/／ 📢まもなく発売！！ \＼ 一番くじ GLAY 10月17日（土）より順次発売予定！ ～★～☆～★～☆～★～☆～★～☆～ 🛒店舗検索 🔎商品情報 ～★～☆～★～☆～★～☆～★～☆～ #GLAY#

【🔍イベント情報】 10月度（10/1～10/31）公認イベント 開催スケジュールを公式HPにて掲載中です！ ＜10月度開催イベント＞ ☑チャレンジ戦 ☑ファンミーティング（交流会） ▼開催日程【検索】 #コナンカード# #名探偵コナン#

【㊗️ご報告㊗️】 ちゅきめろでぃとLINEしよ？ ／ ちゅきめろでぃ公式LINEはじめました!!㊗️🎉 ＼ 😘980円相当の写真集が毎月もらえる🎶 🔻ID検索:chukimeroday QRコードからも追加できるよ☺️ 本人も返事するから追加してね❣️ ▶︎他ではみれない個人のLINEが届くよ😘 ▶︎毎月『980円』相当の写真集がもらえる🎶 ▶︎動画更新やオフ会のお知らせなどが届くからSNSに張り付いてチェックしなくても情報が届くよ✅ みんな~ちゅっきーとLINEしよ~😍 追加してXの名前送ってよ~！見るよ~！👀

# AIエージェント開発の意思決定ポイント 🎯 ポイント LLMにドメイン知識を与えたい。RAG？ファインチューニング？ロングコンテキスト？ 「とりあえずRAGで」と思考停止していませんか？この三択、実は知識の性質によって最適解がまったく異なります。選び間違えると、古い情報で回答し続けたり、出典を示せなかったり、トークンコストが爆発したり。正しく選ぶための判断軸を整理しましょう。 📋 概要 AIエージェントにドメイン固有の知識を持たせる方法は大きく3つあります。RAG（検索拡張生成）はベクトルDBなどから関連情報を検索してプロンプトに注入する方式。ファインチューニング（FT）はモデルの重みを追加学習で調整して知識を焼き込む方式。ロングコンテキストは大きなコンテキスト窓にドキュメントをそのまま投入する方式です。それぞれ知識の格納場所・更新サイクル・コスト構造が根本的に異なるため、ユースケースに応じて主軸を1つ選ぶ必要があります。 🔍 意思決定のポイント 判断の核心は「知識がどのくらいの頻度で変わるか」と「出典の明示が必要か」です。 📌 知識の鮮度が命なら → RAG一択。FAQや価格、在庫情報など頻繁に変わるデータは、インデックスを更新するだけで即座に反映されます。FTでは再学習に日〜週単位かかり、現実的ではありません。 📌 出典を示す必要があるなら → これもRAG。「この回答の根拠はどのドキュメントの何ページか」を提示できるのはRAGだけです。FTで焼き込んだ知識は「モデルがそう知っている」状態であり、事後に追跡不可能。説明責任が求められる環境では致命的です。 📌 出力の様式・口調を統一したいなら → FT。「常に法務文書の形式で出力する」のようなスタイルの一貫性は、RAGで例を注入しても安定しません。FTでモデルレベルに染み込ませることで、推論時の例示注入が不要になり、コンテキスト窓の節約にもなります。 📌 少数の文書を丸ごと理解させたいなら → ロングコンテキスト。契約書全体の解釈のように文書構造が重要な場合、チャンク分割で文脈が断絶するRAGよりも、全文をそのまま投入する方が精度が高くなります。 💡 要点と詳細 🔹 RAGの本質的な強みは「知識とモデルの分離」です。知識はインデックスに、推論能力はモデルに。この分離により、知識の更新がモデルの再学習を必要としません。ただし検索品質に依存するため、チャンク分割・埋め込みモデル・リランキング戦略のチューニングが品質を左右します。 🔹 FTの本質的な強みは「行動様式の安定的な変容」です。繰り返し同じ形式で出力する場面では、推論コストがRAGより低くなりえます。ただし知識の更新にはデータセット準備→学習→検証のサイクルが必要で、機動力に欠けます。 🔹 ロングコンテキストの本質的な強みは「実装の単純さ」です。ベクトルDB、検索パイプライン、チャンク分割、FTのインフラがすべて不要。ただしトークン課金がそのままコストに直結し、"Lost in the Middle"問題（窓の中盤の情報に注意が薄れる）もあるため、大量の文書には向きません。 ⚖️ トレードオフ RAGは鮮度と出典追跡に優れるが、検索パイプラインの構築・運用が必要。FTは様式の一貫性に優れるが、知識の更新が遅く出典が不透明。ロングコンテキストは実装が最も簡単だが、コストとスケーラビリティに制約あり。 🏆 実務での定石は「様式はFT、事実はRAG」のハイブリッド。FTで出力形式・口調・専門用語をモデルに染み込ませ、RAGで最新の事実情報を注入する。ロングコンテキストは、RAGのチャンク分割では失われる文脈が重要な場面で補完的に使います。 🛠️ ユースケース 🏢 社内ナレッジベースQ&A → RAG。ドキュメントは日々更新され、回答には出典の提示が求められる。 ⚖️ 法務文書レビュー → FT＋RAG。法務特有の口調と形式はFTで統一し、最新の判例や規制はRAGで注入。 📄 契約書の全体解釈 → ロングコンテキスト。契約書1通を丸ごと投入し、条項間の関係を把握させる。 🏥 医療情報提供 → RAG必須。出典の明示が絶対要件であり、情報の鮮度も重要。FTで焼き込んだ医療知識はハルシネーションと区別できず危険。 迷ったらRAGから始めてください。ほとんどの業務システムでは知識は更新されるものであり、出典を示す能力は信頼性の基盤です。 #AIエージェント# #ソフトウェアアーキテクチャ#

