# AIエージェント開発の意思決定ポイント # 自己修正リトライ｜Self-Correction Retry 🎯 ポイント LLMの出力が壊れた時、「もう一回！」と同じプロンプトを投げ直していませんか？ 自己修正リトライは「何が間違っていたか」をLLMにフィードバックして再生成させる仕組みです。ただし闇雲に回数を増やしても改善しません。3回目以降のリトライで品質が上がることは、ほとんどありません。 📋 概要 自己修正リトライは、LLMの出力がスキーマ違反や品質不足だった場合に、エラー内容をコンテキストに追加して再生成を試みる回数を制御するダイヤルです。ネットワークリトライ（同じリクエストをそのまま再送）とは本質的に異なります。「何が間違っていたか」を具体的にフィードバックすることで、次の生成で正しい出力を得ることを期待します。LLMの出力は確率的であり、JSONの閉じ括弧が足りない、値の範囲が逸脱しているといったエラーは日常的に発生します。こうしたエラーへの対処戦略として、自己修正リトライは非常に実用的です。 🔍 意思決定のポイント 最大の判断基準は「出力のエラーが下流にどれだけの損害を与えるか」（failure_cost）です。すべてのエラーに同じリトライ回数を適用するのは非効率なので、エラーの種類に応じて対応を分けるのが鉄則です。 構文レベルのエラー（JSON構文不正、型の不一致）はフィードバック1回でほぼ直ります。意味レベルのエラー（値の範囲逸脱、存在しないIDの参照）は2回目で直らなければ構造的な問題です。品質レベルのエラー（不完全な回答、情報の欠落）は主観的で改善が読みにくいため、リトライよりプロンプト改善に投資すべきです。 💡 要点と詳細 目安値として覚えておくと便利です 📊 - 一般的なケース → 1〜3回。2回目で改善しなければ構造的問題の可能性大 - 構造化出力（JSONスキーマ） → 1〜2回。response_formatを使えば初回成功率が高い - 高failure_cost領域（金銭・法務・医療） → 2〜3回。品質が上がらなければ人間エスカレーション - 低failure_cost領域 → 0〜1回。フォールバックで対応できるなら即諦める方が効率的 エラーメッセージは短く具体的に 🎯 「出力が不正です」ではなく「delivery_dateフィールドが過去の日付です。未来の日付を指定してください」のように、何が間違っていて何が期待されるかを明示します。ただしエラーメッセージ自体がトークンを消費するため、概ね200トークン以内に収めましょう。 ⚖️ トレードオフ リトライしなさすぎると、修正可能なエラーでも即失敗として扱われます。JSONの閉じ括弧が1つ足りないだけの出力を捨ててしまうのは、もったいないですよね。 一方でリトライしすぎると、コストとレイテンシが急膨張します ⚡ 1回のLLM呼び出しが30秒なら、5回リトライで2.5分以上。リトライのたびにエラーメッセージをコンテキストに追加するためトークン消費が累積的に増大し、最悪の場合コンテキスト長超過という別の問題に遷移します。 2回連続で同じ種類のエラーが出たら、3回目を試すよりプロンプトを疑ってください。同じエラーの反復は、LLMがそのプロンプトとスキーマの組み合わせで正しい出力を生成できないことを示しています。 🛠️ ユースケース JSON出力のスキーマ違反 → エラー内容を具体的にフィードバックし、リトライ1回でほぼ修正可能。response_format（Structured Outputs）を使えばこの種のリトライ自体が不要に。 ビジネスルール違反（配送日が過去の日付など） → 具体的な制約と現在の状態を含めたフィードバックが重要。2回で改善しなければプロンプト改善へ。 品質不足（「5つの観点から分析」に3つしか返らない） → 1回リトライして改善しなければ、部分結果を受け入れるかプロンプト分割の方が効果的。 繰り返し同じエラーが出る場合 → 温度を下げる、プロンプトを簡素化する、別のモデルで試行する、人間にエスカレーションするなどの代替手段を検討 🔄 #AIエージェント# #ソフトウェアアーキテクチャ#

# AIエージェント開発の意思決定ポイント 🎯 **ポイント** LLMプロバイダの429エラー、5回リトライしていませんか？ネットワークリトライは「保険」のように見えて、やりすぎるとコスト6倍・二重決済・リトライストームという地雷原に変わります。