考えさせられるなぁ🤔 中国経済 : 所得の低い地域のユーザーほど、自撮りの編集が激しいとの研究結果(四川大学と香港理工大学の研究チーム) 経済的な不平等が人々の機会を制限するだけでなく、最終的には「顔のあり方」という身体的イメージまで影響してしまっている 内陸・低所得地域ほど大幅編集が目立ち、特に目の拡大・輪郭の軟化・肌の白さなど、編集の方向性は「赤ちゃん顔(baby schema）」を強調している 一方で、北京・上海・広東・浙江など発展地域では微調整or原図寄り 非現実的なほどに加工された自撮り写真を見かけたら、こう考えてみてください。 もしかしたら、その女の子は虚栄心が強いのではなく、一人当たりのGDPが十分高くない地域に住んでいるだけなのかもしれません。

動画配信基盤の最適化メモ 1. GOPアライメントによる分割アップロードで部分的な再開を可能にし、レジリエンスを向上 2. CDNをアップロードセンターとして活用し、ユーザーとの物理的距離を短縮 3. 処理間の依存関係を整理した疎結合なシステムで並列度を最大化

# 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#

# 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#

企画でもなんでもないのですが、入力したキャラのX風SNSのアカウントが表示できるGPT画像生成用プロンプト良かったら使ってください☺️ イラスト1枚をアップして以下のプロンプトで生成してみてくださいね。 -------- 添付画像のキャラクターを分析し、 このキャラ本人が実際に使っていそうな 「SNSプロフィール画面（X風）」 を生成してください。 🔖 入力項目（ユーザーが入力する部分） キャラ名：【キャラ名】 読み方：【読み方】 職業・立場：【職業（例：高校生／OL／冒険者／魔法使い／アイドルなど）】 任意：性格・個性：【キャラの雰囲気や口調の方向性（例：明るい／おっとり／ツンデレ／人見知り など）】 ※性格欄は空欄でも構いません。 ※入力がある場合は、プロフィール文に“要素を抽出して短くアレンジ”して反映し、 　投稿文の口調・距離感・絵文字の癖にも反映してください。 ※性格欄の文章をそのままプロフィールに出さないこと。 🧩 生成する内容 ① プロフィール画面（X風UI） アイコン（参照画像の雰囲気を反映） ヘッダー画像（職業・世界観に合う“らしい”画像をAIが選ぶ） 表示名（キャラ名） ユーザーID（前半はそれっぽく、後半は「●」「×」「＊」「□」などでモザイク処理） 例：@ao_mo●●●●、@mio_ch×× プロフィール文（性格欄の内容を“短くアレンジ”して反映） 例：性格欄が「おっとりで優しい性格」→「おっとり気味ののんびり屋です🌿」 絵文字の使い方もキャラ性に合わせる フォロー数・フォロワー数（職業に応じて自然な数値） ② 固定ポスト（1件） キャラの“らしさ”が最も出る投稿。 ③ 直近の投稿（3〜5件） 性格欄の内容を 口調・語尾・絵文字・距離感 に反映 参照画像＋職業＋性格から読み取れる生活感・感情の癖を反映 「このキャラなら本当にこういう投稿しそう」な内容にする ④ キャラが投稿した画像（1〜2枚） キャラの性格・趣味・職業から自然に想像できる写真 自撮り／風景／食べ物／趣味の写真など 投稿文との相性も考慮 参照画像の雰囲気を壊さない範囲でAIが選ぶ ⑤ おすすめユーザー（3人程度） 表示名は 「ありそうでなさそうな架空の名前」 IDは前半だけ“それっぽく”、後半は必ず伏字でモザイク処理 プロフィール文は短く、キャラ性を感じる一言 実在ユーザーと一致しないようにする ⚠ 重要ルール（破綻防止＆安全性） 性格欄の文章をそのままプロフィールに出さない。 → 必ず“要素を抽出して短くアレンジ”する。 投稿文には性格欄の内容を反映してよい。 キャラ名の読み方は【読み方】欄を絶対に優先し、 一般的な読みに勝手に変換しないこと。 ID・おすすめユーザーIDは必ず伏字を含め、実在ユーザーと一致しないようにする。 テンプレ文禁止。キャラ固有の人格を最優先。 職業によって文体・生活感・投稿内容が変わるようにする。 顔と雰囲気は参照画像を維持。 アスペクト比 9:16。

