\ #オフログ# / #パイレーツ感謝祭2026# 東京大会🀄 オフショット公開！ ・東京大会 第一部🤖 開会式 大会中の様子・表彰式 閉会の挨拶 ・東京大会 第二部🐉 開会式 大会中の様子・表彰式 閉会の挨拶 オフログはメンバー限定 ご登録がまだの方はコチラから

マイナポータルでログインできない障害が発生しています。デジタル庁は7月16日、利用しているクラウドサービスの障害が原因であると公表しました。 復旧のめどは示されていません。原因は世界規模のシステム障害とみられます。AWSによると、同日16時45分頃から、同社の配信ネットワークであるクラウドフロントで問題が起きているとのことです。 影響はVPCオリジン接続を利用する顧客に限られると説明されています。このクラウド障害により、日本国内の他の主要サービスでもアクセス困難な状況が発生しました。 スマホ決済のペイペイはアプリの決済機能が不安定であるとして、公式発表でオフライン支払いモードの使用を推奨しています。他にも、ニコニコ生放送やはてなブログで接続障害が報じられています。問題が起きているクラウドフロントは、ウェブコンテンツを高速配信するための主要な技術基盤です。 今回のトラブルは、配信サーバーと社内ネットワークを安全につなぐ専用のサブシステムが関係していると報告されています。影響が広範囲に及ぶのは、多くの大手サービスが同社の同じインフラに依存しているためです。復旧に向けた作業の進捗状況は、同社のダッシュボードで随時更新されています。個別サービスの再開時期は、インフラの復旧後に各社から案内される予定です。

#ドゥームズデイ# 残り2週間切りました...!!🥺 目標まであと【14名😣🙏】 ／ 同盟加入&毎日ログインお願いします❗️ ＼ 🔥MV制作&ソロオフ会をかけた企画🔥 詳細▶︎ ＼加入方法は画像をチェック！🤝／ 🎮うじえちゃん専用 アプリダウンロードリンク 🔗 Googleフォーム 🔗 🎪同盟検索 🔍UJIE 『うじちゃんず』に加入お願いします！ 同盟加入までのチュートリアル配信アーカイブ ▶︎ #PR#

