脈と短い結果を渡せる段階でルーティングを追加します。

アダプターは構造検証、解決済みモデル版、期限、同時数と失敗費用を管理します。キャッシュにモデル・質問・方針版と状態ハッシュを含め、テナント間共有を避けます。公式 API と skill は末尾です [11] [12]。演習は固定応答であり有料呼出しを行いません。

有効な場面と未解決の課題

決定的な判定はコード、関連性は embedding や reranker、有界判断は決定モデル、新しいパッチは生成モデルに任せます。すべての分岐を AI 化する必要はありません。

購買者は開発基盤チームなどで、費用と機密条件を満たす正しいタスクを求めます。専業は遅延・校正、総合モデルは統合・キャッシュ、harness は作業と監査、自己運用はデータ管理で差別化します。市場占有率や買収の主張ではありません。

希少事象、候補欠落、削除した依存関係、判定器の相関誤りが残ります。過剰な並列化は費用を増やします。ルーター最適化は再帰的知能改善の証明ではありません。

実践、検証と面接練習

Python 3.11 以降で python3 lab.py を実行します。依存、鍵、通信は不要です。固定応答なので乱数 seed は不要です。メモリー内 SQLite に異なる判断が 5 件残り、同一要求は再利用されます。プロセスを越える復旧の実装ではありません。

必須証拠、確率検証、経路提案、方針適用の順に読みます。ハッシュで再生を識別します。貪欲選択は最適解保証がなく、token 数は仮定値です。shell やパッチ生成は行いません。

policy/assertion/implementation の選択、予算不足の拒否、曖昧・不正応答の review、deploy の deny を確認します。版変更では新規記録になります。未承認提供者、NaN、候補欠落、方針版変更も試し、それぞれ確認、構造拒否、構造拒否、新規 ID を期待します。永続化前に同時処理と復旧を追加します。

原 agent、規則、構造化 LLM、Jev を同じ未使用課題と権限で比較します。文脈選択と routing は別々に追加します。成功率、解決単価、p50/p95、キャッシュ、人手時間、違反を記録し、難度別反復と不確実性を報告します。校正用と最終テスト用を分けます。

Brier は (p−y)² の平均で例は 0.255 です。4 例では校正を証明できません。閾値別の自動処理率と誤りを併記します。全件人手なら自動化はゼロです。証拠不足、注入、停止、古いハッシュ、書込結果不明も対象にします。

Python 教材をダウンロード
"""Python 3.11+, standard library only. Offline harness simulation, NOT Jev.
No network, shell execution, real code edits, GPU or model benchmark.
Run: python3 lab.py
"""
from dataclasses import dataclass
from hashlib import sha256
import json
import math
import sqlite3

@dataclass(frozen=True)
class Chunk:
    id: str
    revision: str
    text: str
    tokens: int  # Synthetic fixture sizes, not a tokenizer measurement.
    utility: float
    mandatory: bool = False


def select(chunks, budget):
    if budget < 0 or len({c.id for c in chunks}) != len(chunks):
        raise ValueError("invalid budget or duplicate chunk")
    if any(c.tokens <= 0 or not math.isfinite(c.utility) for c in chunks):
        raise ValueError("invalid chunk")
    pinned = [c for c in chunks if c.mandatory]
    left = budget - sum(c.tokens for c in pinned)
    if left < 0:
        raise ValueError("mandatory evidence exceeds budget")
    result = pinned[:]
    # A transparent greedy heuristic; not an optimal dependency-aware solver.
    for c in sorted((c for c in chunks if not c.mandatory),
                    key=lambda c: (-c.utility / c.tokens, c.id)):
        if c.tokens <= left:
            result.append(c)
            left -= c.tokens
    return result


def validate_answer(answer):
    if not isinstance(answer, dict) or set(answer) != {"choice", "probabilities"}:
        raise ValueError("invalid answer schema")
    p = answer["probabilities"]
    if not isinstance(p, dict) or set(p) != {"local", "frontier", "review"}:
        raise ValueError("unknown candidates")
    if any(type(x) not in (int, float) or not math.isfinite(x) or not 0 <= x <= 1
           for x in p.values()) or not math.isclose(sum(p.values()), 1.0, abs_tol=1e-8):
        raise ValueError("invalid probabilities")
    if answer["choice"] not in p or p[answer["choice"]] != max(p.values()):
        raise ValueError("choice does not match maximum")
    return p


