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 コールドケース3
コールドケース3 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
コールドケース3 を含む検索結果
☻告知☻ 「コールドケース3」(WOWOW) 明日12/19(土)22時から放送です! 第3話、1960年代の女優、貴船美沙役として出演させて頂きました🤭🙌 1960年代の回想シーンがモノクロフィルムで撮影された、映像美にもご注目ください😎 オフショット💃 #コールドケース3# #有村架純#
もっと見る
☻情報解禁☻ 連続ドラマW「コールドケース3〜真実の扉〜」(WOWOW) 12/5(土)22時スタート! 今回の架純氏は昭和の大女優役として 12/19(土)22時からの 第3話にゲスト出演します😳 モノクロフィルムで撮影された映像美にもご注目ください☺️🙌❤︎ #コールドケース3# #有村架純#
もっと見る
# Hermes Agentの機能と実践的な使い方 🚀 事実を覚えるだけでなく、「この人はどういう人か」を対話から推論し続けるメモリです。使うほど提案が的中する「自分を理解しているエージェント」を実現します。 📌 タイトルと機能のURL タイトル: Honcho Memory URL: 📝 概要 HonchoはAIネイティブなメモリバックエンドで、単純なキー・バリュー保存を超えます。会話のたびに「対話推論(dialectic reasoning)」を行い、ユーザーの好み・コミュニケーションスタイル・目標・行動パターンを自動的に導出して、時間とともに深まるユーザーモデルを構築します。 🔧 機能の説明 ・対話推論は多段解析です。Pass 0で初期評価、Pass 1で自己監査による抜け漏れの特定、Pass 2で矛盾を最終統合へ調整します(深さ1〜3)。 ・新規ユーザーには好みや目標を探るコールドスタート問い合わせ、既存ユーザーには現在の文脈を優先するウォームセッション問い合わせを使い分けます。 ・組み込み記憶が静的な事実の手動管理であるのに対し、Honchoはサーバー側プロファイルで自動推論を行い、結論に対するセマンティック検索やマルチエージェントのピア分離を可能にします。 ・honcho_profile(ピアの識別カード読み書き)、honcho_search(記憶・結論のセマンティック検索)、honcho_context(要約を含むセッション文脈の取得)、honcho_reasoning(指定深さでの統合推論)、honcho_conclude(結論の作成・削除、PII管理に有用)の5ツールが統合されます。 🛠 実践的な使い方 ・`hermes memory setup honcho` でガイド付き設定を行います。設定は `~/.honcho/config.json`(グローバル)または `$HERMES_HOME/honcho.json`(プロファイル単位)に作成されます。 ・主要な設定キーは、`contextCadence`(基本文脈の更新間隔)、`dialecticCadence`(LLM推論の間隔)、`dialecticDepth`(多段の深さ)、`recallMode`(hybrid / context / tools)、`writeFrequency`(async / turn / session)、`apiKey` / `peerName` / `aiPeer` / `workspace` です。 ・既定の hybrid モードでは、基本文脈と対話推論の補足が自動的にシステムプロンプトへ注入され、ツールも併用できます。 ・Honchoを有効化すると `hermes honcho status` などのサブコマンドが利用可能になります。 🎯 ユースケース ・長期アシスタントとして、数ヶ月にわたるユーザーの作業上の好みを追跡する。 ・コーディング用と個人秘書用のアシスタントが同じユーザーに対し独立したモデルを保ち、文脈の混線を防ぐ。 ・繰り返しの話題の再説明を減らし、セッションスコープの注入で提案精度を上げる。 ⚠️ 注意点 ・推論の深さに比例してコストが増えます(深さ2〜3はLLM呼び出しが増えるため、cadence設定で調整します)。 ・新規ピアはバックグラウンドのプリウォームが必要で、間に合わない場合は上限付きの同期フォールバックが働きます。 ・recallModeのtoolsモードはエージェントに制御を委ねますが明示的な推論呼び出しが必要で、contextモードはツールを隠すため柔軟性が下がります。サーバー側に状態を持つため、ファイル記憶からの移行にはデータエクスポートが必要です。 #HermesAgent# #Memory#
もっと見る
