# ADKの便利で実践的な使い方 ## 🎛️ エージェントの振る舞いを自在に制御！ADKのCallbacks機能 LLM呼び出しの前にガードレールをかけたい、ツール実行前にバリデーションしたい…そんな要望、ADKの **Callbacks** なら全部叶います！🔧 ## 📌 タイトル Callbacks（コールバック） ## 🔗 URL ## 🧩 概要 Callbacksは、エージェントの実行フローの重要なポイントにフックを仕掛け、振る舞いを観察・カスタマイズ・制御するための仕組みです。フレームワークのコアを変更することなく、6種類のコールバックで柔軟な制御が可能です。 - **before_agent / after_agent**：エージェント実行の前後 - **before_model / after_model**：LLM呼び出しの前後 - **before_tool / after_tool**：ツール実行の前後 最大のポイントは **戻り値によるフロー制御**。`None` を返せば通常続行、特定のオブジェクトを返せばその先の処理をスキップできます。 ## 🛠 使い方 **LLM呼び出しをスキップする（入力ガードレール/キャッシュ）：** `before_model_callback` を定義し、引数として `CallbackContext` と `LlmRequest` を受け取り、戻り値を `Optional[LlmResponse]` とします。`llm_request.contents[-1].parts[0].text` からユーザーの最後のメッセージを取得し、禁止ワードが含まれていれば `LlmResponse` に `Content(role="model")` と拒否メッセージを詰めて返すことでLLM呼び出しをスキップします。問題なければ `None` を返して通常のLLM呼び出しを続行します。 **ツール実行をスキップする（バリデーション/モック）：** `before_tool_callback` を定義し、`context`、`tool`、`args` を受け取ります。戻り値は `Optional[Dict]` です。`validate_args(args)` で引数を検証し、不正であれば `{"error": "引数が不正です"}` という辞書を返してツール実行をスキップします。正常であれば `None` を返して通常実行を続行します。 **エージェント実行をスキップする：** `before_agent_callback` を定義し、`context` を受け取り、戻り値を `Optional[Content]` とします。`is_authorized(context)` で権限チェックを行い、権限がなければ `Content(role="model", parts=[Part(text="権限がありません")])` を返してエージェント実行をスキップします。認可済みであれば `None` を返して通常続行します。 ## 🏗 実践的な使い方 **入力ガードレール + レスポンスキャッシュの組み合わせ：** `smart_before_model` 関数を定義し、`ctx` と `req` を受け取り `Optional[LlmResponse]` を返します。まず Step 1 として `req.contents[-1].parts[0].text` からユーザー入力を取得し、`contains_pii()` で個人情報を検出した場合は拒否メッセージ入りの `LlmResponse` を返してLLM呼び出しをスキップします。次に Step 2 として `hash(user_input)` でキャッシュキーを生成し、`ctx.state.get(f"cache:{cache_key}")` でキャッシュを検索します。キャッシュがあればそのテキストを `LlmResponse` に詰めて返し、なければ `None` を返してLLM呼び出しに進みます。最後に `LlmAgent` を作成する際、`name="SecureAgent"`、`model="gemini-2.0-flash"` を指定し、`before_model_callback=smart_before_model` でこのコールバックを登録します。 ## 💡 ユースケース - 🛡️ **入力ガードレール**：不適切な入力やプロンプトインジェクションをLLM呼び出し前にブロック - 💾 **レスポンスキャッシュ**：同じ質問にはキャッシュから即座に応答しコスト削減 - 🔍 **デバッグ・ログ**：各実行ポイントでリクエスト/レスポンスを記録 - ✅ **ツールバリデーション**：ツール引数の事前検証でエラーを未然に防止 - 🧪 **テスト用モック**：本番ツールの代わりにモックレスポンスを返す ## ⚠️ 注意点 - コールバックは同期的に実行されるため、重い処理（外部API呼び出し等）は避けてください - `before_*` で値を返すと後続処理が完全にスキップされるため、意図しないスキップに注意 - セキュリティガードレールをエージェント横断で適用したい場合は、Callbacksよりも **Plugins** の利用を検討してください - エラーハンドリングは必ず try-except で囲み、コールバックのエラーがエージェント全体をクラッシュさせないようにしましょう ## ✨ まとめ ADKのCallbacksは、エージェントの実行フローに対する「外科手術的な制御」を可能にします。ガードレール、キャッシュ、ログ、バリデーション…あらゆるクロスカッティングな関心事を、コアロジックを汚さずに実装できます。まずは `before_model_callback` から始めてみましょう！ #ADK# #AIAgent#

#ゴールデンウィーク展覧会2026# 最近は毒にも薬にもなる写真に加えて ドリームコア、リミナルコアを探究中💭 不穏は夢のスパイス

🔁 簡単なトークンにも難しいトークンにも同じ計算量を使っている。拡散言語モデルが自己回帰モデルに勝てない原因は、そこにあるという指摘です。 タイトル: ALoDLM: Adaptively Looped Diffusion Language Models URL: 📘 概要 拡散言語モデルの各デノイジングステップに「内側ループ」を入れ、トークンごとに異なる深さで計算を打ち切れるようにした手法です。11ベンチマークの平均で、同規模の拡散モデルだけでなく自己回帰ベースラインも上回りました。 🔥 解決する課題 1回のデノイジングで、予測しやすい位置と計算を要する位置が混在します。しかし標準的な拡散モデルは全マスク位置に同じ固定深度を適用するため、簡単な予測に計算を浪費し、難しい予測には計算が足りません。信頼度ベースの繰り越しも、繰り越したトークンの潜在計算を捨てて次ステップで再計算するため根本解決になりません。 🛠 方法論と提案手法 Transformerを前段・再帰コア・後段に分け、再帰コアを最大4回まわします。 ・予測エントロピーが閾値以下のトークンは確定し、離散埋め込みとして次パスの文脈になります ・未解決のトークンは潜在状態を保持したまま洗練を続けます ・停止確率を累積し、閾値に達したら内側ループを抜けます 確定が文脈を変えるため離脱スケジュールの厳密な総和は不可能で、離脱深度を潜在変数とみなす変分下界と不偏勾配推定で学習します。 📊 実験結果 ・平均スコアは1.7Bで65.5、8Bで80.3。Qwen3の63.8と78.5をいずれも上回りました ・GSM8Kで、同等以上の精度を保ちつつvLLM提供のQwen3-8Bの約2.7倍のスループット ・推論時に離脱閾値を上げるとループ数が1.6から2.34に増え、平均スコアも77.9%から79.1%へ ・難易度ラベルなしで、数値トークンに最も深い計算を割り当てる挙動を自ら学習しました #拡散モデル# #LLM#

