弊社・安藤の登壇内容が、Findy Tools に掲載されました。 脳に良い生活習慣をサポートするアプリHugWayを支える ・AI が自走できるマイクロサービス設計 ・Dify を用いた AI リスクアセスメント について発表しています。 #マイクロサービス# #生成AI# #テオリアテクノロジーズ#

積極的なのになかなか提案が通らないエンジニアがいる。 「この2つのAPI、1つにまとめませんか？」とか「この処理Lambdaに切り出しませんか？」とか。 単体で見れば、別に悪くないんだけど、彼の提案が採用されることはあまりない。 そのAPIが複数のマイクロサービスから呼ばれているなら、呼び出し元の移行や後方互換の考慮が必要になる。 他の実行基盤があってデプロイや監視の仕組みまで整っているなら、そこだけLambdaにするとむしろ運用コストが増えてしまう。 つまり、「ゼロベースでの最適解」と「今この瞬間の最適解」は異なるということ。 既存のコードベースが今の形になったのには理由がある。過去の制約や当時の優先順位、途中での方針転換など。 それを踏まえずに案を出しても、良い課題解決にはならない。 その点、優秀なエンジニアほど理想論に逃げず、良い意味で「今できる最善」を考えているなと。 新しい技術や設計パターンを学ぶのと同じくらい、「今どうなっているか」「なぜそうなったか」を愚直に追う姿勢が大事。 座学に逃げないよう注意しなくては。

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 エージェントが長時間タスクの途中でクラッシュしたとき、最初からやり直しになっていませんか？ 永続実行統合を使えば、障害を跨いでエージェントの進行状況を保持し、中断したところから再開できます。 📌 タイトル：永続実行統合 🔗 URL： 🧩 概要 OpenAI Agent SDKは、複数の永続実行オーケストレーターとの統合をサポートしています。**Temporal**（永続的な長時間ワークフロー）、**Dapr**（CNCFベンダー中立オーケストレーター、自動障害回復）、**Restate**（軽量な永続エージェントフレームワーク、プロセス/コンテナ/サーバーレス対応）、**DBOS**（SQLite/Postgresベースのエージェント進行状況保存）の4つが公式に統合されています。いずれも標準の `Runner` インターフェースと連携し、Human-in-the-Loopパターン（一時停止・承認・再開）をサポートします。 🛠 使い方 ```python # Temporal統合の例 # pip install temporalio from temporalio.contrib.openai_agents import openai_workflow # Dapr統合の例 # Dapr CLIとランタイムをセットアップ後 # dapr run -- python agent_workflow.py # Restate統合の例 # pip install restate-sdk # Restateのドキュメントに従いエージェントをデプロイ # DBOS統合の例 # pip install dbos from dbos import DBOS # 各オーケストレーターの詳細は公式ドキュメントを参照: # Temporal: # Dapr: # Restate: # DBOS: ``` 🏗 本番システムへの組み込み方 ・長時間実行エージェント（リサーチ、データ処理）の障害耐性を確保する ・Human-in-the-Loopパターンで、承認待ちの間エージェントを一時停止し、承認後に再開する ・既存のオーケストレーション基盤（Temporal/Dapr）がある場合は、その上でエージェントを実行する ・サーバーレス環境ではRestateやDBOSで軽量にエージェントの永続性を実現する 💡 ユースケース 🔄 障害時の自動再開が必要な長時間リサーチエージェント ✅ 人間の承認ステップを含むワークフロー自動化 🏗 マイクロサービスアーキテクチャでのエージェントオーケストレーション 💾 エージェントの進行状況のチェックポイント保存 ⚠️ 注意点 各オーケストレーターは独自のインフラ要件（Temporalサーバー、Daprランタイム、Restateサービス、DBOSのDB）を持つため、運用コストと複雑さを考慮して選択してください。ベンダー中立を重視するならDapr（CNCF）やRestate、既存のワークフロー基盤があるならTemporal、最小構成で始めるならDBOSが適しています。統合の成熟度はそれぞれ異なるため、本番導入前に十分な検証を行ってください。 ✨ 永続実行統合で、エージェントを「落ちても止まらない」堅牢なシステムに進化させましょう。 #OpenAIAgentSDK# #AIAgent#