【8月20日 朝のニュースまとめ】 ・GoogleとMarvellがAIチップ協業を拡大 ・ReplitがGPT-5.6 Luna搭載のFree Modeを提供開始 ・Qwen3.8-27BのGGUF版公開、精度10%向上 ・SpaceXがCognition買収を打診するも拒否される ・OpenAIがビジネス向けPrivate Safety Processingを発表 ・Nebius GroupがAIデータセンター構築へ45億ドル調達 ・AIを宿題に使うと試験のスコアが下がる研究結果 ・Gemini 3.7 FlashがGoogle検索に統合 ・OpenAI学習停止の背景に高度なサイバー能力か === GoogleとMarvellがAIチップ協業を拡大【続報】 ・GoogleとMarvellによるAIチップ共同開発に関する続報です ・AI推論アクセラレータなどのカスタムシリコンパートナーシップを拡大したと報じられました ・GoogleはMarvellに対して最大122億ドル相当の株式購入ワラントを取得したとのことです ・AIインフラの需要が高まる中、Googleが半導体分野での存在感をさらに強めています === ReplitがGPT-5.6 Luna搭載のFree Modeを提供開始 ・ReplitがOpenAIのGPT-5.6 Lunaを搭載したFree Modeの提供を開始しました。 ・従来と比較して能力が約30倍向上したとされており、プロンプトの節約を気にせず開発に集中できるようになります。 ・Lunaモデルのコストパフォーマンスの高さと、AI開発環境の民主化を推し進める動きとして高く評価されています。 === Qwen3.8-27BのGGUF版公開、精度10%向上【続報】 ・Qwen3.8-27Bに関する続報です ・Unsloth Dynamic v3を用いたGGUF版がリリースされ、精度が10%向上したことが報告されました ・また、先日公開された1-bit量子化版はわずか8GBのRAMで動作し、BF16と比較して77%の精度を維持しているとのことです ・ローカル環境での高性能モデルの実行ハードルを大きく下げる成果として注目を集めています === SpaceXがCognition買収を打診するも拒否される ・SpaceXがAIコーディングスタートアップのCognition AIに買収を打診したものの、断られたと報じられています ・SpaceXはすでにCursorを買収しており、エンタープライズAI分野での競争力強化を急速に進めています ・現在は買収交渉は行われていないものの、SpaceXの計算資源の提供など、両社による協業の可能性が議論されているとのことです === OpenAIがビジネス向けPrivate Safety Processingを発表 ・OpenAIがビジネス向けの新たなプライバシー保護機能「Private Safety Processing」のプレビューを発表しました。 ・企業データの保持を行わない「Zero Data Retention」を維持しつつ、安全ガードレールを向上させる仕組みです。 ・AIがより自律的で長期的なタスクを担うようになる中で、機密データの制御と安全性の両立を図る重要なアップデートとなります。 === Nebius GroupがAIデータセンター構築へ45億ドル調達 ・Nebius Groupが転換社債の発行により45億ドルを調達する計画を発表しました。 ・急増するAIの計算需要に応えるため、データセンターの構築と拡張に資金を充てる予定です。 ・AIインフラストラクチャ市場における投資競争が引き続き過熱していることを示しています。 === AIを宿題に使うと試験のスコアが下がる研究結果 ・AIを宿題に使用した生徒の成績に関する新たな研究結果が話題になっています。 ・AIを使用した生徒は6ヶ月間で宿題のスコアが18%向上したものの、試験ではAIを使用しなかった生徒より20%低いスコアになりました。 ・AIへの過度な依存が学習効果に悪影響を及ぼす可能性を示すデータとして注目されています。 === Gemini 3.7 FlashがGoogle検索に統合【続報】 ・Gemini 3.7 Flashに関する続報です ・同モデルがGoogle検索に統合され、指示追従性とユーザーの意図理解がさらに向上しました ・300-350 tokens/sという非常に高速な出力速度を維持しており、引き続き高い評価を集めています === OpenAI学習停止の背景に高度なサイバー能力か【続報】 ・OpenAIによるフロンティアモデルの学習一時停止に関する続報です ・高度なサイバー能力に直面したことが一時停止の引き金になったと報じられています ・これを受け、安全基準のあり方が問われています ・開発者の間では、独立機関による監視の必要性や、競合モデルの動向を伺っているのではないかといった議論が交わされています

