🔎 「エージェント検索に埋め込みもベクトルDBも要らない。grepで生コーパスを直接叩け」という挑発的な研究です。 タイトル: Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction URL: ❓ Direct Corpus Interaction(DCI)とは何ですか？ 💡 埋め込みモデル・ベクトルインデックス・検索APIを一切使わず、エージェントがgrepやfind、シェルコマンドで生コーパスを直接探索する検索パラダイムです。オフラインのインデックス構築が不要で、変化し続けるローカルコーパスに自然に適応します。 ❓ なぜ従来のリトリーバではダメなのですか？ 💡 BM25でも密ベクトルでも、コーパスを「固定の類似度インターフェース」でtop-kに圧縮してから推論を始めます。すると厳密な字句一致や弱い手がかりの結合、局所文脈の確認がしづらく、早期に落ちた証拠は後段でどれだけ推論しても復元できません。エージェントの多段探索には致命的です。 ❓ 本当にリトリーバなしで勝てるのですか？ 💡 勝てます。BrowseComp-Plusでは同じSonnet 4.6でリトリーバをDCIに替えると正答率69.0→80.0%(+11.0)かつコスト−29.4%。多段QA平均は83.0で最強ベースライン比+30.7、IRランキングはNDCG@10で68.5(+21.5)。軽量なGPT-5.4 nano版でも多くのベースラインを上回りました。 ❓ 何が効いているのですか？ 💡 著者らは「retrieval interface resolution(検索インターフェースの解像度)」と呼びます。優位は多くのgold文書を出すことより、到達後に小さな証拠スパンへ精密に絞り込む高解像度な局所探索・検証から来る、と軌道分析で示しています。 #AIエージェント# #RAG#

🔎 「エージェント検索に埋め込みもベクトルDBも要らない。grepで生コーパスを直接叩け」という挑発的な研究です。 タイトル: Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction URL: ❓ Direct Corpus Interaction(DCI)とは何ですか？ 💡 埋め込みモデル・ベクトルインデックス・検索APIを一切使わず、エージェントがgrepやfind、シェルコマンドで生コーパスを直接探索する検索パラダイムです。オフラインのインデックス構築が不要で、変化し続けるローカルコーパスに自然に適応します。 ❓ なぜ従来のリトリーバではダメなのですか？ 💡 BM25でも密ベクトルでも、コーパスを「固定の類似度インターフェース」でtop-kに圧縮してから推論を始めます。すると厳密な字句一致や弱い手がかりの結合、局所文脈の確認がしづらく、早期に落ちた証拠は後段でどれだけ推論しても復元できません。エージェントの多段探索には致命的です。 ❓ 本当にリトリーバなしで勝てるのですか？ 💡 勝てます。BrowseComp-Plusでは同じSonnet 4.6でリトリーバをDCIに替えると正答率69.0→80.0%(+11.0)かつコスト−29.4%。多段QA平均は83.0で最強ベースライン比+30.7、IRランキングはNDCG@10で68.5(+21.5)。軽量なGPT-5.4 nano版でも多くのベースラインを上回りました。 ❓ 何が効いているのですか？ 💡 著者らは「retrieval interface resolution(検索インターフェースの解像度)」と呼びます。優位は多くのgold文書を出すことより、到達後に小さな証拠スパンへ精密に絞り込む高解像度な局所探索・検証から来る、と軌道分析で示しています。 #AIエージェント# #RAG#

# Weaviateの機能と実践的な使い方 🚀 「テストのためにベクトルDBサーバを立てるのが面倒」を解決するのがEmbedded Weaviateです。スクリプトから一行で起動し、終われば消える使い捨てDBとして、CIやノートブックに組み込めます。 📌 タイトルと機能のURL タイトル: Embedded Weaviate URL: 📝 概要 Embedded Weaviateは、独立したサーバを立てる代わりに、アプリケーションのコードからWeaviateインスタンスを起動する実験的なデプロイ方式です。インスタンスのライフサイクルはクライアントアプリに紐づき、アプリが終了するとインスタンスも終了します(ただし永続化したデータは残ります)。インフラ準備ゼロで実験を回せるのが最大の利点です。 🔧 機能の説明 ・Pythonでは weaviate.connect_to_embedded(version=..., headers=..., environment_variables=...) でインスタンスを起動します。 ・クライアントは binary_path のキャッシュにバイナリがあるか確認し、無ければGitHubリリースから適切なバイナリ(linux/macOS向け)をダウンロードしてキャッシュします。 ・初回起動時に persistence_data_path に永続データストアが作られ、次回以降は同じデータストアを再利用するため、セッション間でデータが残ります。 ・ライフサイクルはスクリプト終了・アプリ終了・ノートブックの非アクティブ化で終了します。 🛠 実践的な使い方 ・主なパラメータは version(latest・バージョン文字列・バイナリURL)、port(既定8079)、persistence_data_path(既定 ~/.local/share/weaviate)、binary_path(既定 ~/.cache/weaviate-embedded)です。 ・詳細設定は EmbeddedOptions を使い、additional_env_vars={"ENABLE_MODULES": "..."} のようにモジュールやAPIキーを渡します。設定後 client.connect() で接続します。 ・ログが多い場合は environment_variables={"LOG_LEVEL": "error"} で抑制できます。 ・TypeScriptでは別パッケージ weaviate-ts-embedded をインストールして利用します。 🎯 ユースケース ・CIのユニットテストで、検索ロジックの回帰テストを「インフラ準備ゼロ」で実行する。 ・Jupyterノートブックでのプロトタイピングや実験。 ・ローカルでの単一ユーザー向けの軽量な検証用途。 ⚠️ 注意点 ・実験的ステータスであり、APIやパラメータが変更される可能性があります。 ・単一ノード専用で、クラスタリングや分散デプロイには対応しません。本番用途向けではありません。 ・対応OSはLinuxとmacOSのみです。 ・XDG_DATA_HOME や XDG_CACHE_HOME は他のアプリでも広く使われるため、変更すると他に影響が出る恐れがあります。 #Weaviate# #VectorDatabase#

🕸 テキストを「概念のグラフ」に変えて、ベクトルDBの代わりにRAGの検索器として使う。ローカル完結で試せるOSSです。 タイトル: rahulnyk/knowledge_graph URL: 🔍 概要 非構造テキストから、固有表現ではなく「概念」とその関係を抽出して知識グラフを作るプロジェクトです。Graph-Augmented Generation（GRAG）や知識ベースQAに使えます。 🧩 解決する課題 従来のテキスト解析は、概念どうしの絡み合いや隠れたつながりを捉えにくい問題がありました。意味を保ったまま問い合わせできるグラフにすることで、深い文書理解を可能にします。 🛠 方法論と提案手法 6ステップ（クリーニング→概念抽出→関係抽出→スキーマ化→ノード/エッジ生成→可視化）で構築。エッジは2種の重みを持ち、W1はLLMが抽出した明示関係、W2は同一チャンク共起。次数とコミュニティでノードの大きさと色を決めます。 💻 技術スタック ・LLM: Mistral 7B OpenOrca（GPT API不要） ・サービング: Ollamaでローカル完結 ・グラフ: NetworkX、可視化: Pyvis、データ: Pandas 🎯 ユースケース ベクトルDBの代わりにグラフを検索器に使うGraph RAG、隠れた関連の発見、中心性分析、コミュニティ検出など。 #KnowledgeGraph# #GraphRAG#

TL;DR: 乱立するベクトル量子化手法を、共通の小さな部品（プリミティブ）の組み合わせとして統一的に扱い、同一条件で比較できるベンチマーク「VQ-bench」をPineconeが公開しました。 タイトル: VQ-bench: a Composable Vector Quantization Framework URL: ポイント 🧩 Center・Normalize・PCA・RandomRotateなど、量子化を構成する共通プリミティブを定義し自由に組み合わせ可能に 🔗 E-RaBitQなどの既存手法も「Center→Normalize→Random Rotation→Angular Cast」の4プリミティブの並びだけで再現 📊 VIBEの5データセット・14種類の量子化器をReconstruction MSE・Recall@10・エンコード時間で横並び比較 🥇 PQとOPQが一貫して最小のReconstruction MSEを記録 ⚡ EDENはPQ/OPQ/E-RaBitQより大幅に高速なエンコードを実現しつつRecallも高水準を維持 🛠️ 新規量子化器の追加は数行のコードで済み、新規プリミティブは既存の全部品と自動的に合成可能 バラバラだった量子化手法の評価が同じ土俵に乗ったことで、用途に応じた選定がしやすくなりそうです。 #ベクトル検索# #ベクトルDB#