従来のWebサービスとは異なり、LLM呼び出しの1回あたりのコストが高いからこそ、リトライ戦略は慎重に設計する必要があります。 📋 **概要** ネットワーク/5xxリトライは、一時的な障害（429 Too Many Requests、5xxサーバーエラー、タイムアウト、DNS解決失敗など）に対して同じリクエストを再送する回数と間隔を制御するダイヤルです。対象は「同じリクエストをそのまま送り直せば成功する見込みがある」エラーのみ。スキーマ不適合や低品質出力のようなコンテンツ起因のエラーは自己修正リトライという別の仕組みで扱います。この2つを混同すると、リトライ戦略が根本から崩壊します。 🔍 **意思決定のポイント** このダイヤルは2つの駆動変数で決めます。 🔹 **失敗コスト（failure_cost）** — 失敗コストが高い環境ではリトライ回数を少なく（2回程度）し、早めにサーキットブレーカへ移行します。誤ったリトライによる二重実行のリスクの方が、リトライしないことによる失敗よりも深刻だからです。 🔹 **コスト感度（cost_sensitivity）** — LLM呼び出しのリトライは1回あたり数千トークンを消費します。5回リトライすればコストは6倍。コスト感度が高い場合はリトライ回数を下限寄りに設定します。 最も重要な判断は**冪等性の確認**です。読取操作のリトライは安全ですが、決済・データ更新・メール送信などの副作用を伴う書込操作を冪等キー無しでリトライすると二重実行が発生します。操作のリトライ可否はツール定義時に静的に決めておくべきで、LLMに判断させてはいけません。 💡 **要点と詳細** 基本方針は**指数バックオフ＋ジッタ**です。リトライ間隔を1秒→2秒→4秒と指数的に増やし、ジッタ（乱数による揺らぎ）を加えます。ジッタにより複数クライアントのリトライタイミングが分散し、リトライストームを防ぎます。 📊 目安値: - リトライ回数: 2〜4回 - 初回バックオフ: 1〜2秒（429の場合はRetry-Afterヘッダを優先） - バックオフ上限: 30〜60秒（これ以上待つなら縮退に移行） - ジッタ: フルジッタ（0〜バックオフ値の乱数） - 非冪等書込のリトライ: 冪等キー無しでは**禁止** 429応答にRetry-Afterヘッダが含まれる場合は、自前のバックオフ計算より優先しましょう。プロバイダの指示を無視するとさらに厳しいレート制限を受けるリスクがあります。 リトライ上限に達したらサーキットブレーカを開き、縮退ラダー（軽量モデルへのフォールバック、キャッシュ応答、静的フォールバック）に移行します。 ⚖️ **トレードオフ** 📉 リトライが少なすぎると — プロバイダの429は数秒待てば解消されることが多いのに、即座にエラーを返してしまいます。ネットワークの瞬断で数十秒かけたLLM推論結果が無駄になり、本来リトライ1〜2回で回復する軽微な障害がセッション全体の失敗に連鎖します。 📈 リトライが多すぎると — コスト増幅に加え、複数エージェントが同時にリトライするリトライストームでプロバイダへの負荷が雪だるま式に増大し、障害を悪化させます。レイテンシも分単位に膨張。最も危険なのは非冪等操作の二重実行です。 🛠️ **ユースケース** 🔄 **LLMプロバイダの429** — 最も頻繁に遭遇するケース。Retry-Afterヘッダを最優先で使い、2〜3回のリトライで回復しなければサーキットブレーカを開いて別プロバイダへフォールバック。 🖥️ **一時的な502/503/504エラー** — 初回バックオフ1〜2秒、最大3回リトライ。3回失敗したら15〜60秒の遮断期間を設け、Half-Open状態で1リクエスト試行して復帰判定。 💳 **決済APIへの書込** — 冪等キー付きならリトライ可。冪等キー無しなら**リトライ禁止**。代わりに状態確認API（GET）で完了状態を確認し、未完了なら再実行します。 🌐 **複数プロバイダ構成** — 1回目は同一プロバイダに再送（一時的障害の高速回復）、2回目以降は別プロバイダにフォールバック。プロバイダごとに独立したサーキットブレーカを設置するのが鉄則です。 リトライ発生率の監視も忘れずに。急上昇はプロバイダ障害か自システムの負荷超過の兆候です。 #AIエージェント# #ソフトウェアアーキテクチャ#

# AIエージェント開発の意思決定ポイント 🎯 **ポイント** 全部のタスクに最強モデルを使っていませんか？「Yes/Noの分類」にフラグシップモデルを使うのは、引っ越しにジャンボジェットを飛ばすようなものです。モデル階層化は、コストと品質のバランスを「定数」から「関数」に変える実践的な戦略です。 📋 **概要** モデル階層とは、タスクの種類や難易度に応じて小型・中型・大型のどのクラスのLLMを使うかを制御するダイヤルです。AIエージェントシステムでは、1回のセッション内に分類・抽出のような定型処理と、推論・計画のような高度な処理が混在します。すべてを大型モデルで処理すれば品質は安定しますが、月間コストが桁違いに膨張します。実運用では全リクエストの概ね60〜80%が小型・中型モデルで十分処理でき、大型モデルが本当に必要なのは残りの20〜40%です。 🔍 **意思決定のポイント** このダイヤルは2つの駆動変数で決めます。 🔹 **コスト感度（cost_sensitivity）** — コスト感度が高いほど小型モデルへの振り分けを増やします。全リクエストを大型モデルで処理する場合と比べ、60%を小型（コスト1/10）、20%を中型（コスト1/3）、20%を大型で処理すると、コストは概ね30%程度まで削減できます。 🔹 **リクエスト価値（request_value）** — 価値の高いリクエストほどエスカレーション閾値を下げ、早めに上位モデルを使います。逆にコスト感度が高い場合は閾値を上げ、本当に必要な場合のみエスカレーションします。 まずはタスク種別による静的ルーティングから始めるのが実践的です。分類・タグ付け・抽出は小型、要約・翻訳は中型、推論・計画・コード生成は大型。そこに信頼度ベースのエスカレーション（構造化出力のパースエラー率、回答拒否率などで判定）を重ねます。 💡 **要点と詳細** 📊 モデル階層数は2〜3層が運用しやすいです。4層以上は管理コストが増大します。エスカレーション閾値は信頼度0.7〜0.85が目安で、リクエスト価値が高いほど下げます。 ルーター方式はまずルールベースで始めましょう。LLMをルーターに使うとルーティング自体にコストがかかり、小型モデル1回分に匹敵することもあります。リクエスト量が少ないうちは入力長やキーワードベースのルールで十分です。 障害時には逆方向のフォールバック（大型→中型→小型）も有効です。サーキットブレーカが開いた場合に軽量モデルに切り替えることで、品質は落ちてもサービスを継続できます。縮退レベルをレスポンスのメタデータに含め、クライアント側で品質低下の可能性を表示するのが望ましいです。 ⚖️ **トレードオフ** 📉 小型モデルに偏りすぎると — 複雑な推論タスクで「もっともらしいが間違っている」回答が増えます。計画の途中で矛盾が発生し実行フェーズで失敗、コード生成では構文は正しいが論理的に誤ったコードが生成されます。失敗コストが高いタスクでは、エラー修正コストが節約額を上回ることになります。 📈 大型モデルに偏りすぎると — 単純な分類タスクに100倍のコストをかけ、応答時間が数秒に膨張します。大型モデルのレート制限に達しやすくなり、全リクエストが429エラーの影響を受けるリスクもあります。月間コストの予算超過はサービスの継続性を脅かします。 🛠️ **ユースケース** 📞 **カスタマーサポート** — 質問分類・FAQ回答・感情分析は小型モデル（全体の約70%）、技術的な問題の診断は中型〜大型、返金ポリシー判断は大型モデル。分類結果に応じて適切な層にルーティングします。 📊 **データ分析パイプライン** — フォーマット変換は小型、数値統計はコード（LLM不要）、パターン分析・異常検知の解釈とエグゼクティブサマリは大型。パイプラインの大部分は小型モデルとコードで処理できます。 🔄 **障害時フォールバック** — 通常は大型モデルで推論し、プロバイダ障害時に中型→小型と段階的にダウングレード。全プロバイダ障害なら静的フォールバック。可用性と品質のバランスを動的に調整する構成です。 信頼度の定義は測定可能な指標に落としましょう。「なんとなく自信がない」では運用できません。モデル更新時はルーティング比率の再検証もお忘れなく。 #AIエージェント# #ソフトウェアアーキテクチャ#

# AIエージェント開発の意思決定ポイント 🎯 **ポイント** 全部のタスクに最強モデルを使っていませんか？