登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 インストラクション講座
インストラクション講座 コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
インストラクション講座 を含む検索結果
インストラクション講座、DAY1を受けてのたろさんの早速のアウトプット。とてもよくまとまっています。 みなさんも「教えるとは?」を考えてみてはどうでしょうか。 /ノンプロ研の「インストラクション講座」を受けてみた【第1回】|たろ
もっと見る
本日からインストラクション講座がはじまります! 久しぶりですね~ 楽しんでいきましょう! #ノンプロ研# #インストラクション講座#
もっと見る
まとめを投稿しました「ノンプロ研 インストラクション講座【第7期】DAY1 イントロダクション」
今月の振り返りから。 オープンラボ、福岡リアル開催とインストラクション講座プレイベント回と2回やりました~ #ノンプロ研# #月イチトーク#
# ADK 2.0の便利だけど知られていない機能 🌍 エージェントのプロンプトを手作業で調整する代わりに、自動で最適化してくれたら効率的だと思いませんか? ADK 2.0の最適化機能は、サンプラーとエージェントオプティマイザーを組み合わせて、エージェントのインストラクションを自動的に改善する仕組みです。 📌 タイトル:最適化 (Optimization) 🔗 URL: 🧩 概要 最適化機能は、Samplers(候補の評価)とAgent Optimizers(インストラクションの改善)の2つのコンポーネントで構成されます。`LocalEvalSampler` は候補エージェントを評価データセットに対して実行しスコアを算出します。オプティマイザーとしては、GEPAアルゴリズムを用いてルートエージェントのプロンプトを最適化する `GEPARootAgentPromptOptimizer` と、「実行→評価→批評→書き直し」の反復サイクルで改善する `SimplePromptOptimizer` が用意されています。最適化の結果は `OptimizerResult` に格納され、スコア付きの最適化済みエージェントが得られます。 🛠 使い方 CLIから `adk optimize` コマンドで最適化を実行できます。 ```python import asyncio from google.adk.evaluation.eval_config import EvalConfig from google.adk.evaluation.local_eval_sets_manager import LocalEvalSetsManager from google.adk.optimization.local_eval_sampler import LocalEvalSampler from google.adk.optimization.local_eval_sampler import LocalEvalSamplerConfig from google.adk.optimization.simple_prompt_optimizer import SimplePromptOptimizer from google.adk.optimization.simple_prompt_optimizer import ( SimplePromptOptimizerConfig, ) # サンプラーの設定 sampler_config = LocalEvalSamplerConfig( eval_config=EvalConfig(criteria={"response_match_score": 0.75}), app_name="my_agent", train_eval_set="train_eval_set", ) sampler = LocalEvalSampler(sampler_config, LocalEvalSetsManager(agents_dir=".")) # オプティマイザーの実行 optimizer = SimplePromptOptimizer(config=SimplePromptOptimizerConfig()) result = sampler)) # 最適化されたエージェントとスコアを取得 best = result.optimized_agents[0] best_agent = best.optimized_agent print(f"Score: {best.overall_score}") ``` 🏗 本番システムへの組み込み方 ・定期的に最適化を実行し、評価データセットの更新に合わせてプロンプトを継続的に改善する ・`SimplePromptOptimizer` で素早くイテレーションし、`GEPARootAgentPromptOptimizer` で本格的な探索を行う ・最適化前後のスコアを比較し、改善が確認できた場合のみプロンプトを更新する ・評価データセットを実際のユーザーインタラクションから構築し、実用的な最適化を実現する 💡 ユースケース 📈 エージェントのプロンプトを評価スコアに基づいて自動改善する 🔬 複数のプロンプト候補を体系的に比較して最良のものを選定する 🔄 モデル変更やAPI仕様変更後に、プロンプトを新環境に最適化し直す 🎯 特定のタスク(コード生成、要約、分類など)に特化したプロンプトチューニングを行う ⚠️ 注意点 `GEPARootAgentPromptOptimizer` はルートエージェントのプロンプトのみを最適化対象とします。サブエージェントのプロンプト最適化には対応していないため、必要に応じて個別に最適化を行ってください。また、最適化には複数回の評価実行が必要となるため、LLMのAPI呼び出しコストに注意が必要です。 ✨ 最適化機能を活用すれば、試行錯誤に頼っていたプロンプト改善をデータ駆動で自動化できます。定期的な最適化サイクルで、エージェントの品質を継続的に向上させましょう。 #ADK# #AIAgent#
もっと見る
