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 互换便利
互换便利 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
互换便利 を含む検索結果
# OpenAI Agent SDKの便利だけど知られていない機能 🌍 エージェントの会話履歴に機密情報が含まれているのに、平文で保存していませんか? EncryptedSessionを使えば、会話データをFernet暗号化で保護し、TTLによる自動失効も設定できます。 📌 タイトル:暗号化セッション (EncryptedSession) 🔗 URL: 🧩 概要 `EncryptedSession` は、任意のセッションバックエンドを `underlying_session` としてラップし会話データを暗号化するドロップインラッパーです。Fernet暗号化を採用し、HKDF(info 文字列 `"agents.session-store.hkdf.v1"`、salt は session_id)によるセッションごとの鍵導出でセッション間の暗号分離を実現します。`ttl`(既定 600 秒)を超えた項目は取得時に自動的にスキップされます。マスターキーには `Fernet.generate_key()` などの高エントロピーな値を使います(生の文字列も互換性のため受け付けますが、パスワードのような低エントロピーの秘密は不適切です)。 🛠 使い方 ```python import os from cryptography.fernet import Fernet from agents import SQLiteSession from agents.extensions.memory import EncryptedSession # 基底セッションを暗号化でラップ base_session = SQLiteSession("chat-001", "sessions.db") # マスターキーは Fernet.generate_key() などの高エントロピーな値を使う encryption_key = Fernet.generate_key().decode("ascii") encrypted = EncryptedSession( session_id="chat-001", underlying_session=base_session, encryption_key=encryption_key, ttl=3600, # 1時間で失効(既定は 600 秒) ) # 永続化する場合は同じキーを Secret Manager 等から読み込んで再利用する encrypted = EncryptedSession( session_id="chat-001", underlying_session=base_session, encryption_key=os.environ["SESSION_ENCRYPTION_KEY"], ttl=7200, ) # 通常のセッションと同じインターフェースで利用可能 items = await encrypted.get_items() ``` 🏗 本番システムへの組み込み方 ・医療・金融など規制業界のコンプライアンス要件に対応する ・HKDFによりセッションごとに異なる暗号鍵が導出されるため、1セッションの漏洩が他に波及しない ・TTLを設定して、一定期間後に復号不能にする「暗号学的データ消去」を実現する ・既存のSQLiteSession / RedisSession等をそのままラップでき、移行コストが極めて低い 💡 ユースケース 🏥 医療情報を含む会話の暗号化保存 🏦 金融データを扱うエージェントのセキュリティ強化 🔐 GDPRの「忘れられる権利」対応(TTL失効) 🛡 マルチテナント環境でのセッション間データ分離 ⚠️ 注意点 利用には `pip install 'openai-agents[encrypt]'` で `encrypt` extra をインストールしてください。暗号化されたデータに対しては `find_turns_by_content()` などの内容検索が機能しません。検索が必要な場合は検索用のインデックスを別途管理する必要があります。また、暗号鍵を紛失するとデータが復元不能になるため、鍵の安全な管理(Secret Manager等)が必須です。`encryption_key` を変更しても既存レコードは再暗号化されないため、古いデータの復号には元のキーが必要です。 ✨ EncryptedSessionで、会話データの保護をコード1行で実現しましょう。 #OpenAIAgentSDK# #AIAgent#
もっと見る