# ADKの便利で実践的な使い方 📜 OpenAPI/Swaggerの仕様書があれば、それだけでAPIをツール化できる — ADKのOpenAPI Toolsは、既存のREST APIを最小労力でエージェントに統合します。 📌 タイトル：OpenAPI Tools — OpenAPI仕様からの自動ツール生成 🔗 URL： 🧩 概要 ADKのOpenAPIToolsetは、OpenAPI（Swagger）仕様書からRestApiToolを自動生成します。各エンドポイントがそのままエージェントのツールになり、入力バリデーションも自動的に適用されます。`auth_scheme`と`auth_credential`を設定すれば、生成されたすべてのツールに認証が自動適用されるため、個別のツールごとに認証コードを書く必要がありません。 🛠 使い方 OpenAPI仕様からツールを自動生成する例です。 ` から `OpenAPIToolset` を、`google.adk.auth` から `APIKeyAuth` をインポートします。`OpenAPIToolset(spec_url="", auth_scheme=APIKeyAuth(header_name="X-API-Key"), auth_credential="your-api-key-here")` のように、OpenAPI仕様のURLと認証設定を渡してツールセットを作成します。認証は全ツールに自動適用されます。作成した `toolset` を `Agent` の `tools` リストに渡すだけで、各エンドポイントがエージェントのツールとして利用可能になります。 ローカルのOpenAPI仕様ファイルを使う場合: ローカルのOpenAPI仕様ファイルを使う場合は、` でYAMLファイルを読み込み、`OpenAPIToolset(spec_dict=spec, base_url="")` のように `spec_dict` パラメータに辞書として渡し、`base_url` でAPIのベースURLを指定します。 🏗 実践的な使い方 **既存APIの即座の統合**: 社内のマイクロサービスがOpenAPI仕様を公開していれば、コードを書くことなくエージェントのツールとして利用できます。API仕様の`description`フィールドがツールの説明として使われるため、仕様書の品質がそのままエージェントの精度に影響します。 複数のAPIを統合するには、ユーザーサービス用の `OpenAPIToolset(spec_url="https://user-service.internal/openapi.json", auth_scheme=APIKeyAuth(header_name="Authorization"), auth_credential="Bearer token123")` と注文サービス用の `OpenAPIToolset` をそれぞれ作成し、`Agent` の `tools` リストに `tools=[user_api, order_api]` として両方を渡します。各ツールセットに異なる認証情報を設定できるため、サービスごとのアクセス制御が可能です。 **入力バリデーションの活用**: OpenAPI仕様のスキーマ定義（required、type、enum等）に基づいて入力が自動バリデーションされるため、不正なAPI呼び出しを防げます。 **段階的な統合**: まずは読み取り専用のGETエンドポイントだけをツール化し、動作を確認してからPOST/PUT/DELETEを追加する段階的なアプローチが安全です。 💡 ユースケース 🏢 社内マイクロサービスのエージェント統合 🛒 ECサイトのAPI（商品検索、注文管理）のツール化 📊 データ分析APIの統合による自然言語クエリ 🔗 サードパーティSaaS APIの統合 ⚠️ 注意点 - OpenAPI仕様の`description`が不十分だと、LLMが適切なツールを選択できません。仕様書の品質を事前に確認してください。 - 認証情報（`auth_credential`）はハードコードせず、環境変数やSecret Managerから取得してください。 - エンドポイントが多すぎると、LLMのツール選択が不正確になります。必要なエンドポイントに絞ってToolsetを構成しましょう。 ✨ OpenAPI Toolsを使えば、API仕様書がそのままエージェントの能力になります。既存のAPIドキュメントを最大限に活かしましょう！ #ADK# #AIAgent#

# ADKの便利で実践的な使い方 🚀 ツールの並列実行、レスポンスサイズの最適化、レイテンシとトークンコストの削減 — ADKのTool Performanceガイドで、本番環境のスループットを最大化しましょう。 📌 タイトル：Tool Performance — ツール実行の最適化手法 🔗 URL： 🧩 概要 ADKではツールのパフォーマンスを最適化するための複数のアプローチが提供されています。読み取り専用ツールの並列実行、レスポンスサイズの削減によるトークンコスト最適化、そしてレイテンシ削減のためのベストプラクティスがあります。本番環境で高いスループットを実現するためには、これらの最適化が不可欠です。 🛠 使い方 並列実行とレスポンス最適化の例です。 まず、読み取り専用のツールを複数定義します。`get_user_profile(user_id: str)`、`get_user_orders(user_id: str)`、`get_user_preferences(user_id: str)` のように副作用のない関数を用意すると、ADKはこれらを並列に実行できます。次に、レスポンスサイズを削減するツール設計として `search_products(query: str, limit: int = 5)` を定義し、戻り値では `id`、`name`、`price` など必要なフィールドのみを返し、画像URLや説明文全文、メタデータ等は省略します。最後に `Agent` を `name="customer_service"`、`model="gemini-2.5-flash"` で作成し、`tools` リストにこれら4つの関数を渡します。 🏗 実践的な使い方 **並列実行の判断基準**: 副作用がなく、互いに依存しないツールは並列実行が安全です。LLMは複数のツールを同時に呼び出すことができ、ADKがそれらを並列に実行します。データの取得系ツール（GET相当）は並列実行の良い候補です。 並列実行に適した設計として、互いに独立した `get_weather(city: str)`、`get_news(topic: str)`、`get_stock_price(symbol: str)` のようなツールを定義します。各ツールはそれぞれ天気情報、ニュース記事、株価をdictで返すだけの読み取り専用関数です。LLMがこれら3つを同時に呼び出すと、ADKが自動的に並列で実行します。 **レスポンスサイズの最適化**: ツールの戻り値はLLMのコンテキストウィンドウを消費します。不要なフィールドの除外、データの要約、ページネーションの実装でトークンコストを大幅に削減できます。 **レイテンシ最適化のチェックリスト**: 1. キャッシュ可能な結果はキャッシュする 2. 外部API呼び出しにタイムアウトを設定する 3. 不要に大きなデータを返さない 4. 複数の小さなツールに分割して並列実行を促す 💡 ユースケース 📊 ダッシュボード用の複数データソース並列取得 🔍 検索結果のフィールド絞り込みによるトークン節約 ⚡ マイクロサービス間の並列API呼び出し 💰 大量リクエスト環境でのトークンコスト最適化 ⚠️ 注意点 - 副作用のあるツール（書き込み・削除）を並列実行すると、競合状態が発生する可能性があります。書き込み系ツールは逐次実行を推奨します。 - レスポンスを削減しすぎると、LLMが十分な情報を得られず、ユーザーへの回答品質が低下する場合があります。必要な情報は確実に含めてください。 - ツールのタイムアウトが短すぎると、正常なレスポンスも中断される可能性があります。適切なタイムアウト値を設定しましょう。 ✨ 小さな最適化の積み重ねが、本番環境での大きなパフォーマンス差を生みます。まずはレスポンスサイズの見直しから始めてみましょう！ #ADK# #AIAgent#