# ADKの便利で実践的な使い方 ## 📚 必要なときだけ知識をロード!ADKのSkills機能 エージェントに全ての知識を詰め込むとトークンが爆発する…ADKの **Skills** を使えば、必要なときだけワークフローや知識をオンデマンドでロードし、トークン消費を抑えながら能力を拡張できます!🚀 ## 📌 タイトル Skills for Agents(エージェントスキル) ## 🔗 URL ## 🧩 概要 Skillsは、エージェントが特定のタスクを実行するための自己完結した機能ユニットです。指示(Instructions)、リソース(References/Assets/Scripts)をパッケージ化し、エージェントが必要とするときだけロードする仕組みです。 3層アーキテクチャで構成されます: - **L1(メタデータ)**:`SKILL.md` のフロントマターでスキル検索を可能に - **L2(インストラクション)**:`SKILL.md` 本文のメイン指示 - **L3(リソース)**:`references/`、`assets/`、`scripts/` の補助資材 必要なときだけロードするため、コンテキストウィンドウの最適化に貢献します。 ## 🛠 使い方 **ディレクトリ構造:** ``` my_agent/ skills/ code_review/ SKILL.md # 必須:メタデータ + インストラクション references/ CHECKLIST.md # コードレビューチェックリスト assets/ template.json # レビュー出力テンプレート scripts/ # Lint実行スクリプト ``` **Pythonでの統合:** `google.adk.skills` から `load_skill_from_dir` を、` から `skill_toolset` をインポートし、`pathlib` を使用します。`load_skill_from_dir()` に `pathlib.Path(__file__).parent / "skills" / "code_review"` を渡してスキルをディレクトリからロードします。次に `skill_toolset.SkillToolset(skills=[code_review_skill])` でスキルツールセットを作成し、`Agent` の `tools` パラメータに渡します。エージェントは `model="gemini-flash-latest"`、`name="dev_assistant"` で作成され、このスキルツールセットを通じて必要なときだけスキルをロードできるようになります。 ## 🏗 実践的な使い方 **DevOpsエージェントでのスキル活用:** ``` skills/ code_review/ SKILL.md # 「コードレビューチェックリスト」 references/ CHECKLIST.md # レビュー観点の詳細ガイド release/ SKILL.md # 「リリース手順」 references/ PROCEDURE.md # ステップバイステップのリリースフロー assets/ changelog.tmpl # CHANGELOG テンプレート incident/ SKILL.md # 「インシデント対応」 references/ RUNBOOK.md # 障害対応ランブック scripts/ # Slack通知スクリプト ``` エージェントは「コードレビューして」と言われたときだけ `code_review` スキルをロードし、「リリースして」と言われたときだけ `release` スキルをロードします。全てのスキルを常時ロードする必要がないため、トークン消費を大幅に削減できます。 **インラインスキル(TypeScript):** ```typescript const releaseSkill: Skill = { frontmatter: { name: 'release-procedure', description: 'Standard release procedure with checklist', }, instructions: "Follow the release checklist step by step...", resources: { references: { 'checklist.md': '1. Run tests\n2. Update version\n3. Create tag...', }, }, }; const skillTools = new