📅 2月以降イベントスケジュール✅ 　　　🔻　　🔻　　🔻 📘 プレミアムヌードポーズブック発売‼️ 【【川越にこ プレミアムヌードポーズブック】】 ✨発売記念 お渡し会＆特典会 開催✨ 🗓 発売日 ：1月30日（◀︎既に予約受付中✨） 📍 イベント : 3月7日：12:00〜 🏢 会場. : 書泉ブックタワー 9階 👉 チケット情報・予約は ・「ライヴポケット」 （検索🔍orリンクからチェックしてね） ⸻————————— 2月6日（金曜日） 🏪 ラムタラエピカリアキバ　 　　　　　当店3F✨発見日 ⸻————————— 🌟2月7日（土曜日）#ラジオクロニクル# 【【🎙 単独公開収録ラジオイベント📻】】 予約: 直前まで受付中‼️ 時間: 一部12:00開始　/　二部16:00開始 内容: ラジオ公開収録＆会場限定㊙トーク 　　　　　　　　　🔻 “写真展の詳細・新たな活動スタイルを発表” ⸻————————— 2/8〜 ✈️ 台湾写真集ロケ 🇹🇼 　　　　 “ 第4回目完結の道のりへ” ⸻————————— 🌟2月14日（土曜日）バレンタインDAY🍫♡ 【【 ラムタラエピカリアキバ リリースイベント】】 🎉 川越にこ 2周年祝い＆バレンタイン 💝 場所：ラムタラエピカリアキバ店 住所：東京都千代田区外神田4-3-2　 　　　OAシステムプラザ東京本店ビル 時間: 17:00〜 ⸻————————— 🌟2月15日（日曜日） 【【🎮 ゲームオフ会　👑】】 ゲームタイトル名 『美少女全鑑☆キャンパス編』（美キャン） 参加費: 無料 時間 : 12:00〜16:00頃予定 参加者: 抽選　（20名様ほど） ※予約方法・詳細は後ほどお知らせします！ ⸻————————— 🌟2月21日22日23日　 　　　　　　（土・日・月（休日祝日） 【【🎊 川越にこ 2周年感謝祭🎊】】 👩‍🍳 料理人にこが全て手作りでお届けする 　　ファンの方に日頃の感謝を込めて 　　コース料理を振る舞います🥘 ※チケット枠は すでに完売 しております。 ※早めのキャンセルが出た場合、 　再度予約可能になることがあります。 ⸻————————— ✨2月13日でデビュー２周年‼️ 一年の中でも特に大切な月なので 一緒に思い出つくろうね💕 会えるの楽しみにしてます♡

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#

🔬 「50人のチームが手元にいて、1日で全部やってくれる感覚」。Geminiベースのマルチエージェントが科学仮説を生成・討論・進化させ、肝線維症の瘢痕応答を91%ブロックする薬剤候補まで導きました。 タイトル: Co-Scientist: A multi-agent AI partner to accelerate research URL: 📝 概要 Co-Scientistは、Geminiを基盤とする協調型のマルチエージェントAIで、新規の科学仮説を生成・批評・洗練します。仮説の生成と評価のサイクルを自動化することで、ブレイクスルーの発見を加速する「AI研究パートナー」として機能します。 ❓ 解決する課題 研究者は、情報過多とますます複雑化する課題の中で、ブレイクスルーとなる仮説を立てるのに苦労します。膨大な文献にまたがる断片的な事実を結びつけ、有望な研究方向を特定するのが難しいのです。 💡 方法論と提案手法 3つのフェーズに専門エージェントを配置します。 ・生成フェーズ：Generationエージェントが文献とデータに基づき新規仮説を提案し、Proximityエージェントが仮説をクラスタ化して多様な探索を確保します ・討論フェーズ：Reflectionエージェントが「仮想ピアレビュア」として批判的に評価し、Rankingエージェントがペアワイズ比較とEloベースのトーナメントで優先順位付けします ・進化フェーズ：Evolutionエージェントが上位仮説を継続的に洗練・結合し、Meta-reviewエージェントが最終的な研究提案を統合します ・計算資源の大半を「検証」に充て、主張をChEMBLやUniProt、Web検索、AlphaFoldなどの専門ツールと突き合わせます 🎯 ユースケース 抗菌薬耐性、植物免疫、肝線維症の治療発見、ALSの機序探索、細胞老化の逆転、感染症タンパク質の特定、代謝疾患、老化生物学など、幅広い生命科学領域に応用されています。 📊 実験結果 ・肝線維症で、瘢痕に関連する応答の91%をブロックする薬剤候補を特定しました ・細胞老化では、実験室で細胞を若返らせる遺伝的リードを生成し、スクリーニング解析を数ヶ月から数日に短縮しました ・100以上の研究機関がテストし、Stanford、MIT、Cambridge、Calicoなどが協力しています ・第一三共やBayer Crop Science、米国の国立研究所にエンタープライズ版が展開されています #AIforScience# #AIエージェント#