def choose_route(answer, action, policy):
    # These are typed fixture actions. No shell-string safety claims.
    if action not in policy["allowed_actions"]:
        return "deny"
    try:
        p = validate_answer(answer)
    except ValueError:
        return "review"
    target = answer["choice"]
    if target not in policy["eligible_routes"] or p[target] < policy["threshold"]:
        return "review"
    return target


def record(db, state, action, policy, answer):
    # Identity includes all decision inputs, not just an action name.
    payload = json.dumps([state, action, policy, answer], sort_keys=True,
                         separators=(",", ":"), allow_nan=False)
    key = sha256(payload.encode()).hexdigest()
    existing = db.execute("SELECT result FROM events WHERE id=?", (key,)).fetchone()
    if existing:
        return existing[0], True
    result = choose_route(answer, action, policy)
    with db:
        db.execute("INSERT INTO events VALUES (?, ?, ?)", (key, payload, result))
    return result, False


def run():
    policy = {"version": "policy-1", "allowed_actions": ["inspect", "propose_patch"],
              "eligible_routes": ["local", "frontier", "review"], "threshold": 0.9}
    chunks = [Chunk("policy", "r1", "Keep retry cap; do not deploy.", 40, 1, True),
              Chunk("assertion", "r1", "Expected at most three attempts.", 60, 1, True),
              Chunk("implementation", "r1", "Current retry loop.", 120, 0.96),
              Chunk("old_chat", "r0", "Superseded discussion.", 400, 0.1)]
    chosen = select(chunks, 240)
    assert [x.id for x in chosen] == ["policy", "assertion", "implementation"]
    try:
        select(chunks, 99)
    except ValueError:
        pass
    else:
        raise AssertionError("must reject missing mandatory evidence")
    state = {"task": "retry-incident", "revision": "r1", "question_version": "q1",
             "chunks": [c.__dict__ for c in chosen]}
    good = {"choice": "local", "probabilities": {"local": 0.94, "frontier": 0.04, "review": 0.02}}
    low = {"choice": "local", "probabilities": {"local": 0.55, "frontier": 0.4, "review": 0.05}}
    malformed = {"choice": "delete_production", "probabilities": {"other": 1.0}}
    # In-memory SQLite tests replay logic without leaving personal data behind.
    with sqlite3.connect(":memory:") as db:
        db.execute("CREATE TABLE events (id TEXT PRIMARY KEY, payload TEXT, result TEXT)")
        assert record(db, state, "inspect", policy, good) == ("local", False)
        assert record(db, state, "inspect", policy, good) == ("local", True)
        assert record(db, state, "inspect", policy, low)[0] == "review"
        assert record(db, state, "inspect", policy, malformed)[0] == "review"
        assert record(db, state, "deploy", policy, good)[0] == "deny"
        changed = dict(state, revision="r2")
        assert record(db, changed, "inspect", policy, good) == ("local", False)
        count = db.execute("SELECT COUNT(*) FROM events").fetchone()[0]
        assert count == 5
    n, p = 3, 0.8
    confidence = (p - 1/n) / (1 - 1/n)
    speedup = 1 / (0.8 + 0.2/200)
    assert math.isclose(confidence, 0.7)
    # Synthetic binary forecasts; Brier is not measured on Jev.
    forecasts, outcomes = [0.9, 0.8, 0.4, 0.1], [1, 0, 1, 0]
    brier = sum((p-y)**2 for p, y in zip(forecasts, outcomes)) / len(outcomes)
    print(json.dumps({"mode": "offline_fixture_not_jev", "network_calls": 0,
                      "selected_chunks": [x.id for x in chosen], "audit_rows": count,
                      "choice_confidence": round(confidence, 6),
                      "synthetic_task_speedup": round(speedup, 6),
                      "synthetic_brier": round(brier, 6),
                      "replay_schema_policy_revision_checks": "passed"}, indent=2))

if __name__ == "__main__":
    run()

期待出力

{
  "mode": "offline_fixture_not_jev",
  "network_calls": 0,
  "selected_chunks": [
    "policy",
    "assertion",
    "implementation"
  ],
  "audit_rows": 5,
  "choice_confidence": 0.7,
  "synthetic_task_speedup": 1.248439,
  "synthetic_brier": 0.255,
  "replay_schema_policy_revision_checks": "passed"
}

任意の API 契約例:未実行

JSON は公式 POST https://api.typesafe.ai/v1/systemone の契約例であり送信しません。認証は公式資料に従い、鍵は私有サーバーで保持します。jev-latest の実際の版と SDK の lockfile を記録してください。実 API の成功確認は行っていません。

