昨日はナレッジワークの新オフィスで、取締役ランチでした🫡 私自身もナレッジワークの役員の方々、そしてGCP今野さん、DNX倉林さん、掛川さんから多くのことを学ばせていただける、毎月とても楽しみな取締役会です。 ナレッジワークのAIソリューションは、日本の名だたる大企業にもどんどん導入されており、実際にモデルも自社で開発されていて、AI化が進んでいます。 超採用中ですので、AIスタートアップで働きたい方は、ぜひご応募ください！

【最新】空間理解 #AI×##XR# で現場DXを加速🥽 ナレッジワークス(株)が、「Spatial AI 導入・PoC支援サービス」を提供開始。 カメラ映像やLiDARデータをAIが解析し、XRデバイス上に必要な情報を表示。 企業ごとの環境や業務フローに合わせたシステムを構築する。 @knowledge_works

AIを使うと仕事の質は上がります。でも、使っている人自身は本当に成長しているのでしょうか。 タイトル: Does better work always mean better workers? URL: Google Researchが133人の特許弁護士を対象に3ヶ月間のフィールド実験を行い、AI支援が「仕事の質」と「専門家としての判断力」に与える影響を検証しました。 注目ポイント1 📈 仕事の質は全員上がる AI利用下での特許起草タスクは、10日後に0.34標準偏差、90日後には0.38標準偏差の品質向上が確認されました。ジュニア弁護士は作業時間も対照群より18分短縮しています。 注目ポイント2 ⚖️ AIを外すと経験で差が出る 90日後にAIなしで特許クレームを査読させたところ、経験7年以上のシニア弁護士は0.45標準偏差もスコアが伸びました。一方、経験の浅いジュニア弁護士は平均的な伸びがなく、点数の良い人とそうでない人に分かれてしまいました。 注目ポイント3 🔍 「直す」か「言い換える」かの差 ジュニア弁護士は冒頭から順番に表面的な言葉の修正に時間を使い、欠陥を指摘しても実際の修正には踏み込めていませんでした。シニア弁護士はAIを論理の監査役として使い、クレームを根本から組み直していました。 「良い仕事」と「成長する人」は必ずしも同じではない、という事実を突きつける結果です。 #AI人材育成# #ナレッジワーク#

6月28日(日)13:55～の 『マクセル meets カレッジナレッジ』 先週に引き続き #立教大学# 社会学部 2年 大杉舞さんが登場🤗☀️ 大杉さんが実際に 地域課題提言ワークショップで 行ったことについてお伺いします🏞️ 📻 #カレナレ# #サカグチアミ#

6月21日(日)13:55～の 『マクセル meets カレッジナレッジ』 今週は #立教大学# 社会学部 2年 大杉舞さんが登場🥳✨ 立教大学と豊島区による 地域課題提言ワークショップについて お伺いします🍀 📻 #カレナレ# #サカグチアミ#

6月21日(日)13:55～の 『マクセル meets カレッジナレッジ』 今週は #立教大学# 社会学部 2年 大杉舞さんが登場🥳✨ 立教大学と豊島区による 地域課題提言ワークショップについて お伺いします🍀 📻 #カレナレ# #サカグチアミ#