◥◣＿＿＿＿＿＿＿＿＿＿＿＿＿＿◢◤ ⚔️🔥ドゥームズデイSTART!!🔥⚔️ ◢◤￣￣￣￣￣￣￣￣￣￣￣￣￣￣◥◣ 期間：7月17日(金)18:00～8月17日(月)18:00 詳細： 【ミッション】 ✅チーム同盟合計150名達成で… 🎬 『Continue。』Music Video 制作決定!! ✅個人同盟数40名達成で… ✨ソロオフ会開催!! ✅個人ランキングに応じてメンバーに豪華景品が👑 【参加方法】 ① 専用リンクからアプリをダウンロード クロノ・ネコノ・ナナコ うじえちゃん ミスエル・サキ 兎丸あゆみ 今宮ムギ ② チュートリアルを進める ③同盟一覧から同盟に申請を出す 🔍ナナコ：NANA 🔍うじえちゃん：UJIE 🔍ミスエル・サキ：ERSK 🔍兎丸あゆみ：UMRA 🔍今宮ムギ：mmmu 🏠シェルターを移転 ④ Googleフォームを入力（必須） 同盟申請後、必ずこちらのフォームをご入力ください。 加入フォーム ⚠️③、④両方完了して初めて同盟数に加算されます。 ⑤毎日こまめにログイン 一定期間(基本毎日)ログインしないと自動的に同盟解除になりますので😭こまめにお願いします!! #ドゥームズデイ# #PR# #強くてにゅーげーむ#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェントの内部で何が起きているか、可視化できていますか？ライフサイクルフックを使えば、ロギング・監査・パフォーマンス最適化をエージェントの動作に透過的に組み込めます。 RunHooks と AgentHooks で、エージェントの開始/終了、LLM 呼び出し、ツール実行、ハンドオフの各イベントにカスタムロジックを差し込めます。 📌 タイトル：Agents -- Lifecycle events (hooks) 🔗 URL： 🧩 概要 OpenAI Agent SDK には、エージェントのライフサイクルの各段階でカスタムコードを実行するためのフック機構があります。`RunHooks` はワークフロー全体に適用され、`AgentHooks` は特定のエージェントに適用されます。利用可能なフックには `on_agent_start`/`on_agent_end`、`on_llm_start`/`on_llm_end`、`on_tool_start`/`on_tool_end`、`on_handoff` があります。これらを使って、ロギング、メトリクス収集、監査証跡、データのプリフェッチなどを実装できます。 🛠 使い方 `RunHooks` を継承した `LoggingHooks` クラスを定義し、`async def on_agent_start(self, context, agent)` と `async def on_agent_end(self, context, agent, output)` をオーバーライドしてエージェントの開始・終了時にログを出力します。`Agent` を作成し、` "こんにちは", run_hooks=LoggingHooks())` の `run_hooks` 引数にフックインスタンスを渡して実行します。 🏗 実践的な使い方 **on_llm_end でアウトプットアイテム数ロギング、on_agent_end でトークン使用量ロギング** ワークフロー全体の RunHooks と特定エージェントの AgentHooks を組み合わせて、包括的な監視を実現します。 `RunHooks` を継承した `MetricsRunHooks` クラスでは、`on_agent_end` でワークフロー全体の `total_tokens` や `prompt_tokens` をロギングします。`AgentHooks` を継承した `DetailedAgentHooks` クラスでは、`on_llm_end` で `response.output` のアイテム数を記録します。`Agent` の `hooks=DetailedAgentHooks()` で特定エージェントにフックを適用し、` ..., run_hooks=MetricsRunHooks())` でワークフロー全体のフックも同時に適用して包括的な監視を実現します。 **on_tool_start の ToolContext で監査ログ・分散トレーシング** ツール実行の前後でトレース情報を記録し、問題発生時の調査を容易にします。 `AgentHooks` を継承した `AuditHooks` クラスで、`on_tool_start` では `context.context.trace_id` を取得し、` ` タイムスタンプを構造化ログに記録します。`on_tool_end` では同じ `trace_id` と ` に加え、`result is not None` で成功判定を記録し、分散トレーシングと監査ログを実現します。 **on_handoff でデータプリフェッチによるレイテンシ削減** ハンドオフ先のエージェントが必要とするデータを事前に取得しておくことで、応答速度を改善します。 `RunHooks` を継承した `PrefetchHooks` クラスの `on_handoff` で、` が `"OrderSupportAgent"` の場合に `await db.fetch_orders( と `await db.fetch_payment_methods( を事前取得し、ユーザーコンテキストに格納します。ハンドオフ先が必要なデータを先読みすることでレイテンシを削減します。 💡 ユースケース 📊 on_llm_end で LLM レスポンスのアウトプットアイテム数を記録し、出力品質の監視に活用 💰 on_agent_end でトークン使用量をロギングし、コスト管理ダッシュボードに連携 🔍 on_tool_start/end でツール実行の監査ログと分散トレーシングを自動記録 ⚡ on_handoff でハンドオフ先が必要なデータをプリフェッチし、応答レイテンシを削減 ⚠️ 注意点 - フック内で例外が発生すると、エージェントの実行自体に影響を与える可能性があります。フック内ではtry/exceptで確実にエラーを処理してください。 - フック内で重い処理を行うとエージェント全体のレイテンシが増加します。非同期 I/O やバックグラウンドタスクの活用を検討してください。 - RunHooks と AgentHooks の使い分けを意識しましょう。ワークフロー横断の監視は RunHooks、特定エージェントの詳細監視は AgentHooks が適切です。 ✨ ライフサイクルフックは、エージェントの動作を「ブラックボックス」から「完全可視化」に変えてくれます。本番運用に欠かせない監視・監査・最適化を、エージェントのロジックを汚さずに実現しましょう！ #OpenAIAgentSDK# #AIAgent#

