登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 プロンプトエンジニアリング
プロンプトエンジニアリング コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
プロンプトエンジニアリング を含む検索結果
🧭 TL;DR: モデルが賢くなったのに、指示だけ旧モデル仕様のままだと逆に足を引っ張ります。OpenAIがGPT-6 Astra移行時のスキル・プロンプト見直し方をまとめました。 タイトル: Rethinking skills and prompts for GPT-6 Astra URL: 📌 ポイント 📝 スキルの説明は発動条件を絞って簡潔に書く 📂 複雑なスキルは最初から全文脈を読ませず段階的に開示する 🎯 過剰に具体的な指示はむしろ精度を下げることがある 📄 AGENTS.mdは一律の必読リストより文脈に応じた参照にする ⚖️ 旧モデル向けの行動制限がAstraでは過剰な自己制限になりうる 🛑 完了条件・探索範囲・停止条件を事前に明示しないと早く止まりがち モデルが進化したら指示はむしろ削る、という逆説的だけど実践的な学びが詰まっています。 #AIエージェント# #プロンプトエンジニアリング#
もっと見る
# ADKの便利で実践的な使い方 🔄 エージェントの評価結果を見て、プロンプトを手動で改善するのは非効率です。ADKのOptimization機能は、評価結果に基づいてプロンプトやエージェントの指示を自動・半自動で最適化する仕組みを提供します。評価→最適化→再評価の継続改善ループを回せます。 📌 タイトル:Optimization 🔗 URL: 🧩 概要 ADKのOptimization Frameworkは、Sampler(候補エージェントを評価し詳細な結果を返す)とAgent Optimizer(評価結果を分析してエージェントを改善する)のアーキテクチャで構成されます。**GEPARootAgentPromptOptimizer**はGEPAアルゴリズムで根本エージェントの指示を最適化し、**SimplePromptOptimizer**は実行→評価→批評→書き換えの4ステージを逐次実行します。最適化は非破壊的で、元のエージェントを保持したまま改善バリエーションを生成します。 🛠 使い方 CLIでの最適化実行: ```bash adk optimize \ --sampler_config_file_path \ --optimizer_config_file_path \ --print_detailed_results ``` プログラマティックな最適化: `google.adk.optimization.gepa_root_agent_prompt_optimizer` から `GEPARootAgentPromptOptimizer` と `GEPARootAgentPromptOptimizerConfig` を、`google.adk.optimization.local_eval_sampler` から `LocalEvalSampler` と `LocalEvalSamplerConfig` をインポートします。`LocalEvalSamplerConfig` で `eval_config=EvalConfig(criteria={"response_match_score": 0.75})`、`app_name`、`train_eval_set` を設定し、`LocalEvalSampler` を作成します。次に `GEPARootAgentPromptOptimizer(config=GEPARootAgentPromptOptimizerConfig())` でオプティマイザーを作成し、` sampler))` で最適化を実行します。 GEPARootAgentPromptOptimizerの設定パラメータ: - `optimizer_model`: 最適化に使用するモデル(デフォルト: `gemini-2.5-flash`) - `max_metric_calls`: 最大評価回数(デフォルト: 100) - `reflection_minibatch_size`: 1イテレーションで処理する例の数(デフォルト: 3) - `run_dir`: 中間結果の保存先(ウォームスタート用) SimplePromptOptimizerは4つのステージを逐次実行します。 1. **Execute**: エージェントが評価タスクを処理 2. **Evaluate**: Samplerがスコアリング 3. **Critique**: 最適化LLMが弱点を分析 4. **Rewrite**: ギャップを埋める新しいプロンプトを生成 LocalEvalSamplerの設定では、検証用データセットを分離できます。 - `train_eval_set`: 最適化に使用するデータセット - `validation_eval_set`: 検証用の別データセット - `train_eval_case_ids`: 特定のケースのみ使用する場合 🏗 実践的な使い方 **評価→最適化→再評価の継続改善ループ**: まず`adk eval`で現状のエージェント品質を定量化し、次に`adk optimize`で自動改善を実行、最後に改善後のエージェントを再評価して改善効果を確認します。このサイクルを回すことで、プロンプトの品質が着実に向上します。 **トレーニングと検証の分離**: `train_eval_set`で最適化を行い、`validation_eval_set`で検証することで、過学習を防ぎます。最適化がトレーニングデータに特化しすぎず、未知のシナリオにも対応できるプロンプトが得られます。 **ウォームスタートによる効率的な最適化**: `run_dir`に中間結果を保存しておくことで、最適化が中断しても途中から再開できます。また、前回の最適化結果をベースに追加の改善を行うことも可能です。 **SimplePromptOptimizerでの段階的改善**: GEPAオプティマイザーほど自動化されていませんが、Execute→Evaluate→Critique→Rewriteの各ステージの結果を確認しながら、半自動的にプロンプトを改善できます。LLMが弱点を分析して改善提案をしてくれるため、人間のプロンプトエンジニアリングの負担が軽減されます。 💡 ユースケース 🔄 プロンプト品質の継続的改善サイクルの自動化 📊 評価スコアに基づくデータドリブンなプロンプト改善 🎯 過学習を防ぐトレーニング/検証データセットの分離 ⚡ 中断可能・再開可能なウォームスタート最適化 ⚠️ 注意点 - 最適化は非破壊的ですが、生成されたプロンプトバリエーションの品質は評価データセットの質に依存します。代表的なケースを含むデータセットを用意してください。 - `max_metric_calls`が大きいほど探索範囲が広がりますが、LLM呼び出しコストも増加します。初期値100から調整してください。 - 最適化結果は自動的にデプロイされません。生成されたプロンプトを人間が確認してから適用してください。 - GEPARootAgentPromptOptimizerはルートエージェントの指示のみを最適化します。サブエージェントやツール定義の最適化には別のアプローチが必要です。 ✨ ADKのOptimization Frameworkは、プロンプト改善を「職人技」から「データドリブンなプロセス」に変革します。評価→最適化→再評価のループを回して、エージェントの品質を継続的に向上させましょう! #ADK# #AIAgent#
もっと見る
# OpenAI Agent SDKの便利で実践的な使い方 🌍 個人情報を含む会話にはセキュリティが必要です! EncryptedSessionとAdvancedSQLiteSessionで、PIIの保護と会話のブランチ分岐を実現しましょう。 📌 タイトル:Sessions – Encrypted / Advanced SQLite 🔗 URL: 🧩 概要 EncryptedSessionは会話履歴を暗号化して保存し、TTL(有効期限)で自動削除する機能を提供します。個人情報を含むチャットに最適です。AdvancedSQLiteSessionは会話のブランチ分岐(`create_branch_from_turn`)やトークン使用量の記録(`store_run_usage`)を提供し、実験的な会話管理や分析に活用できます。 🛠 使い方 `EncryptedSession` は他のセッションをラップする実装なので、`underlying_session` に実体となるセッション(例:`SQLAlchemySession.from_url("user_12345", url="sqlite+aiosqlite:///conversations.db", create_tables=True)`)を渡します。`EncryptedSession(session_id="user_12345", underlying_session=underlying_session, encryption_key="your-secret-key", ttl=600)` で暗号化セッションを作成します。`ttl=600` は10分で自動削除される設定です。`Agent(name="medical_assistant", instructions="医療相談に丁寧に回答してください")` でエージェントを作り、`await "田中太郎、生年月日1990年1月1日、症状は頭痛です", session=session)` のように個人情報を含む会話を安全に処理できます。 `AdvancedSQLiteSession(session_id="experiment_001", db_path="./advanced_sessions.db", create_tables=True)` でセッションを作成し(`create_tables` の既定値は `False` です)、`await "AIの未来について議論しましょう", session=session)` と `await "楽観的な視点を教えて", session=session)` で会話を進めます。`branch_id = await session.create_branch_from_turn(2, branch_name="pessimistic")` で2ターン目から会話を分岐し(戻り値はブランチIDです)、`await session.switch_to_branch(branch_id)` で切り替えてから `await "悲観的な視点を教えて", session=session)` で別の方向に展開できます。`await でトークン使用量を記録し、`await session.get_session_usage()` で `requests`・`input_tokens`・`output_tokens`・`total_tokens`・`total_turns` を確認できます(ターン単位は `await session.get_turn_usage(user_turn_number)`)。 🏗 実践的な使い方 EncryptedSessionは、医療相談、法律相談、金融サービスなど、個人情報(PII)を含む会話で必須です。暗号化キーは環境変数やSecret Managerで管理し、コードにハードコードしないでください。 TTLの設定は規制要件に合わせます。例えば、医療相談では10分、カスタマーサポートでは24時間、法律相談では7日間など、業務に応じた有効期限を設定できます。TTL経過後はデータが自動削除されるため、データ保持規制への準拠が容易になります。 AdvancedSQLiteSessionの`create_branch_from_turn`は、「もしこう聞いたら?」という実験的な会話分岐に最適です。プロンプトエンジニアリングの検証や、A/Bテスト的な会話比較に使えます。元のセッションは変更されないため、安全に実験できます。 `store_run_usage`によるトークン使用量の記録は、コスト分析や利用傾向の把握に役立ちます。ユーザーごと、機能ごとのトークン消費を可視化し、最適化の判断材料にできます。 💡 ユースケース 🏥 医療相談チャットのPII保護(TTL: 10分) ⚖️ 法律相談の機密会話暗号化(TTL: 7日) 🔬 プロンプトエンジニアリングの会話ブランチ比較 📊 ユーザーごとのトークン使用量分析とコスト最適化 ⚠️ 注意点 - 暗号化キーを紛失するとセッションデータは復元できません。キー管理を厳格に行ってください - TTLは厳密なタイミングでの削除を保証するものではありません。クリティカルな要件では追加のデータ削除ジョブを検討してください - AdvancedSQLiteSessionはSQLiteベースのため、大規模な本番環境には向きません。開発・分析用途で使用してください - ブランチを大量に作成するとストレージが肥大化します。不要なブランチは定期的に削除してください ✨ セキュリティと実験性を兼ね備えたセッション管理で、規制準拠と開発効率の両立が可能です! #OpenAIAgentSDK# #AIAgent#
もっと見る
動画生成モデルは「もっともらしい動画」を作れても、「正しい確率で将来を分布できる」かは別問題です。 タイトル: PAWBench: How Far Are We from Probabilistically Aligned World Modeling? URL: 🎯 概要 コインを50回投げたとき表と裏が約50%ずつ出るように、動画生成モデルも「ありうる将来の正しい確率分布」を再現できなければ真のワールドモデルとは言えません。PAWBenchはこの「確率的整合性」を評価する初の体系的ベンチマークで、50シナリオ・11モデルを評価しました。 🔍 解決する課題 従来の動画評価はFIDやFVDなどの知覚品質や多様性に焦点を当ててきましたが、「各結果が正しい頻度で生成されるか(較正)」と「すべてのありうる結果を網羅できるか(網羅性)」を同時に測る指標がありませんでした。 ⚙️ 評価手法 PAWEvalはK=50回の動画生成をGemini 3.5 Flashで終端結果に変換し、全変動距離(TVD)と有効サポート回収率で評価します。投擲・回転・衝突・材料遷移など8種類の物理メカニズムを対象としています。 📊 主要結果 最良モデルのCosmos 3 Super I2VでもTVD 20.5(完全整合=0)に留まります。全モデルの平均TVDは31.2で、有限サンプルで予想される偶然のばらつき(8.33)を大幅に上回ります。「確率精度・広い網羅性・採点信頼性」を同時に達成したモデルは1つもありませんでした。 ⚡ 介入実験の教訓 プロンプトエンジニアリング・結合ノイズサンプリング・LoRA微調整の3つを試しましたが、いずれも部分的な改善にとどまり根本的なギャップは解消されませんでした。モデルは物理的因果介入には過少反応し、非因果的な視覚・テキスト手がかりには過剰反応する傾向があります。 動画生成をロボティクス・自動運転・物理シミュレーションに応用しようとする研究にとって、確率的整合性はこれから欠かせない評価軸になります。 #動画生成# #ワールドモデル#
