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 オフログ
オフログ 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
オフログ を含む検索結果
\ #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
もっと見る
APIのないサイトでも、エージェントが自分でブラウザを操作して仕事を終わらせる時代です。 タイトル: Browser Use in Managed Deep Agents URL: LangSmithが運用するリモートブラウザと、コンテキストを節約するブラウザツールがManaged Deep Agentsに加わりました。 注目ポイントは3つです。 🔐 パスワードをモデルに渡さないハンドオフ ログインページに当たると、エージェントがbrowser_handoffを呼びます。ユーザーはLangSmith Studioで同じブラウザにサインインしてHand backを押すだけ。パスワードはモデルにもトレースにも渡りません。scope="user"なら一度のログインが後のスレッドにも引き継がれます。 🧠 ページ全体を読み込まないツール設計 browser_snapshotがアクセシビリティツリーを読み、browser_runが多数の操作を1回の呼び出しにまとめて、必要な出力だけを返します。ページの大半をコンテキストに入れずに済み、速くなります。 🧪 localhostのアプリをそのままE2Eテスト ブラウザからのlocalhost:5173へのリクエストを、プライベートリンクでエージェントのサンドボックスに中継します。公開URLは不要で、通った手順はPlaywright風のテストとして保存できます。 WebVoyager 100タスクで合格率90%、総費用は$1.98でした。ただし1つのベンチマークの結果です。 #LangChain# #ブラウザエージェント#
もっと見る
# AIエージェントをエンタープライズシステムに組み込む意思決定ポイント # オンライン vs オフライン知性|推論のタイミング設計 🎯 ポイント エージェントの推論を「全部リアルタイム」で処理しようとしていませんか?推論をリクエスト時にリアルタイムで行うオンラインと、事前にバッチで計算しておくオフラインでは、レイテンシ・コスト・精度のバランスが根本的に異なります。多くの本番システムでは両者を併用し、オフラインで事前計算した結果をオンラインで仕上げるハイブリッド構成が現実的な最適解です🔑 📋 概要 オンライン推論はユーザーの入力が事前に予測できない対話型ユースケースに必須です。Zendeskのライブチャットでリアルタイム回答するエージェントや、Salesforceの商談画面で営業担当に次のアクションを提案するエージェントがその典型です。オフライン推論は大量のデータを定期的にバッチ処理する場面で威力を発揮します。全従業員のスキルデータを夜間に分析したり、全商品説明を月次でSEO最適化したりするケースです。エンタープライズでは処理の特性に応じて両方を使い分けるのが鉄則です📊 🔍 意思決定のポイント 判断の軸は「即時性の要求」と「処理量・コスト」です。 応答が数秒以内に必要なら、オンラインが必須です。ユーザーが待てる時間には限界があり、30秒を超えるとほとんどの場合離脱します。 処理対象が数百件以上のバッチなら、オフラインを検討しましょう。1件ずつリアルタイム処理するとコストが膨大になります。 1件あたりの推論コストが高い場合(目安として0.05ドル以上/件)、オフラインでまとめて処理するほうがコスト効率が良いことが多いです。 結果の鮮度に数時間の遅延が許容されるなら、オフラインが有力な候補です。 両方の特性が必要なら、オフラインで事前計算しオンラインで差分補正するハイブリッド構成を取りましょう⚡ 💡 要点と詳細 ハイブリッド構成の3つのパターンを押さえてください: オフラインで事前計算、オンラインで仕上げ — 夜間バッチで商品レコメンデーションの候補を生成しておき、ユーザーのリアルタイムの行動に応じてオンラインで最終ランキングを調整します。重い推論はオフラインで済ませ、オンラインは軽量な調整だけにすることでレイテンシとコストを両立します。 オンラインの結果をオフラインで集約 — リアルタイムの顧客対応ログをオフラインバッチで分析し、FAQの自動更新や応答テンプレートの改善に活用します。オンラインの経験がオフラインの品質向上にフィードバックされる循環構造です。 キャッシュ層の活用 — 頻出クエリの応答をセマンティックキャッシュに蓄積し、類似クエリにはキャッシュから返すことでオンラインのコストを抑制します。完全一致ではなく意味的な類似性でキャッシュヒットを判定するのがポイントです🔄 ⚖️ トレードオフ 全処理をオンライン化する誘惑に注意してください。大量データの分析まで同期処理すると、レイテンシが30秒を超えてユーザーが離脱するだけでなく、APIのタイムアウトにも抵触します。さらに、全リクエストをLLMに通した場合の月次コストを事前に試算しないと、本番投入後に予算超過が判明する事態になります😰 一方、オフラインの鮮度管理も重要です。バッチの実行頻度とデータの更新頻度が合っていないと、古い結果を返し続けます。商品の在庫状況が1日遅れで表示されるような問題は、ビジネスインパクトが大きいです。マスタデータが更新されたときにオフラインの計算結果を無効化する仕組みがないと、整合性が崩壊します。 オフラインバッチのエラーハンドリングも見落とされがちです。途中で失敗した場合に部分的な結果だけが反映されると、データの一貫性が損なわれます⚠️ 🛠️ ユースケース カスタマーサポートエージェント(Zendesk連携):ライブチャットの回答はオンラインでリアルタイム生成。一方、過去の対応ログから頻出パターンを抽出してFAQを更新する処理はオフラインの夜間バッチで実行。オンラインの応答品質がオフラインの分析で継続的に改善されるフィードバックループです📚 スキル分析エージェント(Workday連携):全従業員のスキルデータを夜間バッチでオフライン分析し、スキルギャップレポートを生成。マネージャーがオンラインで「このポジションに適した社内候補は?」と質問すると、事前計算済みのスキルマッチング結果をベースに即座に回答します🏢 商品レコメンデーションエージェント(Shopify連携):全商品の類似度計算と顧客セグメント別のレコメンデーション候補をオフラインで事前生成。ユーザーのリアルタイムの閲覧行動に応じて、オンラインで最終的なレコメンデーションランキングを調整します🔧 実践のコツ:まずオンラインで必要な応答速度の目標値(P95レイテンシ)を定義し、それを超える処理はオフラインに切り出してください。コスト試算は必ず月次ベースで行い、オンラインとオフラインの比率を最適化しましょう💪 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
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。