# AIエージェント開発の意思決定ポイント 🎯 **ポイント** AIエージェントに「何でも覚えさせる」のは本当に良いことでしょうか？メモリ書込の積極度は、エージェントの賢さと安全性を左右する最も繊細なダイヤルの一つです。書き込みすぎればメモリ汚染、書き込まなさすぎれば学習しないエージェント。この絶妙なバランスをどう取るか、実務の視点で掘り下げます。 📋 **概要** メモリ書込の積極度とは、エージェントが対話やタスク遂行の過程で得た情報を長期メモリにどれだけ積極的に保存するかを制御するパラメータです。データベースへのINSERTと同じ重みで考えるべき、準不可逆的な操作です。LLMが生成した推測やユーザーの曖昧な発言を安易に書き込むと、以後のすべてのセッションで「過去に記録された事実」として参照され、誤りが自己強化するループ、すなわちメモリ汚染に陥ります。 🔍 **意思決定のポイント** この設定は主に2つの変数で決まります。 🔹 **入力の信頼度（input_trust）** — エンドユーザーの自由入力が主なソースなら、インジェクションや誤情報のリスクが高いため書込ゲートの閾値を上げます。管理者が入力を管理している環境なら、ある程度積極的に書き込めます。 🔹 **失敗コスト（failure_cost）** — 医療・法務・金融では、誤った事実の永続化が深刻な結果を招きます。社内チャットボットなら、多少の誤記憶は修正すれば済みます。失敗コストが高いほど書込を抑制するのが鉄則です。 🔹 **説明責任（accountability）** — 「なぜこの情報をメモリに保存したか」を後から説明できる必要がある場合、出典と確信度を記録する設計が必須になります。 💡 **要点と詳細** 書込の判定基準は3段階で考えるのが実践的です。 ✅ **自動書込可** — ユーザーが直接的かつ明示的に述べた事実（「私の名前は山田です」「Pythonを使っています」） ⚠️ **確認後に書込** — ユーザーの発言から推測される情報（「Python好みのようですね」→ユーザーに確認してから保存） 🚫 **書込禁止** — LLMが生成した推測、外部ソースからの未検証情報、一時的な文脈 メモリエントリには確信度（confidence）タグを付与し、検索時に確信度の低いエントリはランキングを下げるのが効果的です。これにより書込を完全に禁止しなくてもメモリ汚染の影響を限定できます。重複検出も書込パイプラインに必ず組み込みましょう。コサイン類似度0.90〜0.95で既存エントリとの重複をチェックし、同一エンティティの同一属性は最新値で上書きするのが原則です。 ⚖️ **トレードオフ** 📉 書込が消極的すぎると — エージェントが学習しません。ユーザーが繰り返し伝えた好みを記憶せず毎回デフォルトに戻り、「また同じことを聞かれた」という不満を生みます。パーソナライゼーションの欠如は、長期的な関係構築が必要なユースケースで致命的です。 📈 書込が積極的すぎると — ハルシネーションの永続化が最大のリスクです。「おそらくAさんは東京在住でしょう」という推測が「Aさんは東京在住」として保存され、以後のセッションで確定事実として扱われます。さらに深刻なのがプロンプトインジェクションの持続化で、通常は1セッション限りの攻撃がメモリに永続化されると「持続型インジェクション」になります。 🛠️ **ユースケース** 🏥 **医療・法務・金融** — 失敗コストが極めて高い領域。書込は最小限に抑え、明示的に確認された事実のみを記録。出典と確信度の追跡は必須。 💬 **カスタマーサポート** — ユーザーの好みや過去の問い合わせ履歴を蓄積する必要があるが、自由入力のリスクも高い。反復確認された情報（2回以上の一致）のみ自動永続化し、暗黙的な好みは隔離期間を設けてから昇格させる設計が有効。 🏢 **社内ナレッジボット** — 組織の暗黙知（「このAPIはこのパラメータを渡すと壊れる」）を蓄積したい。管理者入力が主なら比較的積極的に書き込めるが、定期的な「メモリの棚卸し」でユーザーに保存情報を提示して確認を得る運用を組み込むと品質が保たれます。 書込ログの監査可能性も忘れずに。いつ・何が・どのソースから書き込まれたかを追跡できれば、メモリ汚染が発覚した場合に原因特定と修正が可能になります。 #AIエージェント# #ソフトウェアアーキテクチャ#

オフ会募集開始してるよ～💕 ●日時：9/19(土)14:00-17:00 ●場所：上野近辺（※詳細は当選者の方に個別に送るよ～） 興味あれば応募してね😊❤️