# ADKの便利で実践的な使い方 🔀 プロンプトだけでエージェントの実行フローを制御するのは不安定になりがちです。ADKのGraph Workflowsなら、ノードとエッジでワークフローを明示的に定義し、AIノードと関数ノードを自在に組み合わせられます! 📌 タイトル:Graph Workflows — ノードとエッジによる明示的なワークフロー定義 🔗 URL: 🧩 概要 Graph Workflowsは、`Workflow`クラスの`edges`パラメータでノードの接続関係を定義し、実行フローを構築する仕組みです。AIエージェントノード、関数ノード、ツールノード、ネストされたWorkflowを混在させることができます。ルーターノードが`Event(route=...)`を返すことで辞書ベースの条件分岐が可能になり、「プロンプトに頼らない予測可能な制御フロー」を実現します。 🛠 使い方 基本的なGraph Workflowの構成です。 `google.adk` から `Workflow` と `Event` をインポートします。ルーター関数 `process_message` は `node_input` の内容に応じて `Event(route="BUG")`、`Event(route="LOGISTICS")`、または `Event(route="CUSTOMER_SUPPORT")` を返します。各ルートに対応する関数(`response_bug`、`response_support`、`response_logistics`)はそれぞれ `Event(output=...)` で応答メッセージを返します。 `Workflow` の `name="support_router"` で、`edges` に2つのタプルを定義します。1つ目は `("START", process_message)` で開始ノードからルーターへ接続し、2つ目は `process_message` の出力を `{"BUG": response_bug, "CUSTOMER_SUPPORT": response_support, "LOGISTICS": response_logistics}` の辞書で各ハンドラーに振り分けます。 順次実行のシンプルなチェーンも定義できます。 `Workflow` の `edges` にタプル `("START", agent1, function1, agent2, function2)` を1つ渡すことで、ノードを順次接続するシンプルなチェーンを定義できます。 🏗 実践的な使い方 **AIフリー関数チェーン + AIノードの混在**: データの前処理や後処理はPython関数で行い、判断が必要な部分だけAIエージェントノードを使います。これによりLLMの呼び出し回数を最小限に抑え、コストと遅延を削減できます。 関数ノード `extract_data` は `json.loads(node_input)` でデータを解析し `Event(output=parsed["content"])` を返します(AI不要)。`LlmAgent` の `analyzer` がデータの分析と要約を行い、関数ノード `format_output` が `Event(output=f"## 分析結果\n{node_input}")` でフォーマットします(AI不要)。 `Workflow` の `name="hybrid_pipeline"` で `edges=[("START", extract_data, analysis_agent, format_output)]` と定義し、関数ノードとAIノードを混在させたハイブリッドパイプラインを構築します。 **カスタマーサポートの自動振り分け**: 問い合わせ内容をルーター関数で分類し、適切な対応エージェントに振り分けます。分類ロジックがコードで明示されているため、動作の予測と検証が容易です。 💡 ユースケース 📨 問い合わせの自動分類・振り分け(バグ/サポート/配送) 🔧 前処理(関数)→ 分析(AI)→ 後処理(関数)のハイブリッドパイプライン 🏭 ETLパイプラインのAI組み込み(抽出は関数、変換にAIを活用) 🔀 ルーティングロジックの明示化によるテスタビリティ向上 ⚠️ 注意点 - ライブストリーミング機能はGraph Workflowsと互換性がありません。 - 一部のサードパーティ連携はGraph Workflowsをサポートしていない場合があります。 - ルーターの辞書にないrouteキーが返された場合のエラーハンドリングを考慮してください。 - ノードは1回の実行で1つの`Event.output`のみを出力できます。 ✨ Graph Workflowsは、AIノードと関数ノードをノードとエッジで明示的に結合し、プロンプトだけに頼らない予測可能なエージェントパイプラインを構築します。コスト効率と信頼性を両立したい場面でぜひ活用してください! #ADK# #AIAgent#
もっと見る
# ADK 2.0の便利だけど知られていない機能 🌍 クラウドAPIに依存せず、手元のマシンやエッジデバイスでLLMを動かしてエージェントを構築できたらと思いませんか? ADK 2.0は、LiteRT-LM・vLLM・Ollamaを使ったローカルホスティングやセルフホスティングに対応しており、クラウド非依存のエージェント構築が可能です。 📌 タイトル:LiteRT-LM / vLLM / Ollama によるローカル・自前ホスティング 🔗 URL: 🧩 概要 LiteRT-LMは、エッジプラットフォーム向けに最適化されたC++ベースの推論ライブラリです。`lit pull`でモデルをダウンロードし、`lit serve`でローカルサーバーを起動するだけで、ADKエージェントからローカルモデルを利用できます。ADK側は`base_url`パラメータでローカルエンドポイントを指定するだけです。同様の仕組みで、vLLMやOllamaでホスティングしたモデルも利用可能です。 🛠 使い方 LiteRT-LMの場合、まずモデルのダウンロードとサーバー起動を行います。 ```bash # モデルのダウンロード lit pull gemma3n-e2b # ローカルサーバーの起動 lit serve --port 8001 ``` ADKエージェントからは`base_url`を指定して接続します。 ```python from google.adk.agents import Agent from google.adk.models import Gemini agent = Agent( name="local_agent", model=Gemini( model="gemma3n-e2b", base_url="http://localhost:8001", ), instruction="ローカルモデルでタスクを処理してください", ) ``` デバッグ時には`--verbose`フラグを使用してリクエスト/レスポンスの詳細を確認できます。 🏗 本番システムへの組み込み方 ・エッジデバイスでの推論にはLiteRT-LMを使い、レイテンシとプライバシーを最適化する ・GPU サーバーでの高スループット推論にはvLLMを活用する ・開発・プロトタイピングにはOllamaで手軽にモデルを試す ・ローカルサーバーのヘルスチェックとリソース監視を組み込み、安定稼働を確保する 💡 ユースケース 🏥 患者データを外部に送信できない医療現場でのオンプレミスAI 🏭 工場のエッジデバイスでのリアルタイム品質検査 🔐 機密情報を扱う環境でのデータ主権の確保 ✈️ ネットワーク接続が不安定な環境でのオフライン対応エージェント ⚠️ 注意点 ローカルモデルはクラウドの大規模モデルと比較して性能が劣る場合があります。エッジデバイスではメモリやコンピュート制約に注意し、モデルサイズを適切に選択してください。LiteRT-LMはC++ライブラリのため、プラットフォームごとのビルド互換性を事前に確認する必要があります。また、モデルの更新やバージョン管理はクラウドAPIと異なり手動で行う必要があります。 ✨ ローカルホスティングにより、プライバシー・レイテンシ・オフライン対応のすべてを満たすエージェントを構築できます。用途に応じてLiteRT-LM・vLLM・Ollamaを使い分けてください。 #ADK# #AIAgent#
もっと見る
# Claude Agent SDKの便利で実践的な使い方 📝 プリセット・追記・完全置換の3段階でシステムプロンプトを柔軟にカスタマイズできます。 システムプロンプトの変更は、`systemPrompt` で Claude Code プリセット・追記(append)・カスタム文字列の3段階のカスタマイズを提供する機能です。 📌 タイトル:システムプロンプトの変更 🔗 URL: 🧩 概要 `preset: "claude_code"` で Claude Code 完全版プロンプト、`append` で既存プリセットへの追記、カスタム文字列で完全置換が可能です。出力スタイルファイルで CLI/SDK 横断のペルソナ再利用もできます。 🛠 使い方 `system_prompt` に3つの形式を指定できます。プリセット使用は `{"type": "preset", "preset": "claude_code"}`、追記は `"append": "追加指示"` を加え、完全置換は文字列を直接渡します。`excludeDynamicSections: true` でプロンプトキャッシュのクロスセッション共有が可能です。 🏗 実践的な使い方 ・コーディングエージェントには `preset: "claude_code"` で完全版プロンプト(ツールガイダンス・安全ルール)を利用します。 ・`append` で「Python には必ず docstring と型ヒントを付ける」等のチーム規約を追記します。何も削らない最もリスクの低いカスタマイズです。 ・サポートボット・データ分析アシスタントなど独自ペルソナにはカスタム文字列で完全置換します。 ・`excludeDynamicSections: true` でプロンプトキャッシュをユーザー/マシン横断で共有し、フリートのコストを削減します。 💡 ユースケース 🤖 Claude Code 互換のコーディングエージェント 📋 チーム規約の自動適用 🎭 独自ペルソナのカスタムエージェント ⚠️ 注意点 カスタム文字列で完全置換する場合は、ツールガイダンスと安全命令を自前で用意する必要があります。`excludeDynamicSections` は TS v0.2.98+ / Python v0.1.58+ で利用可能です。 #ClaudeAgentSDK# #AI#
もっと見る
# ADK 2.0の便利だけど知られていない機能 🌍 AIエージェントが画像やPDFなどのバイナリデータを扱う際、ファイル管理が煩雑になっていませんか? ADK 2.0のアーティファクト管理は、エージェントが生成・利用するバイナリデータ(画像、PDF、音声など)をファイル名で識別し、自動バージョニングで管理する仕組みです。 📌 タイトル:アーティファクト管理 🔗 URL: 🧩 概要 アーティファクトは、エージェントのセッション内で生成・保存されるバイナリデータを統一的に管理する機能です。`google.genai.types.Part`のinline_data(データバイト列 + MIMEタイプ)として表現され、ファイル名で識別されます。保存のたびに自動的にバージョン(0, 1, 2...)が付与され、変更履歴を追跡できます。スコープはセッション単位(デフォルト)またはユーザー単位(`user:`プレフィックス)を選択可能です。 🛠 使い方 `context`オブジェクトを通じて、アーティファクトの保存・読込・一覧を操作します。 ```python from google.genai import types # アーティファクトの保存 image_part = types.Part(inline_data=types.Blob( data=image_bytes, mime_type="image/png" )) version = "report_chart.png", image_part) # アーティファクトの読込 artifact = context.load_artifact("report_chart.png") # アーティファクト一覧の取得 artifact_names = context.list_artifacts() ``` 開発時は`InMemoryArtifactService`、本番環境では`GcsArtifactService`を使い分けることで、環境に応じた柔軟な運用が可能です。 🏗 本番システムへの組み込み方 ・本番環境では`GcsArtifactService`を使用し、永続的なストレージを確保する ・ユーザー横断で共有すべきデータには`user:`プレフィックスでユーザースコープを活用する ・バージョニングを活かして、生成物の変更履歴やロールバックの仕組みを構築する ・MIMEタイプを正しく設定し、ダウンストリームでの処理互換性を保つ 💡 ユースケース 🖼️ エージェントが生成したグラフや図表の保存と再利用 📄 PDF レポートの生成・バージョン管理 🎵 音声合成結果の保存と後続処理への受け渡し 👤 ユーザーごとのプロファイル画像やドキュメントの管理 ⚠️ 注意点 `InMemoryArtifactService`はプロセス終了時にデータが消失するため、開発・テスト用途に限定してください。大容量のバイナリデータを大量に保存する場合は、GCSのストレージコストとクォータに注意が必要です。また、セッションスコープのアーティファクトはセッション終了後にアクセスできなくなるため、永続化が必要なデータにはユーザースコープを使用してください。 ✨ アーティファクト管理を活用すれば、バイナリデータの取り扱いがシンプルになり、エージェントのマルチモーダル対応が格段に容易になります。 #ADK# #AIAgent#
もっと見る
# ADK 2.0の便利だけど知られていない機能 🌍 エージェントに「スキル」として再利用可能な機能モジュールを簡単に追加できたら、開発効率が大きく上がると思いませんか? ADK 2.0のスキル機能は、 📌 タイトル:エージェント向けスキル (Skills) 🔗 URL: 🧩 概要 スキルは を使ってエージェントにスキルをラップして提供できます。 🛠 使い方 スキルはSKILL.mdファイルとして定義し、エージェントに読み込ませます。 ```python from adk import Agent from adk.skills import SkillToolset # ファイルシステムからスキルを読み込み skill_toolset = SkillToolset( skill_path="./skills/data_analysis" ) agent = Agent( name="analyst", model="gemini-3.5-flash", tools=[skill_toolset], instruction="データ分析スキルを使って質問に回答してください。" ) ``` SKILL.mdのフロントマターにはスキルの名前、説明、バージョンなどのメタデータを記述し、本文にエージェントへの具体的な指示を記載します。L3リソースとして外部ファイルやスクリプトを参照することも可能です。 🏗 本番システムへの組み込み方 ・スキルを独立したディレクトリとして管理し、バージョン管理とテストを容易にする ・共通スキル(データ検索、レポート生成など)をチーム横断で再利用できるスキルライブラリを構築する ・L3リソースを活用して、スキルに必要なデータやスクリプトをバンドルする ・スキルのフロントマターにバージョンを記載し、互換性を管理する 💡 ユースケース 📊 データ分析スキルを複数のエージェントで共有して使い回す 📝 レポート生成のテンプレートとロジックをスキルとしてパッケージ化する 🔌 外部API連携のノウハウをスキルとして標準化し、チームで共有する 🧩 複雑なワークフローをスキルの組み合わせとして構成する ⚠️ 注意点 スキル機能は実験的(Experimental)なステータスです。Python v1.25.0以降、TypeScript v0.6.1以降、Go v1.2.0以降で利用できますが、APIや仕様が変更される可能性があります。本番環境への導入時はバージョン固定を推奨します。また、 ✨ スキルを活用することで、エージェントの機能を再利用可能なモジュールとして整理でき、開発と保守の効率が大幅に向上します。まずは小さなスキルから試してみてください。 #ADK# #AIAgent#
もっと見る