# ADKの便利で実践的な使い方 セッションを超えた「長期記憶」を実現するMemory機能。過去の会話から学び、ユーザーを深く理解するエージェントを作りましょう🧠 📌 **タイトル**: Memory 🔗 **URL**: ## 🧩 概要 Memoryは、セッションを横断して検索可能な長期知識を管理する機能です。Stateが「今の会話」のデータを保持するのに対し、Memoryは「過去の会話から得た知識」を蓄積し、自然言語で検索できます。 主要なAPIは以下の2つです。 - `add_session_to_memory` / `add_events_to_memory`: セッションやイベントの内容をメモリに追加 - `search_memory`: 自然言語クエリでメモリを検索 バックエンドにはChromaなどのベクトルDBを使用でき、RAG（Retrieval-Augmented Generation）パターンでエージェントの応答品質を向上させます。 ## 🛠 使い方 `google.adk.memory` から `InMemoryMemoryService` をインポートしてインスタンス化します。セッション終了時に `await memory_service.add_session_to_memory(session)` でセッション内容をメモリに追加します。検索時は `await memory_service.search_memory(app_name=..., user_id=..., query="以前のネットワーク接続の問題")` のように自然言語クエリを渡します。返されたresultsの各 `memory` オブジェクトの `memory.content` から、過去の関連する会話内容を取得してエージェントの文脈に活用できます。 ## 🏗 実践的な使い方 **カスタマーサポートでの活用:** 1. ユーザーが「ネットワークがまた繋がらない」と問い合わせ 2. Memoryを「ネットワーク接続の問題」で検索 3. 「前回（3日前）も同じ問題で問い合わせがあり、ルーターの再起動で解決しました」という情報を取得 4. エージェントが「前回の問題は解決しましたか？同じ症状でしたらルーターの再起動をお試しください」と提案 過去の対応履歴を踏まえた、パーソナライズされたサポートが実現します。 **学習支援エージェント:** 1. 「微分がわからない」とユーザーが相談 2. Memoryを検索し、「このユーザーは視覚的な説明を好む」「前回は具体例から理解した」という知識を取得 3. グラフを使った具体例ベースの説明を提供 ## 💡 ユースケース - 🎧 カスタマーサポート: 過去の問い合わせ履歴を踏まえた対応。「前回の問題は解決しましたか？」 - 📚 学習支援: ユーザーの学習スタイルや理解度を記憶し、最適な教え方を選択 - 🏥 健康管理: 過去の相談履歴から傾向を把握し、継続的なアドバイスを提供 - 🛒 パーソナルショッパー: 購買履歴や好みを記憶し、的確な商品提案 ## ⚠️ 注意点 - メモリに個人情報を保存する場合、プライバシーポリシーとデータ保護規制への準拠が必要です - ベクトルDBの検索精度はエンベディングモデルの品質に依存します。適切なモデルを選択してください - メモリの量が増えると検索コストも増加します。定期的な整理やTTL（有効期限）の設定を検討しましょう - `InMemoryMemoryService` はプロセス再起動でデータが消えます。本番ではChromaなどの永続化バックエンドを使用してください ✨ Memory機能でエージェントに長期記憶を持たせれば、ユーザーとの関係が深まり、回を重ねるほど賢くなるエージェントが実現します！ #ADK# #AIAgent#

便利だけど知られていないGemini APIの機能 🔎 RAGを自前で構築する前に、マネージドで試してみませんか？ Geminiの「ファイル検索（File Search）」は、ファイルをアップロードするだけでチャンク化・埋め込み・検索まで全部やってくれるマネージドRAGです。自前でベクトルDBを立てる必要がありません。 📌 タイトル：ファイル検索（File Search） 🔗 URL： 🧩 概要 RAG（検索拡張生成）を構築するには、通常はドキュメントのチャンク化、埋め込みモデルの選定、ベクトルDBの構築・運用が必要です。File Searchはその全てをGoogle側が管理。