RAGの「精度を上げると遅くなる」ジレンマに、トピックを“方位磁針”として使う発想で挑む研究です🧭 タイトル: MCompassRAG: Topic Metadata as a Semantic Compass for Paragraph-Level Retrieval URL: 🧭 概要 トピックレベルのシグナルを「意味的なコンパス」として使い、関連する根拠を段落（パラグラフ）レベルで選び出す、メタデータ誘導型の検索フレームワークです。精度と効率を同時に高めることを狙います。 ❓ 解決する課題 RAGには、検索の精度と効率のトレードオフがあります。 ・細かいチャンクは精度が上がるが、候補が増えてレイテンシとコストが増大します ・大きいチャンクは候補が減るが、複数トピックの混在で意味的ノイズが生まれます 特に大規模データへの高速・高精度検索が要るディープリサーチで顕著です。 💡 方法論と提案手法 ・チャンクの表現を、同一の埋め込み空間内でトピックメタデータによって強化します ・LLM教師蒸留で、軽量なリトリーバーを訓練します ・これにより、推論時に追加のLLM呼び出しなしで「トピックを意識した検索」を実現します メタデータと密な埋め込みを組み合わせ、軽量リトリーバーに蒸留するのが核心です。 📊 実験結果 ・情報効率：6つのベンチマークで平均8.24%改善 ・レイテンシ：最も強力な効率重視RAGベースラインより5倍以上低い ・コードは公開リポジトリで提供 推論時の追加LLM呼び出しなしで、この精度と速度を両立しています。 #RAG# #検索#

特大IR発表🔥 【営業利益黒字】・【売上最大2.5億円】のAI企業を“わずか1,500万円”で完全子会社化‼️📈🚀 『売れるネット広告社グループ（9235）』は、先ほど12時にAIサービス開発・運営会社である「株式会社ライト」の100%完全子会社化（株式取得）を発表しました❗ これは私が陣頭指揮を執り、『売れるネット広告社グループ』が従来の「D2Cクラウドサービス企業」から「AIネイティブ企業」へと完全に進化するための、極めて強力かつ決定的な一手です。 まず、今回のディールの【異常なまでの費用対効果】に注目してください。 ライト社は、直近の決算でも【営業利益黒字】【売上最大2.5億円】をしっかりと計上している非常に優秀かつ堅実なAI企業です。この高いポテンシャルを持つ優良企業を、なんと【取得価額わずか1,500万円】という破格の条件で完全子会社としてグループに迎え入れます。これがいかに私たちの収益基盤拡大に直結する「大成功のM&A」であるか、皆様にはすぐにご理解いただけるはずです。 では、なぜライト社なのか❓ 最大の理由は、彼らが持つ「AI開発力と企業ナレッジの活用技術」が、私たちの進めるAI戦略と完璧なシナジーを生み出すからです。 これからの時代、企業の情報発信は「ChatGPTなどの生成AIにいかに正しく認識・評価されるか」が勝負を決める時代へと完全にシフトします。ライト社は、企業内に眠る「暗黙知」をAI資産へと転換する「Tacit Hub構想」を推進しています。 彼らの【現場知見を活用したAI開発・検証力】と、私たちがこれまで培ってきた【圧倒的なマーケティングノウハウ・強固な顧客基盤】を掛け合わせることで、当社が推進するAEO（AI検索最適化）支援や企業向けAI導入支援サービスの拡充が劇的に進みます。 私たちは単なる「D2Cクラウドサービス企業」で終わるつもりはなく、グループ一丸となって生成AI時代に特化した「次世代AIプラットフォーム」を構築します。 そして、投資家の皆様に最後にお伝えすべき【圧倒的な事実】があります。 今回のライト社の完全子会社化により、『売れるネット広告社グループ』にとって【今期M&A第5号】が完了となります❗ これにより、売れるネット広告社グループの2027年7月期の事業規模は一気に「2.3倍」へと拡大し、「売上43.8億円以上」のグループへと大飛躍を遂げます‼️📈🚀 私たちが見据えているのは目先の需給ではありません。この絶好のタイミングでのM&Aと事業規模の劇的なスケールアップは、AI関連事業を新たな成長ドライバーへと飛躍させ、中長期的な企業価値を爆発的に向上させるための確固たる証明です。 今後の『売れるネット広告社グループ』の快進撃に、どうか大いに期待してください。企業価値の最大化を実現してみせます❗ ▼本気のIR資料全文はこちらから必ずご一読ください❗ 加藤公一レオ 売れるネット広告社グループ株式会社（東証上場 証券コード9235） 創業者・取締役会長

# 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#