SkillToolset([releaseSkill]); ``` ## 💡 ユースケース - 📋 **コードレビューチェックリスト**:レビュー依頼時のみ詳細なチェック項目をロード - 🚀 **リリース手順**:デプロイ時のみステップバイステップの手順とテンプレートをロード - 🔧 **トラブルシューティング**:障害発生時のみランブックと通知スクリプトをロード - 📝 **ドキュメント作成**:特定のドキュメントタイプに応じたテンプレートとガイドラインをロード - 🎓 **新人オンボーディング**:質問に応じた社内ナレッジベースのセクションをロード ## ⚠️ 注意点 - Skillsは実験的機能です(Python v1.25.0+、TypeScript v0.6.1+、Go v1.2.0+) - `SKILL.md` ファイルは必須です。フロントマターに `name` と `description` を記載してください - スキルの検索精度は `description` の質に依存します。適切な説明を書きましょう - 大きなリソースファイルはトークン消費に影響するため、必要最小限に抑えてください - スクリプトの実行権限やセキュリティに注意してください ## ✨ まとめ Skillsは「必要なときだけ必要な知識をロード」を実現する賢い仕組みです。全ての知識をインストラクションに詰め込む代わりに、スキルとしてモジュール化することで、トークン消費を抑えながらエージェントの能力を無限に拡張できます。DevOps、カスタマーサポート、教育…あらゆる分野で活用できます! #ADK# #AIAgent#
もっと見る
# ADKの便利で実践的な使い方 同じシステムプロンプトやツール定義を何度も送信していませんか?Context Cachingで繰り返しのトークンコストを大幅に削減しましょう💰 📌 **タイトル**: Context Caching 🔗 **URL**: ## 🧩 概要 Context Cachingは、LLMに送信するコンテキスト(システムインストラクションやツール定義など)の静的な部分をキャッシュし、繰り返しのトークンコストを削減する機能です。 `ContextCacheConfig` を設定することで、毎回のリクエストで同じプレフィックストークンを再送信する代わりに、キャッシュされたコンテキストを参照するようになります。 特にマルチユーザー環境で同じエージェント(同じプロンプト・ツール定義)を多くのユーザーが利用する場合、コスト最適化の効果が顕著です。 ## 🛠 使い方 `google.adk` から `Agent` を、`google.adk.agents` から `ContextCacheConfig` をインポートします。`ContextCacheConfig(max_entries=100, ttl_seconds=3600)` でキャッシュエントリの上限と有効期間(秒)を設定します。この `cache_config` を `Agent` の `context_cache_config` パラメータに渡すことで、`instruction` に記述した長いシステムプロンプトや `tools` に指定したツール定義(`search_kb`、`create_ticket`、`escalate` など)の静的部分がキャッシュされ、繰り返しのトークンコストが削減されます。 ## 🏗 実践的な使い方 **大規模カスタマーサポートの最適化:** カスタマーサポートエージェントでは、以下の要素が全ユーザーで共通です。 - システムインストラクション(対応ガイドライン、トーン、禁止事項) - ツール定義(ナレッジベース検索、チケット作成、エスカレーション) - Few-shotの例示 これらの静的なコンテキストは毎リクエストで数千トークンになることがあります。1日1万リクエストのサポートボットなら、Context Cachingにより膨大なトークン削減が見込めます。 **RAGパイプラインでの活用:** ツール定義にナレッジベースのスキーマや検索パラメータの説明が含まれる場合、これらをキャッシュすることで各クエリのコストを最適化できます。 **マルチテナントSaaS:** 同一のエージェント定義を複数テナントで共有する場合、テナント固有の情報のみが動的部分となり、共通のプロンプトとツール定義はキャッシュで共有されます。 ## 💡 ユースケース - 💰 コスト削減: 長いシステムプロンプトの繰り返し送信コストを削減 - 🚀 レイテンシ改善: キャッシュヒット時のプリフィル処理が高速化 - 👥 マルチユーザー最適化: 同じプロンプトを使う複数ユーザーでキャッシュを共有 - 🏢 マルチテナント: テナント共通部分のコンテキストを効率的にキャッシュ - 📚 大規模ツール定義: 多数のツールを持つエージェントのツール定義コストを最適化 ## ⚠️ 注意点 - Context Cachingはモデルプロバイダーのサポートに依存します。利用可能なモデルを事前に確認してください - キャッシュのTTL(有効期限)が短すぎるとヒット率が下がり、長すぎるとメモリを消費します。アクセスパターンに応じて調整してください - システムプロンプトやツール定義を頻繁に変更する場合、キャッシュの恩恵は限定的です - キャッシュのコスト自体も発生する場合があります。プロバイダーの料金体系を確認し、トータルコストで判断してください - 動的なコンテキスト(ユーザー固有の情報など)はキャッシュ対象外です。静的部分と動的部分を明確に分離して設計しましょう ✨ Context Cachingは「同じことを何度も言わない」をインフラレベルで実現します。マルチユーザー環境でのコスト最適化に大きな効果を発揮します! #ADK# #AIAgent#
もっと見る