# AIエージェントをソフトウェアに組み込むプラクティス # Synchronous Edge Agent|同期エッジ 🎯 キャッチーなメッセージ LLMエージェント、まず「同期で返せないか?」を考えていますか? 非同期キューやチェックポイントに飛びつく前に、シンプルな同期HTTPで完結できないか検討しましょう。実際のユースケースの大半は、それで十分です。 🔥 解決する課題 エージェントアーキテクチャの議論はすぐに非同期キュー・チェックポイント・オーケストレータへ進みがちです。しかし多くのタスクは「LLM1回+軽いツール」で済みます。軽量タスクに重い実行基盤を持ち込むと、運用コスト・デプロイ複雑性・デバッグ難度が不必要に跳ね上がります。 💡 提案パターン Synchronous Edge Agent(同期エッジ)は、単発のLLM推論と軽量ツール0〜2回を1つの同期HTTPリクエスト内で完結させる、最もシンプルな実行方式です。状態はインコンテキストのみで、チェックポイントもキューも不要です。テキスト分類・情報抽出・単純Q&A・要約・構造化出力生成など「数秒で終わる確実な処理」に最適です。タイムアウトはLLM呼び出し単位でp99実測値に基づいて設定し、モデル選択もレイテンシ予算の関数として決定します。迷ったらまずここから始めてください。 ✅ 選定条件 使うとき: - 処理が概ね5〜10秒以内に終わる(対面)、またはAPI連携で30秒以内 - LLM呼び出しは1回、ツール呼び出しは0〜2回の軽量処理 - 途中再開や人間承認が不要 使わないとき: - 処理が30秒を超えうる、または所要時間が読めない場合 - 複数ツールの多段呼び出しや計画・反省ループが必要な場合 - 不可逆な副作用(決済・データ削除等)を伴う場合 ⚠️ 落とし穴 - タイムアウトはHTTPサーバ全体でなくLLM呼び出し単位で設定すること。全体タイムアウトだけではLLMがハングしてワーカースレッドを占有し続けます - 同期枠内でのリトライは0〜1回に限ること。リトライを重ねるとクライアントが先にタイムアウトします - サーバーレス環境ではコールドスタートがレイテンシ予算を食うため、Provisioned Concurrencyやウォームアップで対処が必要です 🔧 実装方針 - クライアントからのHTTPリクエストをAPI Gateway経由でハンドラが受け取り、1つのリクエスト-レスポンスサイクル内で処理を完結させます。外部キューやチェックポイントストアは登場しません - タイムアウトはHTTPサーバ全体ではなくLLM呼び出し単位で設定し、その値はlatency_budgetから導出します。p95/p99の実測値に基づいて調整します - モデル選択もレイテンシ予算の関数として決定します。分類・抽出には軽量モデル、生成にはミッド〜フラグシップを選びます - 構造化出力(JSON Schema等)を使い、レスポンスの軽量検証を常にONにします。意味検証はレイテンシに余裕がある場合のみ追加します - 対面UIで生成が長文になる場合はSSEストリーミングを併用し、体感レイテンシを短縮します #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
# AIエージェント開発の意思決定ポイント # トレース・サンプリング率|Trace Sampling Rate 🎯 ポイント エージェントのトレース、全量記録していますか?それとも全く記録していませんか? 「全量か無か」ではなく「何を全量にするか」が正しい問いです。