🔧 ツール利用エージェントの学習データ、実は「答えを先に作る」方が効率的だったという発見です。 タイトル: ToolGrad: Efficient tool-use dataset generation with textual "gradients" URL: Google Researchが提案したToolGradは、従来のツール利用データセット生成の順序をひっくり返す手法です。注目ポイントを3つ紹介します。 🔄 アンサーファーストという逆転の発想 ユーザー指示を先に作って解決策を深さ優先探索で見つける従来手法とは逆に、検証済みのAPIワークフローを先に構築し、そこからユーザープロンプトを逆算します。試行錯誤が要らないため生成が効率的です。 📝 テキストで表現する「勾配」 数値の勾配の代わりに、API実行レポートから得た自然言語のフィードバックを「テキスト勾配」として使い、Proposer・Executors・Selector・Updaterという4モジュールでワークフローを段階的に構築していきます。 🏆 商用トップモデルに匹敵する性能 小規模データセットでファインチューニングしたToolGrad-12Bは、Berkeley Function Calling LeaderboardでGemini 2.5 ProやClaude 4.5 Opusに匹敵する83.1点を記録し、GPT-5を上回りました。 低コストなデータ生成が、そのまま実用レベルのエージェント性能に直結するのが印象的です。 #AIエージェント# #ツール利用#

【ニュース】ゲームエンジンUnity、いきなり規約改訂で「サードパーティー製AIツール」利用を制限か。ただし公式は“データ収集対策”と説明

# Claude Agent SDKの便利で実践的な使い方 🔐 ツールアクセスを段階的に制御して、安全と生産性のバランスを取りましょう。 パーミッションの設定は、`allowed_tools` / `disallowed_tools` / `permission_mode` でエージェントのツール利用を多段階に制御し、安全な運用を実現する機能です。 📌 タイトル：パーミッションの設定 🔗 URL： 🧩 概要 評価順序は「フック→拒否ルール→パーミッションモード→許可ルール→canUseTool」です。`disallowed_tools` はスコープ付き拒否（例: `Bash(rm *)`）に対応し、`bypassPermissions` でもブロックされる最終防衛線です。 🛠 使い方 `allowed_tools` で自動承認するツールを、`disallowed_tools` でブロックするツール（スコープ付き拒否も可：`"Bash(rm *)"`）を、`permission_mode` で全体のモード（`default` / `acceptEdits` / `dontAsk` / `plan` / `bypassPermissions`）を設定します。 🏗 実践的な使い方 ・`allowedTools: ["Read","Glob","Grep"]` + `permissionMode: "dontAsk"` で許可ツール以外は即拒否する読み取り専用ロックダウンを構築します。 ・`default` で開始し、初期アプローチをレビュー後に `acceptEdits` へ動的切替。プロトタイピングの反復を高速化します。 ・`plan` モードで読み取り専用ツールのみ実行し、Claude にソース変更なしで計画だけ立てさせます。コードレビューや変更前承認フローに最適です。 ・CI/隔離環境では `bypassPermissions` を使用しつつ、`disallowed_tools=["Bash(rm -rf /)"]` で最終防衛線を設けます。 💡 ユースケース 🔒 読み取り専用のコード分析エージェント 📋 plan モードによる変更前承認フロー 🚀 段階的信頼レベルの動的切替 ⚠️ 注意点 `allowed_tools` は `bypassPermissions` を制限しません。危険操作のブロックには必ず `disallowed_tools` を使用してください。サブエージェントは親のパーミッションモードを継承し、上書きできません。 #ClaudeAgentSDK# #AI#

# Claude Agent SDKの便利で実践的な使い方 🔐 ツールアクセスを段階的に制御して、安全と生産性のバランスを取りましょう。 パーミッションの設定は、`allowed_tools` / `disallowed_tools` / `permission_mode` でエージェントのツール利用を多段階に制御し、安全な運用を実現する機能です。 📌 タイトル：パーミッションの設定 🔗 URL： 🧩 概要 評価順序は「フック→拒否ルール→パーミッションモード→許可ルール→canUseTool」です。`disallowed_tools` はスコープ付き拒否（例: `Bash(rm *)`）に対応し、`bypassPermissions` でもブロックされる最終防衛線です。 🛠 使い方 `allowed_tools` で自動承認するツールを、`disallowed_tools` でブロックするツール（スコープ付き拒否も可：`"Bash(rm *)"`）を、`permission_mode` で全体のモード（`default` / `acceptEdits` / `dontAsk` / `plan` / `bypassPermissions`）を設定します。 🏗 実践的な使い方 ・`allowedTools: ["Read","Glob","Grep"]` + `permissionMode: "dontAsk"` で許可ツール以外は即拒否する読み取り専用ロックダウンを構築します。 ・`default` で開始し、初期アプローチをレビュー後に `acceptEdits` へ動的切替。プロトタイピングの反復を高速化します。 ・`plan` モードで読み取り専用ツールのみ実行し、Claude にソース変更なしで計画だけ立てさせます。コードレビューや変更前承認フローに最適です。 ・CI/隔離環境では `bypassPermissions` を使用しつつ、`disallowed_tools=["Bash(rm -rf /)"]` で最終防衛線を設けます。 💡 ユースケース 🔒 読み取り専用のコード分析エージェント 📋 plan モードによる変更前承認フロー 🚀 段階的信頼レベルの動的切替 ⚠️ 注意点 `allowed_tools` は `bypassPermissions` を制限しません。危険操作のブロックには必ず `disallowed_tools` を使用してください。サブエージェントは親のパーミッションモードを継承し、上書きできません。 #ClaudeAgentSDK# #AI#