# ADKの便利で実践的な使い方 エージェントの「今の状態」を管理するState機能。動的プロンプトやスコープ付きデータ管理で、賢い対話を実現します🎯 📌 **タイトル**: State 🔗 **URL**: ## 🧩 概要 Stateは `session.state` としてアクセスできる、会話中の作業メモリです。ショッピングカートの中身や、予約フローで段階的に集めた情報など、「今この会話で必要なデータ」を保持します。 Stateの大きな特徴は**プレフィックスによるスコープ管理**です。 - `app:` - アプリ全体で共有されるデータ(全ユーザー共通設定など) - `user:` - ユーザー単位で共有されるデータ(ユーザーの好み設定など、セッションをまたいで保持) - `temp:` - 現在のセッション内でのみ有効な一時データ - プレフィックスなし - 通常のセッションスコープ さらに、`{state_var}` の形式でエージェントのインストラクションに埋め込むことで、動的プロンプトを実現できます。 ## 🛠 使い方 `session.state` に辞書形式で値を設定します。例えば `session.state["booking_date"] = "2026-07-15"`、`session.state["party_size"] = 4`、`session.state["seat_type"] = "window"` のように通常のセッションスコープで保存します。スコープ付きステートとして、`"user:preferred_language"` のように `user:` プレフィックスでユーザー単位の永続データを、`"temp:search_results"` のように `temp:` プレフィックスでセッション終了時に消える一時データを、`"app:maintenance_mode"` のように `app:` プレフィックスで全ユーザー共通のデータを設定できます。さらに、`Agent` の `instruction` に `{booking_date}` や `{party_size}`、`{user:preferred_language}` のようにプレースホルダーを埋め込むことで、ステートの値を動的にインストラクションへ反映できます。 ## 🏗 実践的な使い方 **レストラン予約フローでの活用:** 会話の中で段階的に情報を収集し、Stateに蓄積していきます。 1. 「明日の夜、4人で予約したいです」→ `booking_date`, `party_size` をStateに保存 2. 「窓際がいいです」→ `seat_type` を追加 3. 「アレルギーはナッツです」→ `allergies` を追加 4. 最終確認時、Stateから全情報を取り出して確認メッセージを生成 インストラクションに `{booking_date}` を埋め込んでおけば、エージェントは常に最新の予約状況を把握した上で応答できます。 **ユーザー設定の永続化:** `user:` プレフィックスを使えば、セッションが変わっても「この人は日本語を好む」「この人はベジタリアン」といった情報を引き継げます。 ## 💡 ユースケース - 🛒 ECサイト: カートの中身をStateで管理。`temp:` で検索フィルタ、`user:` で配送先住所 - ✈️ 旅行予約: 日程・人数・座席タイプを段階的にState蓄積 - 🤖 パーソナライズ: `user:` スコープでユーザーの好みを学習・永続化 - 📊 ダッシュボード: `app:` でシステム全体のステータスを共有 ## ⚠️ 注意点 - Stateに大量のデータを保存するとパフォーマンスが低下します。大きなデータはArtifactsの利用を検討してください - `app:` スコープの変更は全ユーザーに影響します。慎重に使いましょう - `{state_var}` でインストラクションに埋め込む場合、値が未設定だとプレースホルダーがそのまま表示されることがあります。デフォルト値を用意してください - Stateのキー名は衝突しないよう、命名規則を決めておくことをお勧めします ✨ Stateのスコープ管理と動的プロンプトを活用すれば、文脈を理解した賢いエージェントが構築できます。予約フローやパーソナライズに最適です! #ADK# #AIAgent#
もっと見る