もっと見る
マネジメント色でありながら、どうやって技術力を保っていくか、という話。 ・EMにとって技術的習熟もはやオプションではなく必須のスキル ・技術的習熟とは、チーム内で最も優れたプログラマーになることを意味するではない ・システム構造や技術的な課題を的確に理解する能力のこと ・マネージャーが技術を理解していると、エンジニアは自分たちの状況や苦労を正しく代弁してくれると感じて強い信頼を寄せる ・技術的な知識があれば、現場のエンジニアの作業を中断させて質問することなく、マネージャー単独で迅速に意思決定ができる ・また、技術詳細をマネージャー自身が把握しておくことで、経営層などのステークホルダーに対する報告やフィードバックのサイクルを短縮できる ・他に、チームの業務に必要な技術的要件を正確に把握できるようになるため、採用活動においてもより優秀なエンジニアを見極めやすくなる ・マネージャーが技術力を維持し向上させるための実践的なアプローチとしては、主に4つの方法が存在する ・第一の方法は、AIに対する適切な指示出しであるプロンプトエンジニアリングのスキルを抑えること ・第二の方法は、現場のエンジニアと一緒に具体的なタスクに取り組みながら学ぶこと ・この共同作業はエンジニアの本来の業務を圧迫しないよう、ロードマップに影響しない優先度の低いタスクを選んで実施すると良い ・一緒に作業をする際は、評価目的ではなくマネージャー自身の学習目的であることを率直に伝えておく(負担になるから) ・第三の方法は、チームの業務に関連する特定の技術ドメインをひとつ選び、その分野の専門知識を計画的に身につけること ・第四の方法は、システムの将来性や保守性を大きく左右する重要なアーキテクチャ設計のレビューに積極的に参加すること ・技術的習熟は一度で終わるものではない ・日々の小さな積み重ねによる継続的な自己投資によるもの
もっと見る
ハーネスエンジニアリングのアンチパターン AP10. 観測なきブラックボックス(The Unobservable Black Box) 🎯 ポイント 失敗の原因がモデルか、プロンプトか、ツールか、コンテキストか、環境か——誰にも切り分けられない。改善が迷信と勘で行われるハーネスは、改善不能です。 ❗ 発生する課題 失敗をサブシステムに帰属できないため、何を直すべきかが分かりません。改善が迷信と勘で行われ、ハーネスの振り返りループが回らなくなります。単一指標だけを追う「指標モノカルチャー」と結びつくと、測定されていない品質が静かに犠牲になります。 🔍 メカニズムと症状 可観測性は地味なインフラ作業であり、エージェントは「だいたい動く」ため、このアンチパターンは後回しにされがちです。しかし、サブシステムに失敗を帰属できなければ、振り返りループが回せず、ハーネスは改善不能になります。さらに、単一指標(例:成功率だけ)を追うと、測られていない美徳(レビュー時間・リグレッション率・コードの保守性)が静かに犠牲になる「指標モノカルチャー」が発生します。症状としては、「なぜ失敗したか分からない」が頻発する、改善施策が「プロンプトをいじる」一辺倒になる、モデルの問題かハーネスの問題か区別がつかない、成功率は上がっているのにレビュアーの不満が増える、といった現象が見られます。 📋 シナリオ ・エージェントがタスクに失敗するが、原因がモデルの推論ミスか、コンテキストの不足か、ツールのバグか、環境の問題か誰にも分からない。チームは「プロンプトをもう少し詳しくしよう」と対症療法を繰り返す。 ・成功率を唯一の指標として追跡。成功率は80%に向上したが、成功した案件のレビュー時間が3倍に膨れ上がっていることに気づかない。 ・モデルをアップグレードしたが性能が変わらない。原因がモデルの問題なのか、ハーネスの足場が制約しているのか(AP3)切り分けられず、投資判断が迷信になる。 🛡 回避方法 ・決定・ツール呼び出し・コンテキスト変遷をトレースし、7サブシステム(知覚・行為・フィードバック・制御・記憶・ガードレール・インターフェース)に帰属可能化します ・単一指標でなく束で測定します(成功率・介入率・手戻り率・リグレッション率・コスト・レビュー時間・確信度の較正) ・モデルを固定してハーネスの変更をA/Bテストし、改善をハーネスに帰属させます ・ハーネスの可観測性を「地味だが不可欠なインフラ」として投資し、改善ループの基盤を整えてください #HarnessEngineering# #AIAgent#