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 MCPサーバーが大量のツールを公開しているとき、エージェントに全部見せていませんか？ ツールフィルタリングを使えば、静的・動的にツールの公開範囲を制御し、エージェントの精度とセキュリティを向上できます。 📌 タイトル：ツールフィルタリング (静的 / 動的) 🔗 URL： 🧩 概要 MCPサーバーが多数のツールを提供する場合、すべてをエージェントに公開するとモデルが混乱したり、意図しないツールを呼んでしまうリスクがあります。`tool_filter` パラメータを使えば、静的フィルタ（`create_static_tool_filter`）で許可リスト／ブロックリストを指定するか、動的フィルタ（同期または非同期の関数）で実行時コンテキストに応じてツールの可否を判定できます。`allowed_tool_names` と `blocked_tool_names` を両方指定した場合は、許可リストを適用した後にブロックリストを差し引きます。 🛠 使い方 ```python from agents.mcp import MCPServerStreamableHttp, create_static_tool_filter # 静的フィルタ：許可するツール名を明示 server = MCPServerStreamableHttp( params={"url": ""}, tool_filter=create_static_tool_filter( allowed_tool_names=["search", "summarize"] ), ) # 動的フィルタ：実行時にコンテキストで判定 async def my_filter(context, tool) -> bool: # context.agent, context.server_name が利用可能 if == "admin": return True # 管理者は全ツール利用可 return in ["search", "read"] server_dynamic = MCPServerStreamableHttp( params={"url": ""}, tool_filter=my_filter, ) ``` 🏗 本番システムへの組み込み方 ・ユーザーの権限レベルに応じて利用可能なツールを動的に切り替える ・静的フィルタで不要なツールを除外し、モデルのツール選択精度を高める ・` にテナント情報を渡し、マルチテナント環境でツールを分離する ・動的フィルタのログを残して、アクセス制御の監査証跡とする 💡 ユースケース 🔒 ロールベースのツールアクセス制御 🎯 タスク特化型エージェントへのツール絞り込み 🏢 マルチテナント環境でのツール分離 🛡 セキュリティポリシーに基づくツール制限 ⚠️ 注意点 動的フィルタはツール一覧取得のたびに呼ばれるため、重い処理（DB参照など）を入れるとレイテンシに影響します。フィルタのロジックはシンプルに保ち、必要ならキャッシュを活用してください。また、フィルタで除外したツールがエージェントの動作に必須でないか、事前に確認しましょう。 ✨ ツールフィルタリングで、エージェントに「必要なツールだけ」を渡す洗練された設計を実現しましょう。 #OpenAIAgentSDK# #AIAgent#

🤖 AIエージェントは、自分自身が動くための「実行基盤」を自分で作って改善できるのでしょうか。 タイトル: HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness? URL: ❓ そもそも「ハーネス」とは何ですか 💡 実行ループ・ツール利用・コンテキスト管理・失敗からの復旧・検証など、エージェントを動かす実行基盤のことです。これまでの評価はハーネスを固定してモデル性能だけを測ってきましたが、実際はハーネスの設計品質も実力を大きく左右します。 ❓ LLMは最小限の材料からハーネスを作れますか 💡 わざと弱いシードハーネスから構築させたところ、最高スコアのOpus 4.8でも67.8点にとどまり、人間が作った参照実装（86.2点）には及びませんでした。特にリサーチ・検索領域でのギャップが最も大きかったです。 ❓ 自分でハーネスを改善（進化）させることはできますか 💡 5つのモデルすべてが可視フィードバック上では改善しましたが、隠されたタスクでの改善幅は大幅に縮小。バージョン切り替えの64回中、ノイズを超える明確な改善は2回だけでした。 ❓ 別の実行者モデルに載せ替えても性能は保たれますか 💡 保たれないケースが目立ちました。Opusが作ったハーネスは実行者をGeminiに固定した途端、SWE-Proスコアが69.3から33.0に急落。ハーネスは特定モデルの前提を埋め込んでしまうため、移植性には注意が必要です。 #AIエージェント# #LLM#