# 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 # 自律 vs 決定論ワークフロー｜Autonomous vs Deterministic Workflow 🎯 ポイント エージェントに「自由に考えて動いて」と任せますか、それとも「この手順通りに実行して」と指示しますか？ 自律は柔軟だが予測不能、決定論は硬直だが監査可能。この分岐を副作用の可逆性と影響度で判断せず「なんとなく自律」で設計すると、不可逆な操作をエージェントの自律判断に委ねて取り返しのつかない事態を招きます🔑 📋 概要 自律型はエージェントが自由にステップを計画・実行するアプローチです。タスクのバリエーションが多く、事前にすべてのフローを定義するのが非現実的な場面で力を発揮します。情報検索・要約・分析など読み取り専用の操作が中心で、誤りがあっても容易に取り消し可能な場合に適しています。決定論ワークフローは事前定義されたフローに従わせるアプローチで、操作の副作用が不可逆または高影響（決済処理、契約変更、本番デプロイ、人事異動）な場合、そしてSOX / GDPR / 金融規制により監査証跡が必須な場合に選びます📊 🔍 意思決定のポイント 判断は副作用の有無と可逆性で行います： 副作用なし（読み取り専用）→ 自律で問題なし 副作用あり＋可逆 → 自律＋事後検証で対応可能 副作用あり＋不可逆 → 決定論＋事前承認が必須 規制要件あり → 決定論で監査証跡を確保 タスクの多様性も重要な判断材料です。パターンが固定的なら決定論で最適化し、多様で予測不能なら自律で柔軟に対応します。ただし自律でも、高リスク操作の前にHITL（Human-in-the-Loop）承認ゲートを挿入すれば安全性を確保できます⚡ 💡 要点と詳細 本番環境では純粋な自律も純粋な決定論も少なく、ハイブリッドが主流です： 自律で計画、決定論で実行：エージェントが自律的にタスクを分解・計画し、各ステップの実行は事前定義されたワークフロー（API呼び出しの順序・バリデーション・承認ゲート）に従います。計画の柔軟性と実行の安全性を両立する最も実用的なパターンです。 リスクレベルによる切り替え：読み取り操作は自律、書き込み操作は決定論ワークフローに自動ルーティング。二重トラック検証と組み合わせるのが定石です。 ServiceNowのインシデント対応を例にすると、原因調査は自律（ログ検索・仮説生成・検証を柔軟に実行）、復旧操作は決定論（定義済みのランブック手順に従う）という使い分けが理にかなっています。 監査証跡は全モードで記録してください。自律モードでも「なぜその操作をしたか」を追跡できる操作ログが不可欠です🔄 ⚖️ トレードオフ 不可逆な操作を自律に任せるリスクは計り知れません。Shopifyで数千商品の価格を一括変更する操作をエージェントの自律判断に委ねた結果、誤った価格設定で損害が発生するケースは現実に起こり得ます😰 一方、すべてを決定論にすると、情報検索や要約まで固定フローに閉じ込め、エージェントの柔軟性を完全に殺してしまいます。「AIエージェント」である意味がなくなり、従来のルールエンジンと何も変わりません。 ハイブリッドの境界が曖昧なのも危険です。自律と決定論の切り替え条件が明文化されていないと、開発者によって実装がバラつきます。操作のリスク分類を先に定義し、切り替え条件をコードで明文化しましょう⚠️ 🛠️ ユースケース ナレッジ検索＋ドキュメント編集：Notion / Confluenceでのナレッジ検索と情報要約は自律モード（読み取り専用、柔軟な探索が価値を生む）。ドキュメントの本番公開や共有範囲変更は決定論ワークフロー（承認ゲート＋監査ログ）📚 EC運営（Shopify）：商品情報の検索・分析は自律。在庫調整は決定論（変更量のバリデーション＋承認）。一括価格変更は決定論＋ドライラン必須（差分プレビュー→人間確認→実行）。同じエージェントでもリスクレベルで実行モデルを切り替えます🛒 インシデント対応（ServiceNow）：原因調査フェーズは自律（ログ検索→仮説立て→検証を柔軟に）。復旧フェーズは決定論（ランブック手順通り、各ステップに承認ゲート）。調査は自由に、実行は厳密に🔧 実践のコツ：「自律と決定論の境界」をリスク分類表として先に定義してください。各操作を「読み取り」「可逆書き込み」「不可逆書き込み」「金銭移動」に分類し、それぞれの実行モデルを決めておくのが安全な運用の出発点です💪 #AIエージェント# #エンタープライズアーキテクチャ#

# 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#