もっと見る
ハーネスエンジニアリングのプラクティス P14. 独立した自己批評パス(生成器と批評器の文脈を分ける) 🎯 ポイント 自分が書いたコードを自分でレビューして「良さそう」と言うエージェント、信頼できますか?レビューは作者と切り離して初めて機能します。 📝 概要 実装後、別の文脈(できれば別の役割プロンプト)で差分を仕様に照らして批評させます。「自分が今書いたから正しいはず」というバイアスを避けるには、生成器と批評器が文脈を共有しないことが鍵です。 🔍 解説 人間のコードレビューが作者以外の人間によって行われるのと同じ理由で、エージェントの自己批評も文脈を分離する必要があります。同じ文脈で生成と批評を行うと、生成過程で持った「なぜこう書いたか」のバイアスがそのまま批評に持ち込まれ、問題を見逃しやすくなります。別の文脈(理想的には別のプロンプト、別のモデルインスタンス)で、変更差分と仕様だけを見せて批評させると、フレッシュな視点でのレビューが可能になります。これは計算コストが追加されますが、流出欠陥を防ぐ効果は大きいです。 🛠 実践方法 ・実装完了後に別の文脈(新しい会話セッション)を起動し、差分と仕様だけを渡してレビューさせます ・批評器には焦点を絞った役割を与えます(「仕様との乖離」「セキュリティリスク」「リグレッション可能性」等) ・可能であれば生成と批評に異なるモデルやプロンプトを使用し、視点の多様性を確保します ・批評結果を構造化フォーマットで出力させ、ハーネスが自動的に対応(修正指示の送付・人間への報告)を判断します 💼 ユースケース ・issue-to-PRエージェントが完了前に、別のプロンプトで自己レビューを行う場面 ・自律バグ修正で、修正の妥当性を別の文脈で検証する場面 ・コード生成で、セキュリティ観点のレビューを別のエージェントとして実行する場面 ⚠ 落とし穴 批評器が「何でも指摘する」設計だと、瑣末な指摘が大量に出て実装→修正→批評→修正の無限ループに陥ります。批評器には「仕様との乖離」「セキュリティリスク」「リグレッション可能性」など、焦点を絞った役割を与えることが重要です。また、批評器の品質が低いと、正しい実装を不必要に修正させるリスクもあります。 #HarnessEngineering# #CodeReview#
もっと見る
ハーネスエンジニアリングのプラクティス P10. 二相設計 —— 読み取り専用の探索 → 実装 🎯 ポイント 「まず理解してから書く」は人間の美徳です。エージェントにも同じ規律を、願望ではなく権限で強制しましょう。 📝 概要 まず書き込み禁止の探索フェーズを強制し、計画を出させてから実装フェーズに入ります。早すぎる編集を構造的に防ぐことで、計画の質が上がります。フェーズ境界は願望ではなくハーネスが権限で強制します。 🔍 解説 エージェントは「とりあえず書いてみる」傾向があります。コードの全体像を把握する前にファイルを編集し始め、後から「そもそもアプローチが間違っていた」と気づいて大幅な手戻りが発生する、というパターンは非常に多いです。二相設計では、最初のフェーズでファイル読み・検索・シンボル解決のみを許可し、編集ツールを無効化します。エージェントはコードベースを探索し、理解し、計画を立てることだけに集中します。計画が承認されて初めて編集権限が解放されます。これにより「思いつきで書いて壊す」リスクを構造的に排除できます。 🛠 実践方法 ・フェーズ1では編集ツールを無効化し、ファイル読み・検索・シンボル解決のみを許可するツールセットを設定します ・フェーズ1の出力として計画ファイル(plan.md)を要求し、計画の承認をフェーズ2への移行条件にします ・フェーズ境界はプロンプトのお願いではなく、ツールの権限レベルで強制します ・探索フェーズの時間・ステップ数に上限を設け、コンテキスト枯渇を防ぎます 💼 ユースケース ・issue-to-PRエージェントで、issueの分析と計画策定を読み取り専用で行い、計画承認後に実装に入る場面 ・レガシーコード改修で、まずモジュール地図化と理解を行い、その後に変更を加える場面 ・インシデント対応で、診断(読み取り・安全・自律)と是正(書き込み・ゲート付き)を分離する場面 ⚠ 落とし穴 探索フェーズが長すぎると、エージェントがコンテキストウィンドウを使い切ってしまいます。また、探索フェーズで得た知識が実装フェーズまでに陳腐化するリスクもあります(P3のTTLと組み合わせる)。フェーズ境界を「プロンプトでお願いする」だけでは不十分で、ツールの権限レベルで強制することが重要です。 #HarnessEngineering# #AIAgent#
