チームが大きくなるにつれて、「あの知見、誰かが前に踏んだはず」が増えてきた。既知の課題にゼロから悩まなくてよい組織をつくるために、エンジニアLT会を始めました。開催の背景と狙いをまとめています。 #エンジニア# #LT会# #ナレッジ共有# #組織づくり# #テオリア# #テオリアテクノロジーズ#

【今週の注目記事 TOP3 🏆】 週末のインプットに！今、読むべき旬のテックニュース。 🥇埼玉発「#渋沢MIX」の実践型伴走プログラム# [PR] 🥈製造現場における技能継承と知識共有を支援「製造現場ナレッジAI」 🥉VRグローブから産業用フィジカルAIへ――Melt（旧Diver-X）が狙う「手のデータ」 #ASCIISTARTUP#

金融犯罪はネットワークで動くのに、対策チームはサイロの中にいる。そのギャップをグラフで埋める製品が登場しました🕸️ Introducing Neo4j GraphAware Financial Crime Intelligence 🧩 概要 内部・外部データを統合したグラフ基盤の上で、検知から調査・意思決定までをつなぐ金融犯罪対策プラットフォームです。 ⚠️ 解決する課題 ・ツールとデータのサイロ化で、個々のイベントしか見えない ・弱いシグナルが被害後まで見過ごされる 🛠️ 仕組み ・Unify: エンティティ解決済みの永続ナレッジレイヤーを構築 ・Signal: 共有インフラ、ID使い回し、循環フロー、レイヤリングなどをグラフで検知 ・Alert: 関連活動を相関させ、文脈つきで通知 ・Investigate: 複数ホップをたどり、証拠と根拠を記録 🔎 ユースケース ・不正取引: 共有デバイスやマネーミュール網の可視化 ・AML/KYC: 法人構造から実質的支配者を特定 ・保険金不正: 無関係に見える請求の背後にある組織的ネットワークの発見 🤝 特長 調査担当者とAIエージェントが同じナレッジレイヤーで推論する「human-led, AI-accelerated」。既存の検知エンジンと併用でき、1つの課題から始められます。 #グラフデータベース# #金融犯罪対策#

# 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 # シングル vs マルチエージェント｜Single vs Multi-Agent 🎯 ポイント 「マルチエージェントの方が賢そう」という理由だけで複数エージェント構成を選んでいませんか？ マルチエージェントは万能ではなく、オーケストレーションの複雑性・レイテンシ・コストを必ず伴います。シングルで済むならシングルが最善です。分割の判断基準は「ツール数」「権限分離」「並列実行の効果」の3つです🔑 📋 概要 1つのエージェントで完結させるか、複数の専門エージェントに分割するかは、タスクの複雑さ・ツール数・権限分離の要件・コスト感度によって決まります。シングルエージェントはタスクが単一ドメインに収まり、ツール数が30以下で、レイテンシ要件が厳しい場面で力を発揮します。SlackボットでのFAQ回答やSalesforceの単一レコード検索・更新のように、スコープが明確なタスクはシングルで十分です。マルチエージェントが活きるのは、専門領域が複数にまたがり、法務・経理・人事のように役割ごとに異なる権限とデータアクセスが必要な場面です📊 🔍 意思決定のポイント 判断は以下の順で行います： ツール数は30以下か？ → 30以下で精度に問題なければシングルで十分 権限分離が必要か？ → 法務データと営業データを同一エージェントに持たせると情報漏洩リスク 並列実行の効果は？ → 3つ以上のSaaSを同時に調査するなら並列化の恩恵が大きい レイテンシ要件は？ → ハンドオフのオーバーヘッド（目安1〜3秒/回）を許容できるか コスト制約は？ → オーケストレーション分のLLM呼び出しが追加で発生する 重要なのは、ツール数50超を1つのエージェントに持たせるとツール選択精度が60%以下に低下する傾向があるという経験則です。このラインを超えたらtool RAGで動的フィルタするか、エージェントを分割しましょう⚡ 💡 要点と詳細 段階的拡張が最も安全なアプローチです： 初期はシングルエージェントで構築し、ツール数やタスク複雑性の増加に応じて専門エージェントを分離します。