ファイルをアップロードするだけで、Geminiがそのファイル内の関連箇所を検索し、回答に利用します。 🛠 使い方 ファイルをFiles APIでアップロードし、File Searchツールを有効にしてリクエストを送るだけ。Geminiが質問に関連するチャンクを自動で検索し、回答に組み込みます。PDF、テキスト、コードなど様々な形式に対応。複数ファイルをまとめて検索させることも可能です。 🏗 本番システムへの組み込み方 ・社内ドキュメントQ&A：規約集、マニュアル、議事録をアップして、社員がチャットで質問できるシステムに。ベクトルDB不要で即構築。 ・カスタマーサポート：製品ドキュメントをアップし、顧客の質問に対して正確な情報を自動で返す。 ・法務/コンプライアンス：契約書や法令文書をアップし、条項に関する質問に回答。出典の特定も容易。 ・技術文書検索：APIドキュメントや設計書を検索して、開発者の質問に即答するアシスタント。 💡 ユースケース 📚 社内ナレッジベースのQ&Aシステム 🎧 製品ドキュメントに基づくサポートbot ⚖️ 法務文書の条項検索・解釈 🧑‍💻 技術文書に基づく開発者アシスタント ⚠️ 注意点 マネージドのためチャンク化戦略やembeddingモデルのカスタマイズは限定的です。精度を細かくチューニングしたい場合は自前RAGの方が柔軟。また、ファイルサイズや数に制限があるため、大規模なドキュメント群には事前に制限を確認してください。 ✨ 「RAGを試したいけどインフラ構築が重い」という声に応える機能です。まずは小さなドキュメントセットでFile Searchを試して、マネージドの手軽さを体感してみてください。 #Gemini# #LLM#

# AIエージェントをソフトウェアに組み込むプラクティス # 階層化メモリ 🎯 「全部コンテキストに詰め込む」設計は、ウィンドウ溢れとハルシネーションの永続化を同時に引き起こします。 メモリを3層に分けるだけで、コンテキスト効率と記憶の信頼性を両立できます。 🔥 解決する課題 エージェントが複数ターンに跨がるタスクを扱うとき、すべての情報をコンテキストウィンドウに詰め込む「フラット記憶」では2つの問題が同時に起きます。会話履歴・ユーザ属性・中間結果・外部知識が混在するとウィンドウが溢れ、古い情報から押し出されて文脈が断絶します。さらにLLMが生成した推測をそのまま永続化すると、ハルシネーションが長期記憶に定着し、以降のセッションを汚染し続けます。 💡 提案パターン メモリを作業記憶（ターン内の中間状態）・短期記憶（セッションストア、TTL付き）・長期記憶（ベクトルDB/KVS）の3層に分離します。作業記憶は自由に読み書きし、コンテキストリセットで消えます。短期記憶には信頼度タグを付与し、ユーザ発話由来は高信頼、LLM推測由来は低信頼とマークします。長期記憶への昇格には反復確認やユーザ承認を要求し、ハルシネーションの永続化を防ぎます。failure_costが高い領域ほど昇格閾値を厳しくし、TTLを長めにとって安全側に寄せます。 ✅ 選定条件 使うとき： - 複数セッションにわたって情報を引き継ぐ必要がある - 中間結果の量がコンテキストウィンドウの30%を超える見込みがある - 確定事実と推測の区別が必要で、誤った記憶の波及影響が大きい 使わないとき： - 1ショットで完結しセッション間の引継ぎが不要な場合 - コンテキストウィンドウに全情報が収まる場合 - メモリの書込制御だけが課題で、階層分離自体は不要な場合 ⚠️ 落とし穴 - 作業記憶と短期記憶の境界が曖昧になりがちです。外部ストアへの書込を境界線にし、LLMの内部状態に頼らないでください - 長期記憶のエントリ数が増えると無関係な記憶がコンテキストに混入し、ハルシネーションの原因になります - マルチエージェント構成で各Workerが直接長期記憶に書き込むと整合性が崩れます。長期記憶はSupervisorが一元管理しましょう 🔧 実装方針 - 作業記憶（dict/インメモリ）・短期記憶（Redis等TTL付きセッションストア）・長期記憶（ベクトルDB）の3層を明確に分離し、外部ストアへの書込を境界線とします - recall時はコンテキスト予算内で3層から関連情報を想起し、関連度と信頼度でランク付けして注入量を制御します - 短期→長期への昇格には信頼度スコアの閾値チェックと承認状態の検査を設け、未検証情報の永続化を防ぎます - 記憶種別ごとにTTLを設計し（リアルタイムデータは分単位、ユーザ嗜好は週単位、不変属性は無期限）、failure_costが高いほど短めに設定します #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 ## キャッシュ類似度閾値 — セマンティックキャッシュの「ヒット判定」をどこに置くか 🎯 ポイント LLMエージェントのセマンティックキャッシュ、「閾値0.95にしておけばいいでしょ」と思っていませんか？ その閾値ひとつで、コスト半減にも、誤回答の量産にもなり得ます。領域ごとに閾値を変えないキャッシュは、時限爆弾です。 📋 概要 セマンティックキャッシュの類似度閾値は、「過去のクエリと新しいクエリがどれだけ似ていればキャッシュヒットとみなすか」を決めるパラメータです。埋め込みベクトルのコサイン類似度で測定し、閾値以上なら過去の応答を再利用します。LLM呼び出しは1回あたりのコストが高いため、同じ意図のクエリを毎回処理するのは無駄です。しかし完全一致では表記揺れに対応できず、ヒット率が極端に低くなります。セマンティックキャッシュはこの問題を解決しますが、閾値の設定を誤ると「異なる意図のクエリに古い応答を返す」という誤回答の再利用が発生します。 🔍 意思決定のポイント この閾値は主に2つの力のバランスで決まります。 ⚡ **失敗コスト（failure_cost）** — 誤った応答の再利用がどれだけ深刻か。医療・法務・金融のように誤回答が致命的な領域では、閾値を0.97以上に引き上げるか、そもそもキャッシュ禁止区域（No-Cache Zone）に設定します。 💰 **コスト感度（cost_sensitivity）** — LLM呼び出しコストの削減圧力がどれだけ強いか。コスト削減の圧力が強い場合でも、安全な領域の閾値だけを緩め、リスクの高い領域は厳格に保つ非対称戦略を取ります。 さらに、入力の信頼度が低い環境ではキャッシュポイズニングのリスクもあります。悪意あるクエリに対する応答がキャッシュされ、類似の正当なクエリに返されるという攻撃です。 💡 要点と詳細 閾値の設定は「全クエリに単一の値」ではなく、領域ごとに変えるのが鉄則です。 📊 目安値（コサイン類似度、出発点）: - 🟢 低リスクFAQ: 0.92〜0.94 — ヒット率重視、誤ヒットの影響が小さい - 🟡 中リスク業務（社内ヘルプデスク等）: 0.94〜0.96 — 精度と効率のバランス - 🔴 高リスク領域（医療・法務・金融）: 0.97以上、またはNo-Cache — 誤回答コストが極めて高い - ⛔ リアルタイムデータ依存（在庫・価格）: No-Cache推奨 — TTLを短くしてもタイミング問題が残る - 🔒 個人情報依存: No-Cache推奨 — 埋め込みベースのマッチングではユーザー分離が不完全 重要なのは、埋め込みモデルの選択が閾値の意味を変えるということです。同じコサイン類似度0.95でも、モデルによって意味的な粒度が異なります。モデルを変更したら閾値の再評価は必須です。 ⚖️ トレードオフ **閾値が高すぎる（ほぼヒットしない）場合:** - キャッシュ基盤のコストだけが追加され、LLMコストは削減されない - キャッシュ検索のオーバーヘッドで、キャッシュなしより遅くなる - ベクトルDBの運用コストに見合う効果が得られない **閾値が低すぎる（何にでもヒットする）場合:** - 「Pythonのリスト操作」と「Pythonの辞書操作」のように意図が異なるクエリに誤ヒット - ユーザーAの応答がユーザーBに返される可能性 - 陳腐化した情報（在庫・価格）が長期間再利用される - 時々正確で時々的外れな応答が返り、エージェント全体の信頼が損なわれる 🛠️ ユースケース 💬 **カスタマーサポートFAQ** — 「返品ポリシーは？」「返品の手順を教えて」のような表記揺れが多い質問群。閾値0.93前後で高いヒット率を実現しつつ、注文固有の質問はNo-Cache Zoneに分離します。 🏥 **医療情報アシスタント** — 症状や薬の情報を扱うため、誤回答のコストが極めて高い。閾値0.97以上に設定するか、キャッシュヒット後に軽量モデルで「この応答は現在のクエリに適切か」を再検証するハイブリッドアプローチを採用します。 📦 **ECサイトの在庫・価格問い合わせ** — リアルタイムデータに依存するため、No-Cache推奨。商品説明のような静的情報のみキャッシュ対象にし、価格・在庫は常に最新データを返します。 🔑 実践のコツ: ヒット率だけでなく誤ヒット率も継続的に計測してください。誤ヒットは「ユーザーが指摘しない限り気づかない」沈黙の品質劣化です。定期的にサンプル監査を行い、キャッシュヒットした応答の妥当性を検証する仕組みを入れましょう。 #AIエージェント# #ソフトウェアアーキテクチャ#

# ADKの便利で実践的な使い方 🔌 GitHub、Linear、Chroma、n8n — 既存のMCPサーバーをADKエージェントにそのまま統合できるMCP Toolsは、ツールエコシステムへの最速の接続手段です。 