AIエージェントの1リクエストは数千〜数万トークンのトレースデータを生成します。全量記録すると観測コストが爆発し、記録しなければ障害時に原因究明が不可能。条件付きサンプリングがこのジレンマを解決します。 📋 概要 トレース・サンプリング率は、エージェントの実行トレース(各LLM呼び出し、ツール実行、意思決定のステップごとの記録)をどの割合で収集・保存するかを制御するパラメータです。100%ならすべてのリクエストのトレースを記録し、1%なら100リクエストに1件だけ記録します。 AIエージェントのトレースは従来のWebサービスのログとは質的に異なります。プロンプト全文、出力全文、ツール引数・戻り値、中間的な推論ステップなどを含めると、1リクエストで数十KB〜数百KBのデータが生成されます。さらにLLMの出力は確率的なため、「同じ入力を再投入すれば再現できる」という前提が成り立ちません。 🔍 意思決定のポイント サンプリング率はaccountability(説明責任)とcost_sensitivity(コスト感度)のバランスで決まりますが、最も重要なのは条件付きサンプリングの設計です 🎯 一律の確率ではなく、リクエストの属性に応じて率を変えます。 判定基準の優先順位: 1. エラー/例外が発生したリクエスト → 100%記録(必須) 2. HITL(人間介在)が発生したリクエスト → 100%記録 3. 高リスク操作(副作用あり、不可逆)を含むリクエスト → 100%記録 4. レイテンシがP95を超えたリクエスト → 100%記録 5. コストが閾値を超えたリクエスト → 100%記録 6. 成功したリクエスト → 標本率で記録(1〜10%) 💡 要点と詳細 目安値 📊 - エラー/例外発生 → 100%。再現性のない障害のデバッグに不可欠 - HITL発生(人間承認/エスカレーション) → 100%。承認判断の妥当性を事後検証 - 高リスク操作(送金、データ削除等) → 100%。不可逆操作の監査に必須 - レイテンシP95超過 → 100%。性能劣化の根本原因分析に必要 - 成功かつ低リスク → 1〜10%。品質の統計的モニタリングに十分 - 開発・ステージング環境 → 100%。コストが問題にならない範囲で全量記録 トレースの粒度をサンプリング率とは別に制御するのも重要です 📦 全量記録するリクエストでも、プロンプト全文はコールド層に、メタデータ(モデル名、トークン数、レイテンシ、ステータス)はホット層に分離します。 ⚖️ トレードオフ サンプリング率が低すぎると、障害の再現が不可能になります 🔍 LLMの出力は確率的なため、同じプロンプトを再投入しても同じエラーが再現するとは限りません。品質劣化の見逃し、監査要件の不達成、コスト異常の遅延検知も深刻なリスクです。 サンプリング率が高すぎると、観測コストが本番のLLM呼び出しコストに匹敵するか上回ることがあります 💸 パフォーマンスへの影響、PII(個人情報)の拡散リスク、大量データ中の信号がノイズに埋もれる問題も発生します。 サンプリング率は運用開始後に段階的に下げてください。最初は高い率(50〜100%)で始め、安定性を確認してから成功リクエストの率を徐々に下げます。 🛠️ ユースケース サンプリング判定はリクエストの終了時に行うことも検討してください 🔄 head-based sampling(開始時に決定)は実装が簡単ですが、エラーが発生するかどうかは事前に分かりません。tail-based sampling(完了後に決定)なら結果に基づいて判定できます。ただし中間データを一時的にバッファする必要があります。 correlation ID(trace ID)の伝播を確実にしてください 🔗 マルチステップのエージェント実行では、最初のリクエストから最後のツール呼び出しまで一貫したtrace IDが紐づいていないと、部分的なトレースしか得られません。非同期処理やキューを介する場合にIDが途切れやすいので要注意です。 ホット/コールド分離と組み合わせるのが効率的です。サンプリングされたトレースはコールド層に全文を、それ以外はホット層にメタデータのみを記録する構成が実用的です。 #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
# AIエージェント開発の意思決定ポイント # シングルエージェント vs マルチエージェント 🤖 🎯 ポイント マルチエージェント、かっこよく見えますよね?でも「かっこよさ」で選ぶと痛い目に遭います。 1つのLLMにすべてを任せるか、複数の専門エージェントに分割するか。この判断は「専門性の分離の利益」が「調整コスト」を上回るかどうかで決まります。「少しだけマルチ」という中間は存在しません。調整インフラを入れるか入れないかの境界は非連続です。 📋 概要 シングルエージェントは1つのLLMインスタンスがすべてのツール・文脈・権限を持ち、タスク全体を処理します。制御フローは1つのループ内で完結し、エージェント間通信は存在しません。マルチエージェントは複数の専門Worker を調整役のSupervisorが束ねる構成です。各Workerは専門領域のツールと文脈だけを持ち、Supervisorがタスク分解・予算配分・結果集約を担います。 🔍 意思決定のポイント 判定軸は2つです。 1️⃣ **タスクの変動性(task_variability)** と専門性の分離度 - ツールセットが20個以下で1つのコンテキスト窓に収まる → シングル - 専門性の軸が2つ以上に明確に分かれ、1つのコンテキストに入れるとノイズになる → マルチ - 並列実行による時短がレイテンシ予算の達成に貢献する → マルチ 2️⃣ **コスト感度(cost_sensitivity)** - LLM呼び出し回数の増加が許容できない → シングル - 調整コスト(Supervisorのトークン消費、エラー伝播設計)が分割の利益を下回る → マルチ 💡 要点と詳細 🟢 **シングルの強み**は単純さとコスト効率です。デバッグは1つのコンテキスト窓で閉じ、テストも1つのエージェントの入出力で完結します。状態共有の問題がなく、合意形成も不要。コンテキスト窓に収まる限り、すべての情報が1つの推論に利用可能で情報伝達のロスがありません。マルチ構成ではSupervisorのタスク分解+各Workerの独立LLM呼び出し+結果集約で、トークン消費が3〜5倍に膨らむことも珍しくありません。 🟡 **マルチの強み**は専門性の分離・権限の最小化・並列実行の3つです。各Workerのコンテキスト窓には専門領域の情報だけが入るため推論精度が向上します。権限もWorker単位で最小権限を付与でき、あるWorkerが侵害されても被害は限定されます。独立したサブタスクを並列処理すればレイテンシを節約できます。 ⚖️ トレードオフ | 観点 | シングル | マルチ | |---|---|---| | デバッグ容易性 | 1コンテキストで完結 🟢 | 分散トレーシング必須 🔴 | | コスト | LLM呼び出し1ループ | 3〜5倍のトークン消費 | | 推論精度 | ツール20超で低下 | 専門化で向上 | | セキュリティ | 全権限が1箇所に集中 | Worker単位で権限分離 | | 並列処理 | 不可 | 独立サブタスクで可 | 🛠️ ユースケース 🔵 **シングルが向くケース**: ツール数が限られた情報検索・要約・分類タスク。コスト重視のプロジェクト。専門性の軸が1つで済むケース。 🔴 **マルチが向くケース**: コード生成+テスト実行+レビューのように専門性の軸が明確に分かれるケース。法務と技術など異なるドメイン知識が必要なケース。セキュリティ上、権限分離が必須のケース。 📌 **デフォルト戦略**: まずシングルエージェントで始めてください。マルチの調整コストは過小評価されがちです。コンテキスト溢れ・権限の粗さ・レイテンシのボトルネックが明確になった時点で、そのボトルネックを解消する最小限のWorkerを追加するのが安全な進め方です。Worker数は2〜5が目安で、それ以上は調整コストの増大を慎重に評価しましょう。 #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
\ Pensta7月11日新商品のお知らせ / 人気の「Suica券面シリーズ」をはじめ、 各店限定の駅名標モチーフのキーホルダーやマグネットなど新作商品続々登場です! *1枚目 ドローコードトートバッグ 2,970円 券面柄ふわふわパスケース 2,530円 券面柄スライドミラー 1,320円 PVCポーチ 各1,650円 フラットミニポーチ 1,100円 フラットポーチ 1,540円 *2枚目 動く!駅名標キーホルダー 1,320円 アクリル駅名マグネット 660円 *3枚目 マイクロミニスクエアトート 2,200円 ※価格は全て税込です