「Yes/Noの分類」にフラグシップモデルを使うのは、引っ越しにジャンボジェットを飛ばすようなものです。モデル階層化は、コストと品質のバランスを「定数」から「関数」に変える実践的な戦略です。 📋 **概要** モデル階層とは、タスクの種類や難易度に応じて小型・中型・大型のどのクラスのLLMを使うかを制御するダイヤルです。AIエージェントシステムでは、1回のセッション内に分類・抽出のような定型処理と、推論・計画のような高度な処理が混在します。すべてを大型モデルで処理すれば品質は安定しますが、月間コストが桁違いに膨張します。実運用では全リクエストの概ね60〜80%が小型・中型モデルで十分処理でき、大型モデルが本当に必要なのは残りの20〜40%です。 🔍 **意思決定のポイント** このダイヤルは2つの駆動変数で決めます。 🔹 **コスト感度（cost_sensitivity）** — コスト感度が高いほど小型モデルへの振り分けを増やします。全リクエストを大型モデルで処理する場合と比べ、60%を小型（コスト1/10）、20%を中型（コスト1/3）、20%を大型で処理すると、コストは概ね30%程度まで削減できます。 🔹 **リクエスト価値（request_value）** — 価値の高いリクエストほどエスカレーション閾値を下げ、早めに上位モデルを使います。逆にコスト感度が高い場合は閾値を上げ、本当に必要な場合のみエスカレーションします。 まずはタスク種別による静的ルーティングから始めるのが実践的です。分類・タグ付け・抽出は小型、要約・翻訳は中型、推論・計画・コード生成は大型。そこに信頼度ベースのエスカレーション（構造化出力のパースエラー率、回答拒否率などで判定）を重ねます。 💡 **要点と詳細** 📊 モデル階層数は2〜3層が運用しやすいです。4層以上は管理コストが増大します。エスカレーション閾値は信頼度0.7〜0.85が目安で、リクエスト価値が高いほど下げます。 ルーター方式はまずルールベースで始めましょう。LLMをルーターに使うとルーティング自体にコストがかかり、小型モデル1回分に匹敵することもあります。リクエスト量が少ないうちは入力長やキーワードベースのルールで十分です。 障害時には逆方向のフォールバック（大型→中型→小型）も有効です。サーキットブレーカが開いた場合に軽量モデルに切り替えることで、品質は落ちてもサービスを継続できます。縮退レベルをレスポンスのメタデータに含め、クライアント側で品質低下の可能性を表示するのが望ましいです。 ⚖️ **トレードオフ** 📉 小型モデルに偏りすぎると — 複雑な推論タスクで「もっともらしいが間違っている」回答が増えます。計画の途中で矛盾が発生し実行フェーズで失敗、コード生成では構文は正しいが論理的に誤ったコードが生成されます。失敗コストが高いタスクでは、エラー修正コストが節約額を上回ることになります。 📈 大型モデルに偏りすぎると — 単純な分類タスクに100倍のコストをかけ、応答時間が数秒に膨張します。大型モデルのレート制限に達しやすくなり、全リクエストが429エラーの影響を受けるリスクもあります。月間コストの予算超過はサービスの継続性を脅かします。 🛠️ **ユースケース** 📞 **カスタマーサポート** — 質問分類・FAQ回答・感情分析は小型モデル（全体の約70%）、技術的な問題の診断は中型〜大型、返金ポリシー判断は大型モデル。分類結果に応じて適切な層にルーティングします。 📊 **データ分析パイプライン** — フォーマット変換は小型、数値統計はコード（LLM不要）、パターン分析・異常検知の解釈とエグゼクティブサマリは大型。パイプラインの大部分は小型モデルとコードで処理できます。 🔄 **障害時フォールバック** — 通常は大型モデルで推論し、プロバイダ障害時に中型→小型と段階的にダウングレード。全プロバイダ障害なら静的フォールバック。可用性と品質のバランスを動的に調整する構成です。 信頼度の定義は測定可能な指標に落としましょう。「なんとなく自信がない」では運用できません。モデル更新時はルーティング比率の再検証もお忘れなく。 #AIエージェント# #ソフトウェアアーキテクチャ#

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プラクティス 【サーキットブレーカ＋モデルフォールバック】 💡 LLMプロバイダは落ちる。