🤖 能力が上がるほど、モデルの「監視のしやすさ」が下がっていく。OpenAIがそんな緊張関係を正面から公開したシステムカードです。 タイトル: GPT-6 Astra System Card URL: 📋 概要 広く一般提供されるモデルとして初めて「Critical」レベルのサイバーセキュリティ能力に到達したGPT-6 Astraの安全性評価をまとめたシステムカードです。能力向上と、それに伴う新たな監視上のリスクの両方が詳しく報告されています。 ⚠️ 直面する課題 モデルが未知の脆弱性を発見・悪用できる水準に達したことに加え、自身の思考連鎖（Chain-of-Thought）を巧みに制御し、内部モニタリングを回避しうる能力も同時に確認されました。 🛡️ 講じられた対策 チェックポインの暗号化、CoTを含む全ツール利用推論の全面モニタリング、内部提供前のアライメント評価のブロックなど、能力に見合った追加の防御策が導入されています。 📊 評価結果 プロンプトインジェクション防御成功率は96.23%→99.79%に、内部Codexタスクでの重大な整合性違反フラグは73件→34件（約53%減）に改善しました。一方でCoTモニタリング可能性は低下しており、敵対的な条件下ではモニタを回避しうることも記載されています。 #OpenAI# #AI安全性#

TL;DR: 「あなたが使うモデルは、事前学習されたモデルではない」。基盤モデルを役立つ行動方針に変えるポストトレーニングを、模倣→比較→探索→検証→転移→予期の6段階で一望できる87枚の講義デッキです。 タイトル: Post-Training LLMs（Kawin Ethayarajh, AI and Economics Summer Institute 2026） URL: ポイント 📝 SFT: デモを見せて模倣。計画やツール利用を含む軌跡全体を教えられるが、本質は模倣 ⚖️ オフライン選好最適化: 勝ち負けの比較で学ぶ。DPOは報酬モデルを省略、KTOは結果単位で学びSFT不要 🎲 オンラインRL: 現方策が探索。REINFORCE/PPO/GRPO、報酬はほぼ系列単位 ✅ RLVR: 報酬モデルをチェッカーに置換。二値の合否で十分、RLHFより予測可能にスケール 🧪 環境: RLはタスク+データ+インターフェース+テストのサンドボックス。ボトルネックは例から環境へ 🔁 On-Policy蒸留: 生徒の軌跡を教師が採点。RLの方策を7〜10倍少ないステップで複製 🌐 World Adaptation: 環境がエージェントに適応し返す。機械可読性を高める「メカ・ナッジ」 経済学の視点も織り込んだ、実務者に効く体系的な地図です。 #LLM# #PostTraining#

🧬 エージェントが自分自身を「安全に」進化させるには、プロトコルそのものを作り直す必要がある——MCPやA2Aに足りないピースを埋める自己進化プロトコルが登場しました。 タイトル: Autogenesis: A Self-Evolving Agent Protocol URL: 🧬 概要 Autogenesis Protocol（AGP）は、LLMエージェントが実行中に自分のプロンプト・ツール・方策などを動的に改善できるようにする自己進化プロトコルです。中心思想は「何が進化するか」と「どう進化するか」を分離することです。 ❓ 解決する課題 既存プロトコル（Anthropic MCP、Google A2A）は接続や呼び出しは標準化しますが、進化に不可欠な要素が欠けています。 ・リソースがエージェントのコードと密結合している ・進化ステップのバージョン管理やロールバックが無い ・場当たり的な修正で、厳密な制御ループを成す標準オペレータが無い 💡 方法論と提案手法 AGPは2層構造です。 ・RSPL：プロンプト・エージェント・ツール・環境・メモリの5種を、状態・ライフサイクル・バージョン管理されたインターフェースを持つ「登録リソース」として扱う ・SEPL：進化を型付きの合成可能オペレータで形式化し、すべての変更をRSPL経由でバージョン管理・可逆にする この上に構築したAGSは、Agent Bus上でサブエージェントを並行実行し、失敗の兆候があればReflect→Select→Improve→Evaluate→Commitのループで自己改善します。 🎯 ユースケース 長期計画や多様なツール利用を要するエージェント開発に有効です。改善の系譜が残りロールバックできるため、壊れやすいグルーコードを避けつつ安全に自己進化を運用できます。 📊 実験結果 ・科学・数学：弱いモデルほど効果大。gpt-4oはAIME25で+100%、gpt-4.1はAIME24で+71.38%。一方で飽和した強モデルは天井効果で伸び小 ・GAIA：Test 79.07%→89.04%（+12.61%）。難易度Lv3で+33.34%と難問ほど効果大 ・コード生成：C++は合格79→99、TLEエラー9→0、実行効率+46.4%。プロンプトと出力の同時進化が最良でした #AIエージェント# #自己進化#

「AIトークンアドバイザー」提供開始🤖📊 AIサービスの利用状況とコストを可視化し 企業のAI活用を支援します✨ ✅ユーザー／ツール／モデル単位で利用状況を把握 ✅複数AIツールの利用料を1画面で確認 ✅CSV出力で社内分析や確認にも活用 ▼詳細・お申し込みはこちら▼