# Claude Agent SDKの便利で実践的な使い方 📦 エージェントの出力を型付き JSON で受け取り、UI コンポーネントに直接バインドできます。 構造化出力は、`output_format` でエージェントの最終出力を JSON スキーマに従った型付きデータとして取得する機能です。Zod / Pydantic で型安全に検証できます。 📌 タイトル:エージェントから構造化された出力を取得する 🔗 URL: 🧩 概要 `output_format` に JSON スキーマを指定すると、エージェントはツール実行・分析の結果を自由文ではなく構造化 JSON で返します。Zod(TypeScript)/ Pydantic(Python)で型安全に検証可能です。 🛠 使い方 `output_format={"type": "json_schema", "schema": your_schema}` をオプションに設定します。Pydantic の `.model_json_schema()` や Zod の `z.toJSONSchema()` でスキーマを生成できます。結果は `ResultMessage.structured_output` に格納されます。 🏗 実践的な使い方 ・レシピアプリで Web 検索結果を `{name, prep_time_minutes, ingredients[], steps[]}` の型付き JSON で受け取り、UI コンポーネントへ直接バインドします。 ・TODO 抽出エージェントで Grep + Bash(git blame) を自律実行し `{todos[{text, file, line, author?, date?}], total_count}` を返します。 ・機能実装計画を `{summary, steps[{description, complexity}], risks[]}` のスキーマで受け取り、プロジェクト管理ツールに自動投入します。 💡 ユースケース 🎨 UI コンポーネントへの直接データバインディング 📊 分析結果の構造化レポート生成 🔧 プロジェクト管理ツールへの自動データ投入 ⚠️ 注意点 構造化出力はストリーミングと非互換です。JSON 結果は最終 `ResultMessage.structured_output` にのみ出力されます。`error_max_structured_output_retries` を検知して、より単純なプロンプトでの再試行や非構造化フォールバックを実装してください。 #ClaudeAgentSDK# #AI#
もっと見る
# ADK 2.0の便利だけど知られていない機能 🌍 AIエージェントのワークフローを「グラフ」として設計できたら、複雑な処理フローも見通しよく管理できると思いませんか? ADK 2.0のWorkflowクラスは、ノードとエッジでエージェントの実行パスを定義するグラフベースのワークフロー構築機能です。AIエージェント、カスタム関数、ツール、さらにはネストされたWorkflowをノードとして組み合わせ、明示的なルーティングロジックで制御できます。 📌 タイトル:Workflow クラスによるグラフベース実行 🔗 URL: 🧩 概要 Workflowクラスは、ADK 2.0におけるグラフベースのエージェントワークフローを構築するための主要な構成要素です。ノードには、AIエージェント・コード関数・ツール・ネストされたWorkflowを配置でき、エッジ(edges)パラメータで実行パスを定義します。逐次実行は `("START", node1, node2, node3)` のようにタプルで記述し、条件分岐は辞書で定義します。これにより、従来のプロンプトベースの制御では難しかった複雑な分岐構造を、明示的かつ信頼性高く実装できます。 🛠 使い方 Workflowクラスのインスタンスを作成し、nodesにノードのリスト、edgesに実行パスを指定します。 ```python from adk import Workflow, Agent agent_a = Agent(name="researcher", ...) agent_b = Agent(name="writer", ...) workflow = Workflow( name="content_pipeline", nodes=[agent_a, agent_b], edges=[("START", agent_a, agent_b)] ) ``` 逐次実行の場合はタプルでノードを列挙し、条件分岐が必要な場合は辞書ベースのルーティングを使います。ネストされたWorkflowをノードとして組み込むことで、大規模なパイプラインも階層的に管理できます。 🏗 本番システムへの組み込み方 ・各ノードの責務を明確に分離し、テスト可能な単位で設計する ・エラーハンドリングを各ノードレベルで実装し、障害の影響範囲を限定する ・ネストされたWorkflowを活用して、再利用可能なサブパイプラインを構築する ・条件分岐のルーティングロジックをドキュメント化し、チームでの保守性を確保する 💡 ユースケース 📄 論文の収集→要約→レビュー→投稿を一連のグラフとして管理 🔀 入力データの種類に応じて異なる処理パイプラインに分岐 🏢 複数部門のエージェントを組み合わせた承認フローの構築 🔁 サブワークフローを再利用した複数プロジェクト横断の自動化 ⚠️ 注意点 WorkflowクラスはLive Streamingとの互換性がなく、一部のサードパーティ統合にも対応していません。リアルタイムのストリーミング応答が必要なケースでは、別のアプローチを検討する必要があります。また、グラフの複雑さが増すとデバッグが難しくなるため、適切な粒度でノードを分割することが重要です。 ✨ 明示的なグラフ定義により、エージェントワークフローの信頼性と保守性が大きく向上します。複雑な処理フローを構築する際にはぜひ活用してみてください。 #ADK# #AIAgent#
もっと見る
# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェントの実行結果から、次のターン、UI表示、デバッグに必要な情報を正確に取り出せていますか? RunResultの各プロパティを理解して、実行結果を最大限に活用しましょう。 📌 タイトル:Results 🔗 URL: 🧩 概要 `RunResult`はエージェント実行の全成果を保持するオブジェクトです。ユーザーへの最終回答(`final_output`)、次ターンの入力構築(`to_input_list()`)、UI/監査用の全アイテム(`new_items`)、handoff後のエージェント(`last_agent`)、中断と再開(`interruptions`/`to_state()`)、デバッグ用の生レスポンス(`raw_responses`)など、多面的なサーフェスを提供します。 🛠 使い方 `Agent(name="assistant", instructions="You are a helpful assistant.")` を定義し、`result = await input="Pythonのasync/awaitについて教えてください")` で実行します。` で最終回答を取得し、` + [{"role": "user", "content": "具体的な例も教えてください"}]` で次のターンの入力を構築して再度 ` に渡します。` をイテレートして各アイテムの `item.type` と ` を確認できます。`result.last_agent` でhandoff後のエージェントを取得し、次のターンで使用します。`result.interruptions` がある場合は ` で状態を保存し、承認後に ` state=state)` で再開します。`result.raw_responses` でモデル名やトークン使用量を確認でき、`result.last_response_id` でResponses APIのチェーンが可能です。 🏗 実践的な使い方 **final_output — ユーザー向けレスポンス** `final_output`はエージェントの最終回答です。`output_type`を指定している場合はPydanticモデルのインスタンスが返り、指定していない場合は文字列が返ります。APIレスポンスやUI表示に直接使えます。 **to_input_list() — マルチターン会話の構築** `to_input_list()`は実行結果を次のターンの入力形式に変換します。ユーザーの新しいメッセージを追加して再度` **new_items — UI表示と監査ログ** `new_items`には今回の実行で生成された全アイテム(メッセージ、ツール呼び出し、handoff等)がメタデータ付きで格納されています。チャットUIでのステップバイステップ表示や、監査ログの記録に活用できます。どのエージェントがどのツールを呼んだかまで追跡できます。 **last_agent — handoff後の継続** handoffが発生した場合、`last_agent`は最後に処理を行ったエージェントを返します。次のターンでは`last_agent`を使って` **interruptions + to_state() — 中断と再開** human-in-the-loopのワークフローで、エージェントが中断された場合に`to_state()`で実行状態をスナップショットとして保存できます。人間の承認後、保存した状態から再開することで、実行の途中からやり直せます。 **raw_responses — プロバイダレベルのデバッグ** `raw_responses`にはプロバイダからの生のレスポンスが格納されています。モデル名、トークン使用量、レイテンシなどの情報にアクセスでき、コスト分析やパフォーマンスチューニングに役立ちます。 **last_response_id — Responses APIチェーン** OpenAIのResponses APIを使用している場合、`last_response_id`を次の実行の`previous_response_id`に渡すことで、サーバー側で会話を継続できます。最も軽量な会話継続方法です。 💡 ユースケース 💬 `final_output`: APIレスポンスやチャットUIへの最終回答表示 🔄 `to_input_list()`: マルチターン会話の履歴管理 📋 `new_items`: ステップバイステップのUI表示、監査ログ記録 🤖 `last_agent`: handoff後のエージェント継続 📸 `to_state()`: human-in-the-loop ワークフローの中断・再開 🔍 `raw_responses`: トークン使用量の監視、コスト分析 ⚠️ 注意点 - `final_output`が`None`になることがあります(handoffのみで終了した場合など)。必ずNullチェックをしてください。 - `to_input_list()`の結果にはツール呼び出しの履歴も含まれます。不要な場合は手動でフィルタリングしてください。 - `new_items`のアイテム数は実行の複雑さに比例して増加します。大量のツール呼び出しがある場合、メモリ使用量に注意してください。 - `to_state()`で保存した状態はシリアライズ可能ですが、長期保存する場合はSDKのバージョン互換性に注意してください。 - `last_response_id`はOpenAI固有の機能です。他のプロバイダでは利用できません。 ✨ RunResultの各サーフェスを使いこなして、エージェントの実行結果を余すことなく活用しましょう! #OpenAIAgentSDK# #AIAgent#
もっと見る