【本日のピックアップ】「アメリカ大統領選挙の実態を内側から見た“政治小説”。著者の匿名性それ自体がスキャンダラス」 『プライマリー・カラーズ―小説アメリカ大統領選〈上〉』(早川書房) - 著者：アノニマス 翻訳：黒原敏行 - 御厨 貴による書評 ALL REVIEWS #書評# …

本日、経済財政諮問会議を開催し、『内閣府年央試算』及び『中長期の経済財政に関する試算』の報告を基に、｢予算の全体像｣と｢令和９年度予算の概算要求に当たっての基本的な方針｣について、意見交換を行いました。 ＜経済＞ 今回の『年央試算』では、我が国経済について、 ・2026年度は､原油価格の上昇により下押しされるものの､｢賃上げによる所得増｣や｢各種政策効果の下支え｣もあり､実質0.9％程度の成長率になるとの見通しが示され、 ・2027年度は、下押し要因の一巡もあり、実質1.1％程度の成長率になるとの見通しが示されました。 ｢世界経済を取り巻く環境｣が大きく変動する一方で、｢賃金・物価｣が継続的に上昇する中で、｢所得の増加｣が｢消費｣や｢投資｣を生み出す、｢民需主導の循環｣が生まれつつあり、こうした｢前向きな動き｣を強化していきます。 ＜財政＞ ｢財政状況の実績｣としては、プライマリーバランスが、昨年度(2025年度)に｢概ね均衡｣する見込みとなりました。 また、｢追加的な財政支出｣を毎年｢実質10兆円｣と想定した場合でも、十分な経済成長が実現すれば、 ・財政運営目標の｢中核｣である｢債務残高対ＧＤＰ比｣は、｢安定的に低下｣し、 ・ＰＢについても、2027年度以降は｢黒字｣となること が示されました。 ＜予算の概算要求に当たっての基本的な方針＞ ｢令和９年度予算の概算要求に当たっての基本的な方針｣については､まず､｢危機管理投資｣・｢成長投資｣をはじめ、｢国内投資｣を通じた｢潜在成長率｣の引上げにつながる施策を｢予見可能性｣を持って実施できるよう、通常歳出とは別に『「強く豊かな日本」投資枠』を創設し､真に効果的な施策を重点的に措置してまいります。 この｢投資枠｣については、｢要求上限｣を設けず、｢事項要求｣も含め、｢所要額｣を適切に要求できる仕組みとします。 また､予算の要求･要望は、｢賃金や調達価格の上昇｣を踏まえて行い、予算編成過程において､令和８年度予算から実現した｢経済・物価動向等の的確な反映｣を実現します。 さらには、｢補正予算依存｣から脱却し、｢恒常的な施策｣は当初予算に計上するため、必要に応じた｢事項のみの要求｣も活用しながら、適切に要求・要望することを可能にします。 このように、｢令和９年度予算の概算要求に当たっての基本的な方針｣は､必要な予算要求を十分に行える仕組みとなっており、もはや｢シーリング｣と呼ぶべきものはありません。 その上で、大切なことは｢財政支出の額｣ではなく、その｢経済成長に与える効果｣であり、今後の予算編成過程においては、｢補助金・基金の見直し｣をはじめ、歳出全般にわたり、｢施策の優先順位｣を洗い直し、予算の中身を大胆に重点化させていきます。 こうした｢新しい仕組み｣の下で、より良い予算を作り上げてまいります。 ＜今後の取組＞ このように、日本の経済・財政が新たな局面を迎えつつある中で、「責任ある積極財政」の考え方の下、 ・「成長型経済」への移行を確実なものとするとともに、 ・「財政の持続可能性」と「市場の信認確保」にも十分配慮し、 『骨太方針2026』に基づき､適切な｢マクロ経済財政運営｣に取り組みます。 ｢責任ある積極財政｣への転換を進めるに当たり、｢市場とのコミュニケーション｣を、透明性高く、かつ丁寧に行うことで、｢市場の信認｣の確保も実現してまいります。 高市内閣はこの｢挑戦｣を、必ずやり抜きます。 本日決定した｢予算の全体像｣や、本日閣議了解した｢令和９年度予算の概算要求に当たっての基本的な方針｣に基づき、令和９年度予算編成を進め、｢責任ある積極財政元年｣に相応しい予算としてまいります｡