【お知らせ】 7月29日11:00〜12:20ごろにアップデートを行いました。 再度ログインいただくと、新しいリソースのダウンロードが可能となります。 アップデートの内容は、下記をご参照ください。 ◆更新内容 ・コアが活性化している敵を対象とするスキルが、コアが活性化していない一部のラプチャーにも適用された現象を修正しました。 「対象」 └ マテリアルH：キャンペーン、タワー └ インディビリア：キャンペーン、タワー ・一部のラプチャーの活性化しているコアを攻撃できない現象を修正しました。 「対象」 └ モノアイ：キャンペーン、タワー、シミュレーションルーム、ストーリーイベント └ パサーバイ：キャンペーン ・公定性のため、「ソロレイドミュージアムホール3」のインディビリアのパーツコアが破壊された後も通常コアが活性化するようにパターンを修正しました。 この度はご不便とご迷惑をおかけし大変申し訳ございません。

【#Metalcore】# 当店メタル担当激推しの一枚！📢 英リヴァプールの奇才。 近代Nu-Metalcoreのオリジネイター #Loathe# 待望5年ぶりの新作『A Stranger To You』 メタルコアを基盤にオルタナ/ファンク/R&B/シューゲイズをブレンドしたまごうことなきLoatheワールド！ 数多の音像ひしめくバンド史上最高にアーティスティックな仕上がりです👏 (EMK)

今夜のトリ！ ニュージーランド国内バンドコンテスト優勝、KOKOA NASHI HIP HOP、ラウドコアをベースにしながら、シティポップもプログレも取り入れられた幅広さと、独自性のある"間"やフレーズに満ち溢れた洗練されたサウンド！ 明日から大阪、難波Meleと緑橋戦国大統領へ！

MORE self LOVE（モアセルフラブ）にハローキティの新作アイテムが登場☆ ポーチやチャームなど、毎日持ち歩きたいアイテムをラインナップ♪ バレエコアをイメージした、チュールやフリルいっぱいのデザインにときめいちゃうね♡ Roomy's WEB STOREで発売中★ #サンリオ#

GPT6, Fable5.1 自分よりもスゴい知性は、【今ある自分の自動化、底上げ】ではなく、【自分の天井をあげる非連続成長】に使った方が破壊力あります。GPT6など新技術のコアを把握して、それらがもたらす自分への事業へのどこに適応すればいいか？を４つのプロンプトにしたよ！

🌐 大規模ネットワークシステムの最前線NSDI 2026に、Microsoftが11本を発表しました。KVキャッシュ再利用で4倍スループット、CXLメモリでRDMA比3.2倍など、AI基盤の具体的な前進が並ぶダイジェストです。 タイトル: Microsoft at NSDI 2026: Advances in large-scale networked systems URL: 📝 概要 NSDIは、クラウド・AI・分散アプリ基盤の設計と運用に関する新しい研究を共有する主要な国際会議です。本記事は、Microsoftが発表したデータセンターネットワーク、広域ネットワーク、AIシステム、クラウドインフラにまたがる11本の採択論文を紹介しています。 ❓ 解決する課題 AIワークロードの急増に伴い、データセンターのネットワーク・メモリ・CPU資源を、信頼性とコスト効率を保ちながらスケールさせることが一層難しくなっています。本記事の研究群は、本番運用と研究の両面からその最前線に取り組んでいます。 💡 主要な研究貢献 ・DroidSpeak：同一アーキの言語モデル変種間でKVキャッシュを再利用し、出力品質への影響を最小限に抑えつつ最大4倍のスループットを実現します ・SONiC DASH SmartSwitch：クラウドのネットワークオフロードを再設計し、Azureで大規模に展開済み。電力と設置スペースの効率を大幅に改善します（コミュニティアワード受賞） ・Octopus：CXLの分離メモリポッドで、3サーバ試作機においてラック内RDMA比3.2倍、CXLスイッチ比2.4倍のRPCを達成します ・HarvestContainers：レイテンシ重視のコンテナから動的にコアを収穫し、テールレイテンシをスタンドアロン比4%以内に保ちながら空きCPUを最大75%活用します 🎯 ユースケース LLMサービングの高速化、メモリ分離（disaggregation）、コンテナのリソース有効活用、ネットワークプロトコルの検証など、クラウド・AI基盤の設計判断に役立ちます。 📊 そのほかの成果 ・Eywa：LLMベースのモデル生成により、ネットワークプロトコル実装で33件のバグ（うち16件は未知）を発見しました ・ForestColl：多項式時間でスケジュールを生成し、理論的に最適な集団通信を達成します ・AVA：10時間超の動画で75.8%の精度を出す動画解析ベンチマークです ・KRAKENGUARD：eBPFを用いた、マルチテナントセキュリティのための細粒度の分離です #NetworkedSystems# #AIInfrastructure#