@Higuchi Kokoro

Why We're All-In on MCP

Why We're All-In on MCP

• mastraがなぜMCPにAll-inしているのか記したブログ
  • MCPなどのLLM間の通信をするエコシステムの現状抱えている課題
    1. 発見性(Discovery)
       • MCPツールを見つけるための標準化された方法がない
       • 各プロバイダーが独自の発見メカニズムを構築しており、エコシステムが断片化している
    2. 品質(Quality)
       • 集中化されたレジストリや検証プロセスがない
       • ツールの品質にばらつきがあり、npmのようなパッケージスコアリングや検証バッジに相当するものがない
    3. 設定(Configuration)
       • 各プロバイダーが独自の設定スキーマとAPIを持っている
       • フレームワークがプロバイダー固有の抽象化なしに一貫した設定体験を提供することが困難
  • 採用する理由
    • オープンスタンダード
      • ベンダーロックインなしに実装できる
    • 業界での採用
      • Zed、Replit、Codeium/Windsurf、Sourcegraph、Cursor、Block/Squareなど著名な企業が本番環境で実装済み
      • 実績のある採用事例がすでに存在する
    • 活発な開発
      • コミュニティが現在の制限に積極的に対処している
      • 公式レジストリと.well-known/mcp.json仕様などの提案が進行中
      • 課題は認識されており、解決に向けた取り組みが進行中

@MizutaYuki

Foundation Model for Personalized Recommendation

Foundation Model for Personalized Recommendation

• Netflixには多くの推薦モデルがあるけど、データは共通なのにモデルは独立していてインタラクティブじゃない→基盤モデルを作ろうという話

  • モデルの重み＆埋め込み表現を各サービスで直接利用

• ユーザーインタラクションのトークン化

  • 同じ作品に対する複数の操作を1つのトークンにまとめる
  • 長い履歴を分割して学習

• 各ユーザーのインタラクションをトークンとして利用し、マルチトークン予測

  • インタラクションの重み付け
  • ジャンル予測などの補助タスク

• 新しいタイトルに対しては、メタデータ情報を活用し、IDベースの埋め込みと組み合わせて初期埋め込みを生成

  

@FukasawaYusuke

Deciphering language processing in the human brain through LLM representations