もっと見る
DIRECT GAMES「2026オータムセールキャンペーン」開催 ・対象タイトルが最大96%オフ ・1000円のランダムボックスも販売 ・ログインで最大200ポイント獲得 ・期間は10月12日16:00まで
もっと見る
# OpenAI Agent SDKの便利だけど知られていない機能 🌍 ハンドオフ先のエージェントに、不要なツール呼び出し履歴まで渡していませんか? input_filterとhandoff_filtersを使えば、ハンドオフ時の入力を整理し、受信側エージェントを関連コンテキストに集中させることができます。 📌 タイトル:handoff の input_filter と handoff_filters 🔗 URL: 🧩 概要 `handoff()` の `input_filter` パラメータに関数を指定すると、ハンドオフ時に渡される入力データを変換できます。`HandoffInputData`(`input_history` / `pre_handoff_items` / `new_items` / `input_items` / `run_context`)を受け取り、加工した `HandoffInputData` を返す関数を定義します。SDK組み込みの `handoff_filters.remove_all_tools` を使えば、会話履歴から構造化されたツール項目を全て除去できます。これにより、受信側エージェントが関連するコンテキストだけに集中でき、より的確な応答が可能になります。 🛠 使い方 ```python from agents import Agent, handoff, HandoffInputData from agents.extensions import handoff_filters # 組み込みフィルタ:ツール呼び出し履歴を除去 specialist = Agent(name="Specialist", instructions="専門的な回答を行います") handoff_to_specialist = handoff( agent=specialist, input_filter=handoff_filters.remove_all_tools, ) # カスタムフィルタ:直近N件のメッセージのみ渡す def keep_recent_messages(data: HandoffInputData) -> HandoffInputData: recent = data.input_history[-5:] # 直近5件のみ # clone() なら run_context などの他フィールドを保ったまま差し替えられます return data.clone(input_history=recent) handoff_to_specialist = handoff( agent=specialist, input_filter=keep_recent_messages, ) coordinator = Agent( name="Coordinator", handoffs=[handoff_to_specialist], ) ``` 🏗 本番システムへの組み込み方 ・`remove_all_tools` を使って、専門エージェントに不要なツール実行履歴を渡さない ・カスタムフィルタで機密情報を含むメッセージを除外してからハンドオフする ・コンテキスト量を制限することで、受信側エージェントのトークン消費を削減する ・フィルタの組み合わせで、エージェントごとに最適な入力を設計する 💡 ユースケース 🧹 ツール呼び出し履歴のクリーンアップで専門エージェントの精度向上 🔒 機密データを含む会話履歴のフィルタリング 📏 長い会話のコンテキストを要約・圧縮してハンドオフ 🎯 エージェントの専門領域に関連するメッセージだけを選択的に渡す ⚠️ 注意点 フィルタで必要な情報まで除去すると、受信側エージェントが文脈を失い適切に応答できなくなります。特に `remove_all_tools` は、ツールの結果が後続の会話に重要な場合は注意が必要です。なお `remove_all_tools` が取り除くのは構造化されたツール項目だけで、通常のメッセージやネスト履歴の要約にコピー済みの引数・結果は残るため、それらを消すには独自の input_filter が必要です。また、サーバー管理の会話(`conversation_id` / `previous_response_id` など)ではハンドオフの input_filter は利用できません。フィルタの適用結果をログで確認し、必要な情報が保持されているか検証しましょう。 ✨ input_filterで、各エージェントに最適なコンテキストだけを渡す洗練されたハンドオフを実現しましょう。 #OpenAIAgentSDK# #AIAgent#
もっと見る
#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#
もっと見る
【アプリの機能紹介】 移動中、電波が悪くてWebで本が開けない…😢 そんな時は、事前にアプリで書籍をダウンロードしておくのがおすすめです! 「機内モード」など、通信がないオフライン環境でも読書をお楽しみいただけます✨ ※念のため、オフラインで閲覧する前に通信できる環境でのログイン認証を推奨しております。 詳細はこちら👇 #BOOKWALKER#
もっと見る