分離の判断基準は「ツール選択の精度低下」と「権限分離の要件」です。 マルチエージェント構成のパターン： - ルーター＋専門エージェント：スーパーバイザがユーザーの意図を判定し、適切な専門エージェントにルーティング。各専門エージェントはシングルとして動作します - 並列実行：Workdayの人事データ、Salesforceの商談データ、Jiraの開発進捗を並列に取得して統合する経営ダッシュボード生成 - エージェントごとの最適モデル選択：高精度が必要な分析には大型モデル、定型処理には高速・低コストモデルを使い分け ServiceNowのインシデント対応では、一次分類エージェント（シングル・高速）が受付し、深堀り調査が必要な場合にインフラ調査エージェント・ログ分析エージェントを並列起動する構成が効果的です🔄 ⚖️ トレードオフ 「とりあえずマルチ」で始めると、実際にはシングルで十分なタスクにオーケストレーションの複雑性を持ち込み、デバッグ困難・コスト増大・レイテンシ悪化を招きます。マルチエージェントの月間LLMコストはシングルの2〜5倍になることも珍しくありません😰 一方、エージェント間の文脈共有を軽視するのも致命的です。ハンドオフ時にコンテキストが失われると、ユーザーが同じ情報を繰り返し伝える羽目になります。共有メモリの設計が不可欠です。 権限分離なしのマルチエージェントも意味がありません。エージェントを分割しても全員が同じ権限で動作していれば、分割の安全性メリットはゼロです。エージェント単位で最小権限を設定してください⚠️ 🛠️ ユースケース 社内FAQ・ナレッジ検索：ツール数10以下、単一ドメイン、レイテンシ重視。シングルエージェントが最適解。無理にマルチにする必要はありません📚 経営ダッシュボード生成：Workday・Salesforce・Jira・Slackの4システムを横断。各システムの専門エージェントが並列にデータを取得し、集約エージェントが統合レポートを生成。ツール数50超・権限分離必要・並列効果大でマルチエージェントの適用が明確です🛒 開発チーム支援：初期はシングルエージェント（GitHub + Jira連携、ツール数15）で開始。半年後にセキュリティスキャン・パフォーマンス分析・ドキュメント生成が追加されツール数40超に。ツール選択精度の低下を検知し、セキュリティ専門エージェントを分離する段階的拡張パターンです🔧 実践のコツ：シングルで始めて、ツール選択精度のモニタリング（正しいツールが選ばれた割合）を計測してください。精度が80%を切ったら分割の検討タイミングです💪 #AIエージェント# #エンタープライズアーキテクチャ#

# 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 # 従業員向け vs 顧客向け｜Employee-facing vs Customer-facing 🎯 ポイント AIエージェントを「社内向け」と「顧客向け」で同じ設計にしていませんか？ 利用者が従業員か顧客かで、信頼モデル・データ境界・ガードレール強度・障害影響がまるで別物になります。この分岐を初期に間違えると、顧客向けに甘い設計を適用して情報漏洩を招くか、従業員向けに過剰制約を課して生産性を潰すか、どちらかに必ず陥ります🔑 📋 概要 エージェントの利用者が「雇用契約・NDAで拘束された社内従業員」か「敵対的入力すら想定すべき外部顧客」かは、アーキテクチャの根本を左右する最初の分岐点です。従業員向けなら入力をある程度信頼でき、社内IdP（Okta / Entra ID）のSSOで認証を統一し、操作の失敗も「手戻り」で済むケースが大半です。一方、顧客向けではジェイルブレイク・間接インジェクションを前提に防御設計が必要で、出力がブランドイメージや法的責任に直結します。テナントごとのデータ隔離も必須で、認証基盤もCIAM（Auth0等）で匿名アクセスまで考慮する必要があります。規模も桁違い — 従業員数千〜数万に対し、顧客は数万〜数百万、24/365のスパイク耐性が求められます📊 🔍 意思決定のポイント 判断の軸は「利用者の信頼度」と「障害時の影響範囲」です。 利用者が雇用関係のある従業員のみ → 従業員向け設計でOK 外部顧客が含まれる → 顧客向け設計が必須 両方が含まれる → 別プレーンとして設計し、データ経路を分離 重要なのは「共有できるもの」と「分離すべきもの」の見極めです。