# ADKの便利で実践的な使い方 ✋ 「本当にこのメールを送信しますか？」— ADKのAction Confirmationsは、不可逆な操作の前にユーザー確認を挟む、安全なエージェント構築のための仕組みです。 📌 タイトル：Action Confirmations — 不可逆操作の事前確認 🔗 URL： 🧩 概要 ADKのAction Confirmationsは、メール送信、データ削除、決済処理など、取り消しが困難な操作の実行前にユーザーの明示的な承認を求める機能です。エージェントが「送信してよいですか？」と確認し、ユーザーが承認した場合のみ実行されます。これにより、自律的なエージェントでありながら、重要な判断ポイントでは人間のコントロールを維持できます。 🛠 使い方 確認付きツールの定義方法です。 確認付きツールを定義するには、`google.adk` から `Agent` と `ToolContext` をインポートします。`send_email(to: str, subject: str, body: str, tool_context: ToolContext)` 関数では、実際の送信前に `tool_context.actions.request_confirmation(message=...)` を呼び出し、宛先・件名・本文のプレビューを含む確認メッセージを表示します。ユーザーが承認した場合のみ、メール送信処理が実行されます。同様に `delete_records(table: str, condition: str, tool_context: ToolContext)` では、削除対象の件数を事前にカウントし、確認メッセージに件数を含めてユーザーに承認を求めます。これらのツールを `Agent` の `name="admin_assistant"`、`model="gemini-2.5-flash"` に `tools` として渡します。 🏗 実践的な使い方 **確認が必要な操作の判断基準**: 以下の操作には確認を付けることを推奨します。 - 外部への送信（メール、メッセージ、API呼び出し） - データの変更・削除 - 課金が発生する操作 - 権限変更やアクセス制御の変更 決済処理の例として `process_payment(amount: float, currency: str, recipient: str, tool_context: ToolContext)` を定義します。この関数では `tool_context.actions.request_confirmation(message=...)` で送金先・通貨・金額を含む確認メッセージを表示し、ユーザーの承認後に `payment_gateway.charge(amount=..., currency=..., recipient=...)` を実行して決済を処理します。 **確認メッセージの設計**: 確認メッセージには、操作の対象・影響範囲・不可逆性を明確に記載します。ユーザーが判断に必要な情報を過不足なく提供しましょう。 **段階的な確認**: 複数のステップがある場合、各ステップで確認を取るか、最終ステップでまとめて確認するかを設計します。ユーザー体験とのバランスを考慮してください。 💡 ユースケース 📧 メール・メッセージの送信確認 🗑️ データベースレコードの削除確認 💳 決済・送金の実行確認 🔐 権限変更・アクセス制御の変更確認 ⚠️ 注意点 - 確認が多すぎるとユーザー体験が悪化します。本当に不可逆な操作に絞って確認を設定してください。 - 確認メッセージが不十分だと、ユーザーが適切な判断を下せません。操作の影響を具体的に記載しましょう。 - バッチ処理や自動化パイプラインでは確認がボトルネックになります。自動化が必要な場面では確認をスキップする設計も検討してください。 ✨ Action Confirmationsを適切に設定することで、エージェントの自律性と人間の安全管理を両立できます。「取り返しのつかない操作」にだけ確認を入れるのがコツです！ #ADK# #AIAgent#