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#

# OpenCodeの機能と実践的な使い方 🤖 1つのAIに何でも任せる時代は終わり。OpenCodeのエージェント機能なら、計画役・調査役・レビュー役を役割ごとに分け、権限まで細かく絞って安全に協働させられます。 🏷️ タイトル: プライマリ/サブエージェント 🔗 URL: 📘 概要 OpenCodeのエージェントは、直接対話する「プライマリエージェント」と、それらから呼び出される専門の「サブエージェント」に分かれます。役割とツール権限を分離することで、安全かつ効率的にタスクを進められます。 ⚙️ 機能の説明 ・プライマリ: 全ツールにアクセスできる開発用の Build と、編集・bashが既定で「ask」に制限された計画用の Plan があります。`Tab` で切り替えます。 ・サブエージェント: 多段の調査向けの General、読み取り専用でコードベースを探索する Explore、外部ドキュメントや依存関係を調べる Scout が組み込みです。`@/general ...` のように `@` で明示的に呼び出せるほか、プライマリが自動で起動することもあります。 ・カスタム定義: `opencode.json` のJSON、または `.opencode/agents/*.md` のMarkdown（フロントマター）で独自エージェントを定義できます。主な項目は `description`（必須）、`mode`（`primary`/`subagent`/`all`）、`model`、`prompt`、`temperature`、`permission`（`allow`/`deny`/`ask`）、`steps`、`hidden` などです。 🛠️ 実践的な使い方 編集を禁止した「監査専用エージェント」を定義すれば、誤った変更を防ぎつつレビューだけ任せられます。Markdown定義のフロントマターで `mode: subagent`、`permission` の `edit: deny` と `bash: deny` を指定し、本文に「入力検証・認証不備・データ露出・脆弱な依存関係を中心にレビュー」と書くだけです。`permission` の `bash` はグロブで細かく制御できます。 `opencode agent create` を使えば、対話形式で配置場所・目的・権限を選びながらMarkdown定義を生成できます。 💡 ユースケース 大きな機能追加では、まず Explore で関連箇所を読み取り専用で調査させ、Plan で方針を固め、Build で実装し、最後に編集禁止のレビュー用エージェントで点検する、という分業が組めます。 ⚠️ 注意点 ・`permission` の既定はエージェントごとに異なります（Planは編集/bashが ask）。意図せぬ変更を避けるため明示設定が安全です。 ・`bash` 権限はグロブ指定可能で、`"rm *": "deny"` のように危険コマンドを個別に拒否できます。 ・サブエージェントを `@` メニューから隠したい場合は `hidden` を使います。 #OpenCode# #AIAgents#

本日、「女性のヘルスケアに関するガイダンス（中高年編）」を作成された、日本産婦人科学会、日本女性医学学会、日本整形外科学会、日本性差医学・医療学会、日本精神神経学会、日本内科学会、日本内分泌学会、日本泌尿器科学会、日本プライマリ・ケア連合学会、日本リウマチ学会の先生方が官邸を訪ねて下さいました。 「攻めの予防医療」を進める一環として、「性差に由来した健康課題への対応」を加速するよう、診療領域を横断した対応策の整理や診療拠点の整備を進めることとしており、特に「女性の生涯にわたる健康支援を強化する」ため、中高年期女性が抱える健康課題に対して、専門医のみならず、この世代の女性を診察するすべての医師の皆様が、より適切に対応できるようにすることを目的として、関係学会の先生方に作成いただいたものです。 女性ホルモンであるエストロゲンの分泌量と女性のライフステージにおける疾患には密接な関連があり、閉経前後の女性では、女性ホルモン分泌の低下により、様々な疾患の発生率が増加するとのことです。 一方で、これらの症状は、必ずしも女性ホルモンの低下によるものに限らず、更年期症状と似た症状を呈するものの全く別の疾患が原因である可能性があり、年齢的背景から更年期によるものと判断されたり、ご本人が思い込むことにより、適切な診断や治療につながらない場合もあります。 このため、本ガイダンスは、 ・更年期症状としてとらえられがちな、めまいやほてり、頭痛などの１２の症状ごとに、甲状腺機能低下症やうつ病、関節リウマチなどの見極めが必要な代表的な疾患をリストアップし、それぞれの疾患の特徴や専門医に紹介が必要な状況 ・一般的な更年期障害の病態と主要な対処方法 などについて解説することにより、一般診療の現場において専門医へつなげるための適切な判断と支援に役立てていただくことを目的として作成いただきました。 ガイダンスの作成にご協力をいただいた先生方に、感謝を申し上げます。 今後、ガイダンスは、厚生労働省や関係学会のホームページに掲載する予定ですので、誰でもご覧になれます。 また、関係学会の皆様などと連携して、本ガイダンスを活用した研修資料やイーラーニング教材の作成、研修の実施などを通じた普及・啓発を図っていく予定です。 本ガイダンスが、一般医療の現場を含め、広く活用され、中高年期の女性が抱える健康上の課題が一つでも多く解決されることを期待しています。 順次、男性編や若年女性編についても、ご検討をお願いしたところです。