オーケストレーション基盤やモデルゲートウェイ（AI Gateway）は共有できますが、データ到達経路・ガードレール・監査ログは必ず分離してください。顧客向けの出力パイプラインにはDLP（データ漏洩防止）を組み込み、社内データの混入を防ぎます⚡ 💡 要点と詳細 従業員向けの特徴は以下の通りです： - 入力を信頼できる前提が成り立つ（雇用契約・NDAの拘束） - データは社内ナレッジベース（Notion / Confluence / Box）や業務システム（Salesforce / ServiceNow / Workday）に閉じる - 失敗コストは「業務非効率」「手戻り」レベルで、多くは可逆 - 同時利用者は数千〜数万、業務時間帯に集中 顧客向けの特徴は根本的に異なります： - 敵対的入力（ジェイルブレイク・間接インジェクション）を前提とした設計 - 誤回答・情報漏洩が法的責任やブランド毀損に発展 - テナントごとの厳密なデータ隔離が必須 - 同時利用者は数万〜数百万、24/365のスパイク耐性が必要 ハイブリッド構成では、Shopify連携ECで顧客向け問い合わせエージェントと社内受発注オペレーション支援エージェントを同一基盤上の別プレーンとして構築するケースが典型的です。Zendesk上の顧客向けエージェントには公開可能ナレッジの投影（read model）のみを参照させ、社内Notionの機密データへの直接到達を遮断します🔒 ⚖️ トレードオフ 従業員向け設計をそのまま顧客向けに流用すると、社内で許容されるデータアクセス範囲を顧客に適用してしまい、他テナントの情報漏洩という最悪の事態を招きます。逆に顧客向けの厳格なガードレールを全社展開すると、従業員の業務効率が著しく低下し、エージェント導入のROIが出なくなります😰 プレーン分離を「後で対応」にするのも危険です。初期は単一スタックで構築し、顧客向けリリース時に分離コストが膨れ上がるのはよくある失敗パターンです。分離は初期設計時に決定すべきです。監査ログの混在も見落としがち — 顧客PIIと社内データが同一ログストアに混在すると、データ保持期間やアクセス制御の管理が破綻します⚠️ 🛠️ ユースケース EC顧客対応＋社内オペレーション：Shopify連携のEC事業で、顧客向け問い合わせエージェント（厳格なガードレール・テナント分離・DLP適用）と社内受発注支援エージェント（社内データ全域アクセス・操作権限広め）を同一オーケストレーション基盤上の別プレーンとして運用します。共通バックエンドはモデルゲートウェイで共有し、フロントエンドとデータ経路だけを分離する設計です🛒 ITヘルプデスク：社内従業員向けのITサポートエージェントは、Active Directory・Jira・Confluenceに広くアクセスでき、パスワードリセットやソフトウェアプロビジョニングまで自動実行します。同じ基盤を顧客向けサポートに転用する場合は、アクセス範囲を公開ナレッジベースに限定し、ガードレールを格段に強化し、トピック制限・トーン制御・拒否方針を追加します📚 実践のコツ：「両方必要になるかもしれない」と少しでも感じたら、初日からプレーン分離を前提に設計してください。後からの分離は技術的負債の中でも特にコストが高い部類です💪 #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 同じシステムプロンプトやツール定義を何度も送信していませんか？Context Cachingで繰り返しのトークンコストを大幅に削減しましょう💰 📌 **タイトル**: Context Caching 🔗 **URL**: ## 🧩 概要 Context Cachingは、LLMに送信するコンテキスト（システムインストラクションやツール定義など）の静的な部分をキャッシュし、繰り返しのトークンコストを削減する機能です。 `ContextCacheConfig` を設定することで、毎回のリクエストで同じプレフィックストークンを再送信する代わりに、キャッシュされたコンテキストを参照するようになります。 特にマルチユーザー環境で同じエージェント（同じプロンプト・ツール定義）を多くのユーザーが利用する場合、コスト最適化の効果が顕著です。 ## 🛠 使い方 `google.adk` から `Agent` を、`google.adk.agents` から `ContextCacheConfig` をインポートします。`ContextCacheConfig(max_entries=100, ttl_seconds=3600)` でキャッシュエントリの上限と有効期間（秒）を設定します。この `cache_config` を `Agent` の `context_cache_config` パラメータに渡すことで、`instruction` に記述した長いシステムプロンプトや `tools` に指定したツール定義（`search_kb`、`create_ticket`、`escalate` など）の静的部分がキャッシュされ、繰り返しのトークンコストが削減されます。 ## 🏗 実践的な使い方 **大規模カスタマーサポートの最適化:** カスタマーサポートエージェントでは、以下の要素が全ユーザーで共通です。 - システムインストラクション（対応ガイドライン、トーン、禁止事項） - ツール定義（ナレッジベース検索、チケット作成、エスカレーション） - Few-shotの例示 これらの静的なコンテキストは毎リクエストで数千トークンになることがあります。1日1万リクエストのサポートボットなら、Context Cachingにより膨大なトークン削減が見込めます。 **RAGパイプラインでの活用:** ツール定義にナレッジベースのスキーマや検索パラメータの説明が含まれる場合、これらをキャッシュすることで各クエリのコストを最適化できます。 **マルチテナントSaaS:** 同一のエージェント定義を複数テナントで共有する場合、テナント固有の情報のみが動的部分となり、共通のプロンプトとツール定義はキャッシュで共有されます。 ## 💡 ユースケース - 💰 コスト削減: 長いシステムプロンプトの繰り返し送信コストを削減 - 🚀 レイテンシ改善: キャッシュヒット時のプリフィル処理が高速化 - 👥 マルチユーザー最適化: 同じプロンプトを使う複数ユーザーでキャッシュを共有 - 🏢 マルチテナント: テナント共通部分のコンテキストを効率的にキャッシュ - 📚 大規模ツール定義: 多数のツールを持つエージェントのツール定義コストを最適化 ## ⚠️ 注意点 - Context Cachingはモデルプロバイダーのサポートに依存します。利用可能なモデルを事前に確認してください - キャッシュのTTL（有効期限）が短すぎるとヒット率が下がり、長すぎるとメモリを消費します。アクセスパターンに応じて調整してください - システムプロンプトやツール定義を頻繁に変更する場合、キャッシュの恩恵は限定的です - キャッシュのコスト自体も発生する場合があります。プロバイダーの料金体系を確認し、トータルコストで判断してください - 動的なコンテキスト（ユーザー固有の情報など）はキャッシュ対象外です。静的部分と動的部分を明確に分離して設計しましょう ✨ Context Cachingは「同じことを何度も言わない」をインフラレベルで実現します。マルチユーザー環境でのコスト最適化に大きな効果を発揮します！ #ADK# #AIAgent#

# 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#

# 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 # 集中 vs 連合メモリ｜エージェントの記憶をどこに持つか 🎯 ポイント エージェントの記憶（ユーザープロファイル、対話履歴、学習データ）を「1箇所に全部集める」か「各データソースに分散させたまま」にするか。これは単なる技術選択ではなく、データ主権・越境規制・パーソナライズの質に直結する設計判断です。特にグローバル展開するエンタープライズでは、GDPRや中国データセキュリティ法への対応が設計を大きく左右します🔑 📋 概要 集中メモリは全エージェントが同一の中央ストアを参照する構成で、複数チャネルを横断した一貫したパーソナライズが実現できます。Slackでの会話履歴をSalesforceのエージェントでも活用するようなケースです。連合メモリは各データソースにデータを分散保持し、エージェントが必要なときだけ参照する構成で、データ主権や越境転送規制への準拠が容易です。