オンライン

> ls -la /whoami

こんにちは、私は 2006 年からのフルスタック開発者です

Web、デスクトップ、 automation、LLMシステムを作っています。クリーンなコード、難しい課題、開発者の可能性を広げるツールが好きです。

2006 歩みを開始
100+ プロジェクト
コード行
LLM 研究中

コードは単なる職業ではなく、思考の方法です。

/projects

主な実績

すべて Web デスクトップ LLM 実験

NeuralFlow

LLM Python FastAPI

LLMモデルと自社データを扱うためのプラットフォーム。

DataBridge

Web TS Next.js

リアルタイムの監視と分析システム。

DevStudio

Desktop C# WPF

開発、automation、社内エンジニアリングプロセスのためのクロスプラットフォームスタジオ。

/lab

実験とリサーチ

ラボはLLM、RAG、AI planning、code intelligence、管理画面ワークフローの実験場です。きれいな約束ではなく、検証できる仮説を記録します。何を自動化できるか、どこで人間の制御が必要か、どう本番に持ち込むかを見ます。

> llm-playground

進行中

素早い検証のための共通ベンチ。プロンプト、system instructions、tool calling、JSONレスポンス、streaming、同じ入力でのモデル挙動を確認します。

ai-agent code-miner prompt-studio rag-lab
> run experiment.py loading model... gpt-4o building context... ok generating... ███████████ 78% result: 有用
// principle

魔法のツールを探しているのではなく、使えるシステムを組み立てています。

/notes research log

AIラボのフィールドノート

LIVE BUILD NOTES
01

魔法に頼らないRAGパイプライン

retrieval層の組み立て方。ソース、chunking、pgvector、eval sets、tracing、回答品質の正直な検証。

lab: rag-lab / retrieval / evals
02

AI Factoryのタスク計画ループ

プランナーの動き方。目標、分解、skill選択、チェックポイント、execution trace、リスクのある操作の手動承認。

lab: ai-factory-planner / skills / execution trace
03

大規模コードベースのContext Mining

リポジトリから単なるファイルではなく、entrypoints、依存関係、リスク領域、意思決定履歴を含む有用なcontext packを取り出す方法。

lab: code-miner / repo context / LLM handoff

/about :: senior fullstack operator

インターフェース、データ、AIモデルが一つのシステムとして動くプロダクトを作ります。

アーキテクチャ、プロトタイプ、本番インフラ、observability、丁寧なUXまで一通り担当します。素早く仮説検証しながらも、エンジニアリングの規律を失わない複雑な領域が好きです。

TypeScript React Next.js Node.js Python Postgres Redis OpenAI API RAG Queues CI/CD Telemetry
INPUTcontext.md
VECTORpgvector index
MODELreasoning loop
TOOLSapi + workers
$ run senior-stack --mode=production
architecture: clean | telemetry: on | ai: assisted
output: systems that survive real users

/contact :: open channel

AIプロダクトを本番まで持っていけるエンジニアが必要ですか?

MVP、社内ツール、AI連携、アーキテクチャ監査にフルスタックリードが必要なら連絡してください。素早く文脈を把握し、率直に話し、チームが理解できるシステムを残します。

メールを書く