金色マイクロビキニ20枚 - 【Kかっぷ】とろ角煮食堂本店🍚【ほぼ毎日更新中】 300円で載せてる写真ぜーんぶ見れます　今日は寒かったのでサービス（？）

# Snowflakeの機能と実践的な使い方 🚀 「ストレージとコンピュートが分かれている」とよく言われるSnowflakeですが、その意味を正しく理解すると、コスト・性能・同時実行の議論がすべてスッと腑に落ちます。今回はSnowflakeの土台である3層アーキテクチャを掘り下げます。 📌 タイトルと機能のURL タイトル: Key Concepts and Architecture URL: 📝 概要 Snowflakeはクラウドネイティブに設計されたSQLデータプラットフォームで、ハードウェア管理やソフトウェア導入が不要なフルマネージドサービスです。アーキテクチャはシェアードディスクとシェアードナッシングの利点を組み合わせたハイブリッド構成で、「データベースストレージ」「クエリ処理(コンピュート)」「クラウドサービス」の3層から成ります。この3層が互いに独立してスケールするのが最大の特徴です。 🔧 機能の説明 3層それぞれの役割は次の通りです。 ・データベースストレージ層: 取り込んだデータを内部最適化された圧縮列指向フォーマットに再編成し、マイクロパーティション(連続したストレージ単位)に分割して保管します。データの物理的な格納方法はSnowflakeが完全に管理し、ユーザーはSQLでのみアクセスします。 ・コンピュート層(Virtual Warehouse): クエリを実行する計算リソースのクラスタです。各ウェアハウスはMPP(超並列処理)で独立して動き、あるウェアハウスの負荷が他のウェアハウスの性能に影響しません。 ・クラウドサービス層: 認証・アクセス制御、メタデータ管理、クエリの解析と最適化、インフラ管理など、全体を統括する頭脳にあたります。 ストレージは中央に1つ共有され(シェアードディスクの利点)、処理は分散ノードで行われる(シェアードナッシングの利点)、というのが核心です。 🛠 実践的な使い方 この分離モデルを前提に、ワークロードごとにコンピュートを分けて設計するのが第一歩です。 ・ETL用、BIダッシュボード用、データサイエンス用にそれぞれ別のVirtual Warehouseを用意します。ストレージは1つを共有しているため、データを多重化することなく同じテーブルを各ウェアハウスから参照できます。 ・夜間バッチが重くても、別ウェアハウスで動くBIクエリは影響を受けません。負荷干渉を「構造的に」排除できます。 ・テーブル種別はSnowflake標準テーブルのほか、外部クラウドストレージ上のApache Icebergテーブル、トランザクション向けのHybrid Tableも選べます。 🎯 ユースケース ・夜間ETLバッチでBIダッシュボードが遅くなる問題を、ウェアハウス分離で根本解決する。 ・データサイエンスチームの探索的クエリを専用ウェアハウスに隔離し、本番分析への影響を防ぐ。 ・部門ごとにウェアハウスを分けてコストを可視化・配賦する。 ⚠️ 注意点 ・コンピュートは起動中のみクレジットを消費します。ストレージ課金とは別計算なので、両者を分けて見積もります。 ・ストレージが共有でも、アクセス権限はクラウドサービス層のRBACで別途制御する必要があります。共有=誰でも見られる、ではありません。 ・「分離」はあくまで論理設計の話です。ウェアハウスを闇雲に増やすと管理対象が増えるため、ワークロード単位での適切な分割を心がけます。 #Snowflake# #DataWarehouse#

マイクロスリーパー堀、1日目からフラフラ！→「今日昼30分も寝落ちしただろ甘えんなよ堀」とツッコミも 本人の「夜は寝ない」宣言と周囲の疑いが、初日からぶつかっています。