どちらにも長所と限界があり、多くのエンタープライズではメタデータは集中・本体は連合というハイブリッド構成に落ち着きます📊 🔍 意思決定のポイント 判断の最重要軸は「データの越境転送規制」です。 対象データにGDPR、中国データセキュリティ法等の越境転送規制が適用される場合、連合メモリが前提です。データを元のシステムから移動できない以上、集中は選択肢になりません。 複数システムを横断した一貫したパーソナライズが必要な場合は、集中を検討しましょう。顧客の解約意思を全エージェントが即座に反映するような強整合が求められるケースです。 各データソースのアクセス権限モデルが統一できない場合は、連合で各ソースの権限を尊重しましょう。統合すると最小権限の原則に違反するリスクがあります。 データ量と更新頻度から中央への同期コストが許容範囲を超える場合は、連合にキャッシュ層を追加する構成を検討してください⚡ 💡 要点と詳細 ハイブリッド構成の3つのアプローチを理解しておくことが重要です： メタデータは集中、本体は連合 — ユーザーの識別子・最終アクセス日・嗜好サマリなど軽量なメタデータは中央に持ち、詳細データ（対話ログ本文、添付ファイル）は各ソースに残します。集中の利便性と連合のデータ主権準拠を両立する、最も一般的なパターンです。 キャッシュ層による仮想集中 — 各ソースからリアルタイムにフェッチした結果を短期キャッシュに統合し、リクエスト単位で疑似的な集中ビューを構築します。データの永続的な複製を避けられるため、GDPRの忘れられる権利への対応も容易です。 コンテキストブローカー — エージェントのリクエスト時に必要なデータを各ソースから収集・結合するブローカーを配置します。集中ストアを持たずに横断的な文脈を提供できますが、レイテンシとソース障害時のフォールバック設計が課題です🔄 ⚖️ トレードオフ 集中ストアに全データを複製すると、ストレージコストが膨らむだけでなく元データとの同期遅延が発生します。Salesforceで顧客情報を更新したのに集中メモリには反映されていない — この不整合はエージェントの信頼性を根本的に損ないます。さらに、削除権（忘れられる権利）への対応も複雑化します。集中メモリにコピーしたデータの削除が元ソースの削除と連動しないと、GDPRリスクになります😰 一方、連合のまま横断クエリを強行すると、各ソースへのリアルタイムクエリが多段になり、レイテンシが5秒を超えてユーザー体験が劣化します。ソース障害時にエージェントがエラーを返す問題もあり、キャッシュからの応答と鮮度警告を組み合わせたフォールバック設計が不可欠です。 最も危険な失敗は、データ分類の欠如です。どのデータが集中可能でどのデータが越境不可かを事前に分類せず、コンプライアンス違反が本番で発覚するケースは珍しくありません⚠️ 🛠️ ユースケース グローバル顧客対応エージェント（Salesforce/Zendesk連携）：EU顧客のデータはEUリージョンのZendeskに、日本の顧客データは日本のSalesforceに連合保持。メタデータ（顧客ID、最終対応日、嗜好サマリ）のみ中央のCDPに集約し、全エージェントが一貫した顧客理解を共有。詳細データは必要時に各ソースからフェッチします📚 社内ナレッジエージェント（ServiceNow/Workday/Confluence連携）：ServiceNowのインシデント履歴はIT部門管轄、Workdayの人事データはHR部門管轄として、それぞれのソースがアクセス権限を制御。コンテキストブローカーがリクエスト時に必要なデータを各ソースから収集・結合し、横断的な回答を生成します🏢 顧客360エージェント（Salesforce CDP連携）：全社統一の顧客プロファイルストアを中心に、全エージェントが同一の顧客理解を共有。解約意思や重要クレームなどの状態変更は強整合で即座に反映。データが単一リージョンに収まるドメスティック運用に向いています🔧 実践のコツ：まずデータ分類ポリシーを策定してください。「集中可能」「越境不可」「アクセス制限あり」の3カテゴリでデータを仕分けし、その分類に基づいてメモリアーキテクチャを選定するのが正しい順序です。技術選定からではなく、コンプライアンス要件から設計を始めましょう💪 #AIエージェント# #エンタープライズアーキテクチャ#