{
  "model": "jev-latest",
  "state": {
    "goal": "Identify evidence for a retry amplification incident",
    "revision": "example-r1",
    "evidence": "Fixture: retry loop restarts its attempt counter after a timeout; required cap is three attempts."
  },
  "questions": {
    "subsystem": {
      "type": "choice",
      "instructions": "Which subsystem is directly implicated by the supplied evidence?",
      "criteria": {
        "retry_control": "Attempt counting, stopping and retry budget",
        "rendering": "Displaying a user interface",
        "unknown": "The supplied evidence does not identify a subsystem"
      }
    }
  }
}

独自の模擬質問:企業の実際の出題ではありません

1. 判断 200 倍がタスク 200 倍にならない理由は?

ヒント:不変の経路。解答: で 1.248 倍。CI、routing、再試行も含めます。

2. confidence 0.99 は展開を許可しますか?

ヒント:判断と権限。解答:いいえ。範囲、対象、承認、最新ダイジェストが必要です。

3. 安価モデルの経路が高くなるのは?

ヒント:往復の移管。解答:再読込、確認、キャッシュ損失と失敗が節約を上回ります。受理修正単価で比較します。

4. 有用な校正と全件人手依頼をどう区別しますか?

ヒント:リスクと処理率。解答:自動誤り率、処理率、人手費用を併記し、未使用データと希少重大事象を含めます。

採点:1—用語、2—モデルとランタイムの区別、3—実装と費用・確率、4—版と障害と権限、5—公平なタスク比較と限界の説明。

次の学習

前提知識を理解する

手法を支える共通の基礎を復習し、算例と確認問題で理解の不足を見つけます。

エージェントは観測、提案、権限確認、実行、結果確認を繰り返す状態付きループです。スキーマは引数形式を検証するだけで、権限や副作用の完了を証明しません。モデルの文章は提案です。呼出しの試行、成功応答、検証済みの完了を区別します。

解答を見る前に考える

決済ツールが要求を受け取った後でタイムアウトしました。直ちに再試行すべきですか。

段階的な解説

いいえ。決済は成功し応答だけ失われた可能性があり、結果は不明です。冪等キーと状態確認を使うか、照合まで停止します。無条件の再試行は不可逆操作を重複させ得ます。ステップ上限ではこの誤りを直せません。

実践とのつながり

ツール利用にはアプリ側の状態管理、認可、停止条件が必要です。既知の事実、不確かな結果、未確認の操作を記録します。自律性には検証可能な完了と限定された権限が必要です。

理解を示すには

成功、拒否、タイムアウト、不正形式を追跡します。拒否された操作が実行されず、再試行が冪等であることを確認します。回数、時間、費用を別々に制限し、まず模擬ツールで検証します。

完全な Python 例を実行

Python 3.10+・標準ライブラリのみ・決定的計算で乱数シード不要・通信なし。保存して下のコマンドを実行します。教育用の確認で、モデルの性能評価ではありません。

Python をダウンロード · agent.py
python3 agent.py
# Python 3.10+; standard library; deterministic; no network.
# In-memory mock only: no real payment or network call.
ledger = {}
def pay(key, amount):
    if key in ledger:
        if ledger[key] != amount:
            raise ValueError("same key with different request")
        return "already applied"
    ledger[key] = amount
    return "applied"

assert pay("order-1", 10) == "applied"
# Pretend the reply was lost. Reconcile and retry with the same key.
assert ledger.get("order-1") == 10
assert pay("order-1", 10) == "already applied"
assert len(ledger) == 1
try:
    pay("order-1", 20)
    raise AssertionError("conflicting retry accepted")
except ValueError:
    pass
print("one effect; duplicate retry suppressed")

期待する出力

one effect; duplicate retry suppressed

前提を復習 →

基礎解説更新:

参考文献と追加チュートリアル

  1. TypeSafe — Introductionhttps://docs.typesafe.ai/introduction
  2. Jev Engineering for Coding Agents — PDF · 2026-09https://jevforagents.com/media/Jev-Engineering-for-Coding-Agents.pdf
  3. InstructGPT — arXiv:2203.02155v1 · 2022-03-04https://arxiv.org/abs/2203.02155v1
  4. TypeSafe — Introducing System One Models & Jev · 2026-09-15https://typesafe.ai/blog/introducing-system-one-models-and-jev
  5. TypeSafe — AI primer / RLCDhttps://docs.typesafe.ai/introduction/machine-learning-primer
  6. TypeSafe — Choicehttps://docs.typesafe.ai/primitives/choice
  7. TypeSafe — Scorehttps://docs.typesafe.ai/primitives/score
  8. TypeSafe — Noulhttps://docs.typesafe.ai/primitives/noul
  9. TypeSafe — Confidencehttps://docs.typesafe.ai/confidence
  10. FastContext — arXiv HTML v1https://arxiv.org/html/2606.14066v1
  11. TypeSafe — API / Quick starthttps://docs.typesafe.ai/introduction/quickstart
  12. TypeSafe — Agent skillshttps://github.com/typesafe-ai/skills
  13. TypeSafe — Workflow evaluationshttps://evals.typesafe.ai/
  14. InstructGPT — PDF v1https://arxiv.org/pdf/2203.02155v1
  15. FastContext — abstract / version historyhttps://arxiv.org/abs/2606.14066v1
  16. FastContext — PDF v1https://arxiv.org/pdf/2606.14066v1
出典とバージョン

目的を持って動画を見る

視聴 → 説明 → 実装 → 検証

外部の英語動画です。字幕と公開状況はYouTubeが管理します。再生を選んだ後だけYouTubeへ接続し、実験入力は送信しません。

一つの事例を最後まで追う

予約エージェントは許可された一件を確実に完了する

合成した教材シナリオと手計算の値です。実運用のベンチマークではありません。関連する授業で同じ事例を共有し、異なる視点から同じシステムを追います。

事例更新:

従業員が予算内の返金可能ホテルを依頼します。検索は可逆ですが予約は支出を伴います。提案はエージェントでも、身元・予算・具体的承認は信頼できるサービスが強制します。成功は文章ではなく確認済み予約です。

100+ 10= 110100
合成例:100タスクと10再試行で110要求。重複排除により確定した効果を100に保ちます。

1. 依頼を有限の状態遷移にする

検索・提案・承認・確定・検証に分け、日付、通貨、返金条件、上限を明示します。不明なら質問します。Web内の予算無視指示は信頼しません。遷移ごとに許可された前状態と理由を記録します。

2. 具体的な操作を承認する

承認をホテル・日付・価格・条件に結びます。確定前に在庫と価格を再確認し、変更時は再承認します。狭い権限を使い、モデル自身が権限を作ったり曖昧な同意を別購入へ流用したりできないようにします。

3. 不確かな結果を復旧する

確定後のタイムアウトは失敗の証拠ではありません。安定した操作キーで照会してから再試行します。100件中10件が成功後にタイムアウトする例では、盲目的再試行は110件、冪等再試行は100件の効果です。提供側の支援か照合が必要です。

4. 権限を広げず検証して改善する

提供側の確認と承認条件、未解決例外を返します。ツール呼出しと復旧理由を追跡し、手数と時間を制限します。探索や計画を改善しても独立した権限検査は残します。賢い計画は安全な実行を保証しません。

根拠とトレードオフ

指標・条件基準比較解釈
業務上の実行数100 + 10 = 110100記載の冪等性前提でのみ重複を防ぎます。
元タスクあたり重複率10/100 = 10%0/100 = 0%実測保証ではなく教材です。
再試行を含む要求数100 + 10 = 110100 + 10 = 110冪等性は効果を制御し要求数は減らしません。

受け入れ・失敗テスト

成功後のタイムアウト、同一キー再送、価格変更、資格失効、手数上限を試し、一件の予約、変更拒否、検証不能時の有限な未解決状態を確認します。

Python 3.10+ · topic-cases.py ↓

python3 topic-cases.py

この例の限界

並行処理、提供側障害、外部不整合は省略しています。実運用には原子的重複排除、照合、補償方針が必要です。取消は有料の場合があり万能なロールバックではありません。

次の学習

不正引数、期限切れ権限、重複再試行と最終状態を検証する。

実装と検証 → · 学習ルートへ →
学習ガイドと授業の目次学習目標と確認

理解 → 実装 → 研究

成功、拒否、タイムアウト、不正形式を追跡します。拒否された操作が実行されず、再試行が冪等であることを確認します。回数、時間、費用を別々に制限し、まず模擬ツールで検証します。

予測・検証・根拠の記録

解答を開く前に結果を予測し、演習後に差異と応用テストを記録します。端末内に保存し、言語版間で共有します。

記録を開く/書き出す/消去する →

数学的確認の範囲は授業ごとに記録されています。論文の実証再現の証明ではありません。疑問点はメモに記録してください。 確認範囲