The Silicon Valley Post (@TheSVPost) によるY Combinator P26バッチのトップ ヘルステックスタートアップ一覧が発表されました！ + Adialante - 1回数百ドルでがん検診を可能にする小型・モバイル型全身MRI + FinalDose - 細胞内でDNAを読み取り、病変があれば破壊するプログラマブル創薬。undruggableながん標的から着手 + Voquill - 病理医のレポートスタイルを学習し、サインアウト可能なレポートをリアルタイム生成するAIコワーカー + Clara - すべての医療判断を有資格の臨床医がレビューするAIプライマリケア医 + Lumius - 血管アクセスから始める、安価でリアルタイムな3D超音波 弊ファンドからは1社に投資実行しています✌️

# ADK 2.0の便利だけど知られていない機能 🌍 リクエストの内容に応じてLLMモデルを動的に切り替えられたら、コストと品質の最適なバランスが取れると思いませんか？ ADK 2.0のモデルルーティングは、RoutedLlmクラスとLlmRouter関数を使って、リクエストごとに使用するモデルを動的に選択する機能です。 📌 タイトル：モデルルーティング 🔗 URL： 🧩 概要 RoutedLlmクラスは、複数のLLMモデルの中からリクエストごとに最適なモデルを動的に選択する仕組みです。LlmRouter関数がモデルのマップ、リクエスト内容、エラーコンテキストを受け取り、使用するモデルのキーを返します。モデルが出力を開始する前にエラーが発生した場合、ルーターがエラー情報とともに再度呼び出され、別のモデルにフォールバックできます。ただし、`connect()`でストリーミング中のモデル切り替えはできません。 🛠 使い方 LlmRouter関数を定義し、RoutedLlmに渡してエージェントに設定します。 ```typescript import { BaseLlm, Gemini, LlmRequest, LlmAgent, RoutedLlm } from '@google/adk'; const myRouter = ( models: Readonly>, request: LlmRequest, errorContext?: { failedKeys: ReadonlySet; lastError: unknown }, ) => { if (!errorContext) { return 'primary'; // まずは高性能モデル } if (errorContext.failedKeys.has('primary')) { return 'fallback'; // 失敗したら軽量モデルにフォールバック } return undefined; // 候補がなければエラーをそのまま伝播 }; const agent = new LlmAgent({ name: 'smart_agent', model: new RoutedLlm({ models: { primary: new Gemini({ model: 'gemini-pro-latest' }), fallback: new Gemini({ model: 'gemini-flash-latest' }), }, router: myRouter, }), instruction: 'タスクを処理してください', }); ``` エージェントルーティング（エージェント自体の切り替え）とは異なり、モデルルーティングではエージェントのロジックはそのまま、使用するモデルのみが変わります。 🏗 本番システムへの組み込み方 ・プライマリモデルの障害時にフォールバックモデルへ自動切り替えする構成にする ・リクエストの複雑さに基づいて高性能/軽量モデルを使い分け、コストを最適化する ・A/Bテスト用のルーターを実装し、モデル性能の比較検証を行う ・ルーターのモデル選択ログを記録し、コスト分析やパフォーマンス改善に活用する 💡 ユースケース 🔄 プライマリモデル障害時の自動フォールバック 💰 リクエストの複雑さに基づくコスト最適化ルーティング 🧪 新旧モデルのA/Bテストによる性能比較 🌍 リクエスト言語やリージョンに基づくモデル選択 ⚠️ 注意点 モデルルーティングは実験的機能で、ADK TypeScript v1.0.0以降で利用できます。`connect()`によるストリーミング開始後にモデルを切り替えることはできません。ルーターのロジックが複雑になりすぎると、デバッグやメンテナンスが困難になるため、シンプルな判定基準を心がけてください。また、フォールバック先のモデルが元のモデルと同じ機能をサポートしているか事前に確認することが重要です。 ✨ モデルルーティングを活用することで、可用性・コスト・品質のバランスを動的に制御でき、本番環境でのエージェント運用がより柔軟になります。 #ADK# #AIAgent#