# ADKの便利で実践的な使い方 ## 🔌 全エージェントに一括適用!ADKのPlugins機能 個別のエージェントにコールバックを設定するのは面倒…ADKの **Plugins** なら、Runnerレベルで全エージェント・全ツール・全LLM呼び出しに横断的な制御を一括適用できます!🎯 ## 📌 タイトル Plugins(プラグイン) ## 🔗 URL ## 🧩 概要 Pluginsは、Runnerレベルで動作するクロスエージェントモジュールです。エージェント個別のCallbacksとは異なり、**一度登録するだけで全エージェント・全ツール・全LLM呼び出しに適用**されます。セキュリティガードレール、ロギング、レート制限などの横断的関心事に最適です。 プラグインはエージェントレベルのコールバックよりも**先に実行される**ため、グローバルポリシーの適用に適しています。 ADKには組み込みプラグインも用意されています:Reflect and Retry Tools、BigQuery Analytics、Context Filter、Global Instruction、Logging Pluginなど。 ## 🛠 使い方 `BasePlugin` を `google.adk.plugins.base_plugin` からインポートし、`InMemoryRunner` を `google.adk.runners` からインポートします。`SecurityGuardPlugin` クラスを `BasePlugin` のサブクラスとして定義し、`__init__` で `super().__init__(name="security_guard")` を呼びます。`before_model_callback` メソッドでは `llm_request.contents[-1].parts[0].text` からユーザー入力を取得し、`detect_injection()` でインジェクションを検出した場合に拒否メッセージ入りの `LlmResponse` を返します。`before_tool_callback` メソッドでは `is_authorized( で権限チェックを行い、未認可ならエラー辞書を返します。いずれも問題なければ `None` を返して通常続行します。最後に `InMemoryRunner` を作成し、`plugins=[SecurityGuardPlugin()]` を渡すだけで全エージェントにこのセキュリティガードが適用されます。 ## 🏗 実践的な使い方 **「Gemini as a Judge」パターンでのインジェクション検出:** `InjectionDetectorPlugin` は `BasePlugin` を継承し、`name="injection_detector"` で初期化します。`self.judge_model = "gemini-flash-lite"` をジャッジモデルとして保持し、`before_model_callback` で `llm_request.contents[-1].parts[0].text` からユーザー入力を取得して `judge_with_flash_lite()` に渡します。判定結果が `"INJECTION"` であれば `audit_log()` で記録し、拒否メッセージ入りの `LlmResponse` を返してブロックします。問題なければ `None` を返します。 `RateLimitPlugin` は `BasePlugin` を継承し、`max_calls_per_minute` パラメータ(デフォルト60)で初期化します。` リストで呼び出し履歴を管理し、`before_model_callback` で直近60秒間の呼び出し回数をカウントします。上限に達していればレート制限メッセージ入りの `LlmResponse` を返し、そうでなければ現在時刻を `call_log` に追加して `None` を返します。 最後に `InMemoryRunner` の `plugins` パラメータに `InjectionDetectorPlugin()` と `RateLimitPlugin(max_calls_per_minute=30)` を渡して、複数プラグインを組み合わせて登録します。 ## 💡 ユースケース - 🛡️ **セキュリティガードレール**:全エージェントに対するインジェクション検出・PII保護を一元管理 - 📊 **統合ロギング**:BigQuery Analyticsプラグインで全エージェントの実行ログを集約 - ⏱️ **レート制限**:API呼び出し回数を制御してコスト爆発を防止 - 🔄 **自動リトライ**:Reflect and Retry Toolsプラグインでツール失敗時のインテリジェントなリトライ - 📝 **グローバルインストラクション**:全エージェントに共通のポリシーや指示を注入 ## ⚠️ 注意点 - プラグインはエージェントレベルのコールバックより**先に**実行されます(優先順位に注意) - プラグインで値を返すと、対応するエージェントレベルのコールバックも含めてスキップされます - 全エージェントに適用されるため、特定エージェントだけに適用したいロジックはCallbacksを使ってください - `on_model_error_callback` / `on_tool_error_callback` フックでエラーハンドリングも可能です - Python v1.7.0+、TypeScript v0.2.5+、Go v0.4.0+、Java v0.3.0+ で利用可能です ## ✨ まとめ Pluginsは「一度書けば全エージェントに適用」を実現する強力な仕組みです。セキュリティ、ロギング、レート制限などの横断的関心事はPluginsに任せ、エージェント固有のロジックはCallbacksに集中させましょう。この分離により、保守性とセキュリティの両方が向上します! #ADK# #AIAgent#
もっと見る