📌 タイトル：MCP Tools — MCPサーバーとの統合 🔗 URL： 🧩 概要 ADKのMcpToolsetは、Model Context Protocol（MCP）サーバーのツールを自動検出し、ADKエージェントのツールとして利用可能にします。Stdio、SSE、Streamable HTTPの3つのトランスポートに対応し、GitHub MCP、Linear MCP、Chroma MCP、n8n MCPなど、既存のMCPサーバーエコシステムをそのまま活用できます。GKEではサイドカーパターンでのデプロイも可能です。 🛠 使い方 各トランスポートでのMcpToolsetの設定例です。 Stdioトランスポートでは、` から `McpToolset` と `StdioServerParameters` をインポートし、`McpToolset(connection=StdioServerParameters(command="npx", args=["-y", "@modelcontextprotocol/server-github"], env={"GITHUB_TOKEN": "ghp_..."}))` のようにローカルプロセスとしてMCPサーバーを起動します。作成した `McpToolset` インスタンスを `Agent` の `tools` リストに渡すだけで、GitHub MCPサーバーのツールがエージェントから利用可能になります。 SSEトランスポートでは、`SseServerParams` を使い、`McpToolset(connection=SseServerParams(url="http://localhost:3001/sse"))` のようにリモートサーバーのSSEエンドポイントに接続します。 Streamable HTTPトランスポートでは、`StreamableHTTPServerParams` を使い、`McpToolset(connection=StreamableHTTPServerParams(url="http://localhost:3001/mcp"))` のように最新のHTTPベースで接続します。 🏗 実践的な使い方 **MCPサーバーの選択と組み合わせ**: プロジェクト管理にはLinear MCP、コード管理にはGitHub MCP、ベクトル検索にはChroma MCP、ワークフロー自動化にはn8n MCPを組み合わせることで、強力な開発支援エージェントを構築できます。 複数のMCPサーバーを組み合わせるには、GitHub用の `McpToolset` を `StdioServerParameters(command="npx", args=["-y", "@modelcontextprotocol/server-github"])` で、ベクトルDB検索用の `McpToolset` を `StdioServerParameters(command="uvx", args=["chroma-mcp"])` でそれぞれ作成し、両方を `Agent` の `tools` リストに `tools=[github_tools, chroma_tools]` として渡します。これにより、1つのエージェントからGitHub操作とChromaベクトル検索の両方が利用可能になります。 **GKEサイドカーパターン**: Kubernetes環境では、MCPサーバーをサイドカーコンテナとしてPodに配置し、localhostでStdio/SSE接続することで、ネットワーク遅延を最小化しつつセキュアな通信を実現できます。 **ツールの自動検出**: McpToolsetはMCPサーバーが公開するツールを自動検出するため、サーバー側でツールが追加された場合、ADK側のコード変更なしに新しいツールが利用可能になります。 💡 ユースケース 🐙 GitHub MCPでIssue/PR管理を自動化 📋 Linear MCPでプロジェクトタスクの追跡と更新 🔍 Chroma MCPでRAGベースの知識検索 🔄 n8n MCPでワークフロー自動化との連携 ⚠️ 注意点 - MCPサーバーのプロセス管理に注意してください。Stdioの場合、エージェント終了時にMCPプロセスも適切にクリーンアップする必要があります。 - MCPサーバーが公開するすべてのツールがエージェントに見えるため、不要なツールが多いとLLMの判断が複雑になります。 - 外部MCPサーバーのセキュリティ（認証トークンの管理、通信の暗号化）には十分注意してください。 ✨ MCP Toolsを使えば、豊富なMCPエコシステムのツールをADKエージェントにワンステップで統合できます。車輪の再発明をせず、既存のツールを最大限活用しましょう！ #ADK# #AIAgent#