それを前提に設計していますか？サーキットブレーカとフォールバックで、単一障害点を構造的に排除しましょう。 🔥 解決する課題 - LLMプロバイダの障害・メンテナンスでエージェントが完全停止する - 障害中のプロバイダへのリトライが蓄積し、システム全体の負荷を悪化させる - 単一プロバイダへの依存が全エージェントの可用性リスクになる 🏗️ 提案パターン プライマリモデルのエラー率やレイテンシが閾値を超えたら、セカンダリモデル（別プロバイダや別リージョン）へ自動切替します。セカンダリも不可なら、キャッシュ応答や「現在対応できません」メッセージで縮退応答を返します。サーキットブレーカ（Open/Half-Open/Closed）で障害時のリクエスト洪水を防止し、復旧後はHalf-Open状態で段階的にプライマリへ戻します。この仕組みはAIゲートウェイに組み込み、個別アプリでの重複実装を避けるのが鉄則です。 ✅ 選定条件 - 向き：全本番環境（LLMの可用性変動は前提として備えるべき） - 不向き：特になし（本番運用であれば原則適用） ⚠️ 落とし穴 - タイムアウトを長くしすぎるとユーザー離脱やリソース枯渇を招く - 副作用を伴う操作のリトライは冪等キーなしでは重複実行の危険がある - フォールバックモデルの品質差を事前にevalで検証しておかないと、切替後の品質劣化に気づかない 🛠️ 実装方針 1. マルチプロバイダ抽象レイヤ（LiteLLM / Portkey）を導入し、プライマリ・セカンダリモデルの切替をアプリコードから分離します 2. サーキットブレーカ（resilience4j / Polly）をAIゲートウェイに組み込み、エラー率・レイテンシ閾値（P99の2〜3倍を起点）で Open/Half-Open/Closed を自動遷移させます 3. フォールバック先モデルの品質をevalデータセットで事前検証し、許容範囲を確認してから登録します 4. 副作用を伴う操作には冪等キーを付与し、リトライ時の重複実行を防止します 5. ヘルスチェックエンドポイントを設け、復旧検知後にHalf-Open状態で段階的にプライマリへトラフィックを戻します #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 # 同期 vs 非同期｜Synchronous vs Asynchronous 🎯 ポイント エージェントの応答を「ユーザーが画面の前で待つ」設計にしていますか、それとも「完了したら通知」の設計ですか？ この選択は体験設計・アーキテクチャ・スケーラビリティに直結します。数秒で返せるチャット的なやり取りと、数分かかるバッチ分析では、最適な実行モデルが根本的に異なります。間違えるとタイムアウト地獄か、簡単な質問に数分待たされる体験崩壊が待っています🔑 📋 概要 同期実行はユーザーとの往復対話が価値の源泉となるケースに向いています。処理時間が5秒未満で完了する見込みがあり、Slackのチャットボットやライブチャット対応のようにリアルタイム性が求められる場面です。ストリーミング出力でトークン単位に逐次表示すれば、体感速度をさらに補えます。一方、非同期実行は処理時間が数十秒〜数分に達するケースに適しています。複数SaaSの横断調査、大量データの集計・分析、Jiraの全スプリント横断レポート生成など、重い処理はジョブキューに投げて完了通知をSlackやメールで受け取る設計が正解です。イベント駆動（Webhook / CDC）で起動するエージェントも非同期が自然な選択となります📊 🔍 意思決定のポイント 判断は「処理時間の見込み」と「ユーザーが待つかどうか」の2軸で決めます。 処理時間5秒未満 → 同期で問題なし 処理時間10秒超 → 非同期を検討 5〜10秒 → ストリーミングで同期を維持できるか評価 加えて「往復対話が価値を生むか」も重要です。追加質問・確認・修正のラリーが必要なら同期、バッチ処理や定期レポートならユーザーは画面の前にいないので非同期一択です。同時リクエスト数が数千以上のスパイクが見込まれる場合は、ジョブキューでバックプレッシャーを制御する非同期が安全です⚡ 💡 要点と詳細 ハイブリッド構成が実務では最も一般的です： 同期開始→非同期エスカレーション：最初は同期で応答し、処理が10秒を超えそうなら「バックグラウンドで処理中です」とユーザーに伝えてジョブキューに移行します。