# 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 # ツール露出数｜Tool Exposure 🎯 ポイント エージェントに使えるツールを「とりあえず全部渡す」設計になっていませんか？ 実はLLMが一度に見渡せるツール数には認知的な限界があり、10〜20が安定ゾーン、30を超えると選択精度が有意に落ちます。ツールが多いほどモデルは「正しいツールを選ぶ」という認知負荷に晒され、誤選択やトークン浪費が増えていきます。SaaS連携が増えるエンタープライズ環境では、この制御が品質の生命線です🎛️ 📋 概要 ツール露出数とは、エージェントに一度に見せるツール（関数・API）の数を制御する程度のことです。多すぎるとモデルの選択精度が落ち、少なすぎるとユーザーの要求に応えられません。「どんな要求にも対応できる」と「正確にツールを選べる」は本質的にトレードオフの関係にあり、業務ドメインやユースケースに応じて意図的に設計する必要があります。ツールの「量」だけでなく、ツール説明（description）の「質」も選択精度に直結する点を見落とさないでください。 🔍 意思決定のポイント このダイヤルは「ツール数の規模」と「ツール説明の品質」の2軸で決めます。 ツール数が10〜20 → 静的定義で十分。グルーピングで管理可能 ツール数が20〜30 → ドメイン別のサブエージェント分割を検討 ツール数が30超 → Tool RAG（動的選択）またはルーター＋サブエージェント＋Tool RAGのハイブリッド構成が必須 ツール数を減らす前に、まずツール説明の品質を見直すことが重要です。名前が動詞＋名詞で一意か、「いつ使うか・使わないか」が明記されているか、引数の型・制約・デフォルト値が明示されているか。ここが曖昧だとツールを絞っても誤選択は減りません⚡ 💡 要点と詳細 ツール数が増えた場合の3つの対処パターンがあります： Tool RAG（動的選択） — ユーザーの発話をベクトル検索し、関連ツール上位N件だけをプロンプトに注入します。SalesforceやServiceNowのようにAPIが数百に及ぶSaaS連携では必須に近い手法です。 サブエージェント分割 — 業務ドメインごとにサブエージェントを分け、ルーターが振り分けます。「人事系（Workday）」「ITヘルプデスク（ServiceNow）」「営業支援（Salesforce）」のように明確に分割できるケースで有効です。 ハイブリッド — ルーターでドメイン分割した上で、各サブエージェント内でもTool RAGを使う二段構成です。超大規模統合で採用されます。 計測すべき指標は、ツール選択正答率（正しいツールが呼ばれた割合）、ツール未選択率（適切なツールがあるのに「できません」と回答した割合）、誤選択によるエラー率、そしてツール説明のトークン消費量です。ツール説明がコンテキストの20%を超えたら、Tool RAGへの移行を本格検討してください📊 ⚖️ トレードオフ ツールを多く公開しすぎると、モデルの選択精度が低下します。名前や説明が似たツールが増えるほど誤選択の頻度が上がり、ツール説明のトークン消費がコンテキスト予算を圧迫します。ユーザーの要求に対応できる幅は広がりますが、「間違ったツールを選ぶ」リスクが確実に増大します😰 一方、ツールを絞りすぎると、ユーザーが「できるはずのこと」を断られる場面が増えます。体験品質が低下し、エージェント導入の価値が問われます。さらにツール追加のたびに分割設計の見直しが必要になり、開発速度も落ちます。重要なのは選択正答率90%を維持しつつ、fallback率5%以下を目指すバランスです⚠️ 🛠️ ユースケース Slack社内統合ボット：初期はITヘルプデスク（5ツール）から始め、HR・経費・施設と段階的に追加します。15ツールを超えた時点でTool RAGを導入し、選択精度を維持します。最終的に30ツール超の統合も、ルーター＋Tool RAGのハイブリッドで安定運用できます📚 Zendesk顧客対応エージェント：FAQ検索・チケット作成・ステータス確認・エスカレーションの4ツールに絞り、選択精度95%以上を維持します。顧客対応では誤ったツール呼び出しが直接的な体験毀損につながるため、少数精鋭が正解です🎯 Jira＋Confluence＋GitHub開発支援：各サービス5〜8ツール、合計20前後。サービスごとにサブエージェントを分割し、ルーターが「これはJiraの話か、GitHubの話か」を判断して振り分けます。ツール追加は該当サブエージェント内で完結するため、他に影響を与えません🔧 実践のコツ：ツール選択正答率が90%を下回ったらツール数の削減かTool RAG導入を検討し、新ツール追加のたびに既存ツールとの名前・説明の重複をチェックしてください。調整は週次のeval結果をもとに行い、一度に大幅な変更は避けるのが安全です💪 #AIエージェント# #エンタープライズアーキテクチャ#