もっと見る
# AIエージェントをソフトウェアに組み込むプラクティス # Eval Harness|評価ハーネス 🎯 プロンプトを変えたら品質が下がっていた、モデルが更新されていつの間にか精度が劣化していた――気づいたのはユーザクレームの後でした。評価ハーネスがあれば、デプロイ前に検知できます。 🔥 解決する課題 AIエージェントは確率的であり、コードの単体テストのように全入力に対して正解が決定論的に定まりません。ハルシネーションは個別の目視確認では検出しきれず、LLMドリフト(プロバイダ側のモデル更新による品質変動)は自チームが何も変更していなくても発生します。評価ハーネスがなければ、品質劣化は本番のユーザクレームとして初めて顕在化します。 💡 提案パターン ゴールデンデータセット(入力と期待出力のペア)と自動評価関数(完全一致・LLM-as-Judge・カスタムメトリクス)を組み合わせた評価パイプラインを構築します。プロンプト・モデル・コードの変更ごとにCIで回帰検知を行い、変更がなくても日次〜週次の定期実行でLLMドリフトを検知します。評価はオフライン(デプロイ前バッチ)、オンライン(本番サンプリング)、シャドウ(A/B比較)の3層で実施します。回帰ゲートの閾値は安全性カテゴリでは劣化0件を推奨します。 ✅ 選定条件 使うとき: - エージェントが本番トラフィックを処理し、プロンプト・モデル・コードを継続的に変更する - 品質変化を定量的に示す必要がある(SLA遵守・規制報告等) - ゴールデンデータを作成・維持できるドメイン知識がある 使わないとき: - プロトタイプ段階でプロンプトが日単位で大幅に変わる - 出力がクリエイティブ生成(小説・詩)で正解の定義が困難 - 後段に決定論的検証ロジックがあり誤りが自動修正される ⚠️ 落とし穴 - ゴールデンデータは腐敗します。仕様変更に伴い期待出力が古くなると正しい出力が「回帰」と判定されます。オーナーと最終更新日を付与し定期棚卸ししてください - LLM-as-Judgeも確率的です。温度0でも判定が揺れる場合があるため、重要ケースでは3回実行の多数決を検討してください - ベースラインスコアの更新タイミングを明示的に定めておかないと、劣化が見えなくなります 🔧 実装方針 - ゴールデンデータセット(入力と期待出力のペア)にカテゴリ・評価関数名・期待キーワードを構造化して定義し、カテゴリ別に集計・回帰判定します - 評価パイプラインはオフライン(CI上でのデプロイ前バッチ)、オンライン(本番サンプリング)、シャドウ(新旧A/B比較)の3層で運用します - 回帰ゲートはベースラインとの相対比較で判定し、安全性カテゴリでは劣化0件、一般カテゴリでは概ね2%以内の劣化を閾値とします - シャドウ実行では副作用を持つツール実行をドライランにし、カナリアデプロイではsticky sessionで同一ユーザーを同一バージョンに固定します - ゴールデンデータにオーナーと最終更新日を付与し、仕様変更に伴う腐敗を定期棚卸しで防止します #AIエージェント# #ソフトウェアアーキテクチャ#
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
【#サプライ予約情報】# ✨✨2/13発売予定✨✨ スリーブ/デッキケース/ラバーマット 「コードギアス 奪還のロゼ」 「Fate/stay night」 ✨✨2/20発売予定✨✨ スリーブ/合皮製デッキケース 「ヱヴァンゲリヲン 新劇場版」 #193大須#
もっと見る