# ADK 2.0の便利だけど知られていない機能 🌍 実行時にどのエージェントを呼び出すかを動的に切り替えられたら、柔軟で堅牢なシステムが作れると思いませんか？ ADK 2.0のエージェントルーティングは、router関数を使って実行時に動的にエージェントを選択する仕組みです。設定ベースのルーティング、エラー時のフォールバック、複雑度に応じた自動振り分けなど、多彩なパターンに対応できます。 📌 タイトル：エージェントルーティング 🔗 URL： 🧩 概要 エージェントルーティングでは、router関数がagents（利用可能なエージェントのリスト）、context（現在のコンテキスト）、errorContext（直前のエージェントがイベントをyieldする前に例外を投げた場合のエラー情報）を受け取り、次に実行するエージェントを返します。あるエージェントがイベントをyieldする前に失敗した場合、routerはerrorContextを受け取るため、別のエージェントへのフォールバックが可能です。これはRoutedLlm（モデルレベルのルーティング）とは異なり、エージェント全体を切り替える点が特徴です。 🛠 使い方 router関数を定義し、エージェントに設定します。 ```python from adk import Agent def my_router(agents, context, error_context=None): # エラー時はフォールバックエージェントを選択 if error_context: return next(a for a in agents if == "fallback") # コンテキストに応じて動的にエージェントを選択 complexity = context.session.state.get("task_complexity", "low") if complexity == "high": return next(a for a in agents if == "expert") return next(a for a in agents if == "basic") parent = Agent( name="dispatcher", sub_agents=[basic_agent, expert_agent, fallback_agent], router=my_router ) ``` router関数の戻り値で次に実行されるエージェントが決まるため、任意のロジック（設定ファイル参照、外部API呼び出しなど）を組み込めます。 🏗 本番システムへの組み込み方 ・設定ベースのルーティングでは、ルーティングルールを外部設定ファイルに切り出し、再デプロイなしで変更可能にする ・errorContextを活用したフォールバックチェーンを設計し、単一障害点を排除する ・ルーティング判定のログを構造化して出力し、どのエージェントが選ばれたか追跡可能にする ・複雑度の判定ロジック自体をテスト可能な純粋関数として分離する 💡 ユースケース ⚙️ 設定ファイルでルーティングルールを管理し、運用中に振り分け先を変更 🛡 プライマリエージェント失敗時に自動でフォールバックエージェントへ切り替え 🧠 タスクの複雑度を事前判定し、軽量/高機能エージェントを自動選択 📋 プランニングモードと実行モードでエージェントを切り替える段階的処理 ⚠️ 注意点 router関数内での重い処理（外部API呼び出し等）はレイテンシに直結するため、最小限に抑えることを推奨します。また、RoutedLlm（モデルルーティング）との混同に注意してください。RoutedLlmはLLMモデル自体を切り替えるもので、エージェントルーティングはエージェント全体（プロンプト・ツール・サブエージェント含む）を切り替えるものです。errorContextはエージェントがイベントをyieldする前に失敗した場合のみ提供される点も理解しておく必要があります。 ✨ 動的ルーティングにより、単一のワークフロー定義で多様な状況に対応できる柔軟なシステムを構築できます。まずはフォールバックパターンから導入してみてください。 #ADK# #AIAgent#