もっと見る
ハーネスエンジニアリングのアンチパターン AP7. 決定性の取り違え(The Misplaced Determinism Boundary) 🎯 ポイント テスト実行をLLMの善意に委ね、端ケースの判断を硬いルールに押し込む。境界を取り違えると、信頼性と適応性を同時に失います。 ❗ 発生する課題 確率的な要素を決定的であるべき場所に置くと信頼性が漏れ、決定的なルールを判断が要る場所に置くと適応性を失います。結果として、簡単なタスクで不安定になるか、複雑なタスクで硬直するか、あるいはその両方が同時に起きます。 🔍 メカニズムと症状 この取り違えには二つの形態があります。形態Aは「LLMの判断が要る長いテールを硬いルールに押し込む」パターンで、ルールは予測可能なため魅力的に見えますが、端ケースに遭遇すると脆く壊れます。形態Bは「決定的であるべき処理(テスト実行、ゲート判定、リトライ)をLLMの善意に委ねる」パターンで、モデルに任せれば実装が楽に見えますが、100回に1回はテストを忘れるという不安定さを生みます。症状としては、形態Aでは「想定外のケースでルールが破綻」「新しいパターンのたびにルール追加が必要」、形態Bでは「テストの実行忘れ」「ゲートのスキップ」「時々なぜか動かない」が見られます。 📋 シナリオ ・形態A:「import文の変更は必ずファイル先頭に」という硬いルールを設定。circular importの解消が必要なケースでルールが邪魔をし、エージェントが行き詰まる。 ・形態B:「テストを必ず実行すること」をプロンプトに記載するだけで、ハーネスが強制しない。エージェントは95%の確率でテストを実行するが、残り5%でテスト未実行のまま完了を宣言する。 ・両方同時:コードモッドの大部分はASTベースの決定的変換で処理できるのに、全てをLLMに任せている(形態B)。一方、LLMの判断が必要な端ケースには「この場合はスキップ」という硬いルールを適用(形態A)。両方が間違っている。 🛡 回避方法 ・ハーネスの全処理を「判断が要る」と「判断不要で決定的に実行可能」に分類し、境界を明示します ・テスト実行・lint・ビルド・ゲート判定は決定的コードで強制し、「お願い」しません ・LLMは本当に判断が必要な部分(原因分析・方針決定・コード生成)に限定して使います ・モデルの進化に合わせて境界を定期的に見直し、適切に移動させてください #HarnessEngineering# #AIAgent#
もっと見る
ハーネスエンジニアリングのプラクティス P4. サブエージェントは「蒸留器」として契約する 🎯 ポイント サブエージェントが50ファイルの生ログを親に返したら、親のコンテキストは即死します。返すべきは「議事録」ではなく「結論」です。 📝 概要 探索用サブエージェントの契約を「結論を返す、議事録は返さない」と定義します。50ファイル探索して5行の所見を返す。これは礼儀ではなく、文脈階層のメモリ管理規律です。 🔍 解説 サブエージェントを使う主な目的は、親エージェントのコンテキストウィンドウを守ることです。しかし、サブエージェントが生の探索結果をそのまま返してしまうと、その目的は完全に失われます。サブエージェントは「蒸留器」として機能すべきです。大量の情報を読み込み、本質だけを凝縮して返す。この契約を明示的にプロンプトで定義し、返答のフォーマットも制約することで、文脈階層全体の効率が保たれます。安価なモデルで広く探索し、高価なモデルで深く判断する、というトークン経済の原則とも合致します。 🛠 実践方法 ・サブエージェントのプロンプトに「結論を返す、議事録は返さない」と明記し、返答フォーマット(行数上限・構造)を制約します ・探索タスクには安価なモデルを使い、親エージェントの判断には高価なモデルを使うトークン経済を設計します ・サブエージェントの返答サイズを監視し、閾値を超えた場合は再蒸留を要求するガードを設けます ・蒸留の粒度をタスクに応じて調整します(分類タスクなら3行、分析タスクなら10行など) 💼 ユースケース ・大規模コードベースの調査で、複数のサブエージェントにファイル群を分担探索させ、各々が要約のみ返す場面 ・マイグレーションで、各ユニットの状況を調査するサブエージェントが「移行可/要手動対応/不明」の3分類だけを返す場面 ・インシデント対応で、ログ・メトリクス・トレースを別々のサブエージェントが調査し、相関する異常の要約だけを返す場面 ⚠ 落とし穴 サブエージェントの蒸留品質が低いと、重要な情報が失われるリスクがあります。「結論だけ返せ」と指示しても、何が結論に値するかの判断はモデルの能力に依存します。また、蒸留の過程で文脈が失われすぎると、親エージェントが誤った判断をする可能性もあります。蒸留の粒度は、タスクの性質に応じて調整が必要です。 #HarnessEngineering# #AIAgent#
もっと見る