完了後にSlack / メールで通知します。 ストリーミング＋進捗表示：同期的にストリーミング出力しつつ、裏でツール呼び出しを並列実行します。中間結果を逐次表示することで体感待ち時間を短縮します。 ServiceNowのインシデント対応を例にすると、一次回答は同期チャットで即座に返し、根本原因分析や類似インシデントの横断調査は非同期ジョブで実行する、という使い分けが理にかなっています。 障害時のリカバリも大きな判断材料です。途中で失敗した場合にチェックポイントから再開したいなら、非同期＋永続キューが必須です🔄 ⚖️ トレードオフ すべてを同期で実装すると、重い処理でタイムアウトが頻発します。API Gatewayの30秒制限に引っかかり、ユーザーは空白画面を見続けることになります。コネクションプールが枯渇してシステム全体が停止する事態も起こり得ます😰 一方、すべてを非同期にすると、簡単な質問への回答にもキュー経由の遅延が入り、チャット体験が著しく劣化します。「今日の天気は？」に3分後にSlack通知で回答されても、誰も嬉しくありません。 進捗通知の不在も見落としがちな罠です。非同期ジョブの完了を通知しないと、ユーザーは結果を取りに来ません。「投げたけど返ってこない」と認識され、システム自体の信頼が崩壊します⚠️ 🛠️ ユースケース Slackチャットボット：ナレッジ検索やFAQ回答は同期（5秒未満で完了、ストリーミング出力）。レポート生成やデータ分析の依頼は非同期（ジョブキュー→完了後にスレッドへ通知）。同一ボットが処理時間の見込みで自動的に切り替えるのが理想です📚 Salesforce商談分析：単一商談の要約は同期でサイドパネルに即表示。全商談の四半期横断分析は非同期でバックグラウンド実行し、完了後にダッシュボードを更新します🛒 CI/CDパイプライン連携：プルリクエストの差分要約は同期で即コメント。全コードベースのセキュリティスキャンは非同期でジョブ実行し、結果をJiraチケットに起票します🔧 実践のコツ：同期エンドポイントには必ずタイムアウトを設定し、超過したら非同期にフォールバックする設計を組み込んでください。「たぶん5秒で終わる」は信用できません💪 #AIエージェント# #エンタープライズアーキテクチャ#

TL;DR 信頼できるエージェントAIは「良いモデルやプロンプト」ではなく、コンテキストとオーケストレーションのハーネスを明示設計することで生まれる――Bayer×Thoughtworksの製薬システムPRINCEの実装知です。🧪 タイトル: Building Reliable Agentic AI Systems URL: ポイント 🧭 逐次エージェント＋一時停止点：意図確認→Think&Plan→Researcher→Reflection→Writerの流れで段階的に検証 🔁 3種類の内省ループ：プロセス(軌道)・データ(証拠の十分性)・ドラフト(出力の完全性)で別々の失敗を捕捉 🔎 ハイブリッド検索：クエリ拡張n=5、意味0.7＋キーワード0.3の加重、bge-rerankerで約20→7件に再ランク 🗃️ 構造化はText-to-SQL：SELECTのみ許可、最大3回の自己修正、1クエリ50件以下に制限 🛟 ハーネス工学：PostgreSQL/DynamoDBで状態永続化、障害点から再開、プロバイダ自動フォールバック 📌 文単位の引用＋RAGASとLangfuseで評価。本番トラフィックも毎日バッチでハルシネーション検出 🏷️ NERで試験PDFから実体抽出、信頼度スコアで高信頼は自動更新・低信頼は人手レビューへ 「大きなコンテキスト窓でも選択性は要る」という割り切りが現場感あります。 #AIエージェント# #LLMOps#

『フォールガイ』鑑賞。スタントマンにオスカーを！スタントマンを引退したはずの男がとある事件に巻き込まれ…。スタントマンに最高のリスペクトを込めた、超絶アクション映画。様々な映画のオマージュ、カメオ出演がとんでもなく粋。そして、マヌケに見せかけた爆イケゴズ兄を拝める今年最高の一本。

『サイレントヒル：タウンフォール』本日（9/24）発売。全編一人称視点で描かれるシリーズ最新作 霧に包まれた町を探索し、死と隣り合わせの戦闘や謎解きに挑むサイコロジカルホラー。ローンチトレーラーも公開中。