小学校が終わり、お家に帰ってきた私に飛び込んできたニュースの画面は同じ日本とは思えない光景で今でも脳裏に焼き付いています。あれから11年。この日は毎年命の重みを感じます。今日がある事に感謝して。 #検索は力になる#

# Claude Agent SDKの便利だけど知られていない機能 🌍 @tool デコレータと create_sdk_mcp_server で、独自の関数をエージェントのツールとしてインプロセスで実行できます。 データベースアクセス、外部API呼び出し、ドメイン固有のロジックをエージェントに提供する方法を解説します。 📌 タイトル：インプロセス・カスタムツール (create_sdk_mcp_server / @tool) 🔗 URL： 🧩 概要 カスタムツールは、SDK のインプロセス MCP サーバーを使って独自の関数を Claude から呼び出せるようにする機能です。Python では `@tool` デコレータ、TypeScript では `tool()` ヘルパーでツールを定義し、`create_sdk_mcp_server` でラップして `query()` に渡します。ツールはアプリケーションプロセス内で実行され、別プロセスは不要です。ツール名は `mcp__{server_name}__{tool_name}` の形式になります。`readOnlyHint` アノテーションで並列実行を有効にし、`isError` で復旧可能なエラーをエージェントに伝え、画像（base64）やリソースの返却も可能です。 🛠 使い方 `@tool` デコレータでツールを定義し、`create_sdk_mcp_server` でサーバーにまとめます。 ```python from typing import Any import httpx from claude_agent_sdk import tool, create_sdk_mcp_server, query, ClaudeAgentOptions, ResultMessage @tool( "get_temperature", "Get the current temperature at a location", {"latitude": float, "longitude": float}, ) async def get_temperature(args: dict[str, Any]) -> dict[str, Any]: async with httpx.AsyncClient() as client: response = await client.get( "", params={ "latitude": args["latitude"], "longitude": args["longitude"], "current": "temperature_2m", }, ) data = response.json() return { "content": [ {"type": "text", "text": f"Temperature: {data['current']['temperature_2m']}"} ] } # インプロセスMCPサーバーにラップ weather_server = create_sdk_mcp_server( name="weather", version="1.0.0", tools=[get_temperature], ) # query() に渡して使用 async for message in query( prompt="What's the temperature in Tokyo?", options=ClaudeAgentOptions( mcp_servers={"weather": weather_server}, allowed_tools=["mcp__weather__get_temperature"], ), ): if isinstance(message, ResultMessage) and message.subtype == "success": print(message.result) ``` 🏗 本番システムへの組み込み方 ・エラーハンドリングでは例外をスローせず `{"is_error": True}` を返すことで、エージェントループを継続させつつ Claude にリカバリーさせることができます ・`readOnlyHint=True` アノテーションを設定すると、副作用のないツールを他のリードオンリーツールと並列実行できます ・画像を返す場合は `{"type": "image", "data": base64_str, "mimeType": "image/png"}` 形式のコンテンツブロックを使用します ・`structuredContent` フィールドでツール結果を機械可読な JSON として返却できます（ただし Python の `@tool` では未サポート、スタンドアロン MCP サーバーが必要） 💡 ユースケース 🗄 データベースアクセス：エージェントに直接 DB クエリを実行させる 🌐 外部API連携：社内 API やサードパーティサービスをツールとして公開する 📊 データ可視化：グラフを生成し画像（base64）として返却する 🔧 ドメインロジック：計算、変換、バリデーションなど特定の業務ロジックをツール化する ⚠️ 注意点 ・Python の dict スキーマではすべてのキーが必須になります。オプションパラメータは schema に含めず、description で説明して `args.get()` で読み取ってください ・`structuredContent` は Python の `@tool` デコレータでは転送されません（スタンドアロン MCP サーバーを使用） ・ツール検索（tool search）はデフォルトで有効で、SDK MCP ツールのスキーマは必要になるまで遅延ロードされます。無効にすると `tools` 配列のすべてのツールが毎ターンのコンテキストを消費します ・アノテーションはメタデータであり強制力はありません。`readOnlyHint=True` でも handler が書き込みを行う場合があります ✨ インプロセスのカスタムツールにより、エージェントの能力を自由に拡張でき、外部プロセスの管理も不要です。 #ClaudeAgentSDK# #AIAgent#

AIが「仕事を奪う」という問いより、もっと本質的な問いがあります。 多くの企業がAI導入の成否を「コスト削減」「人員削減」で測ってきました。しかし2024年ノーベル経済学賞受賞のSimon Johnson教授（MIT）は、それを「あまりにも簡単すぎる選択肢」と呼びます。機械で人を置き換えることに経営的な想像力はほとんど必要ない。そして、その安易さこそが企業が本来得られるはずのビジネス価値を取りこぼしている原因だ、と。 Acemoglu・Autor・JohnsonらMIT経済学者とBrookings研究所が示す「プロ・ワーカーAI」の概念は、別の問いを中心に据えます。「このAIは人間の専門性をより価値あるものにするか、それとも不要にするか？」Brookingsは技術を5種類に分類し、「新タスク創出型」だけが明確に労働者に有益だと論じます。AIが従来存在しなかった種類の仕事を生み出すとき、それは単なる省力化とはまったく異なる価値を持ちます。 現実の事例がこの違いを鮮明にします。Schneider Electricは電気技師向けのAIトラブルシューティングツールを開発し、保守報告書の作成時間を半減させながら、作業員がより複雑な問題解決に集中できる環境を整えました。米国特許商標庁では、AI検索ツールが審査官の概念的文献探索を精緻化し、専門的判断の価値を高める方向で機能しています。AIツールが増殖する時代、競争優位は技術そのものではなく「技術を中心に仕事をどう再設計するか」に移行しつつあります。 タイトル: Pro-Worker AI, Explained URL: 企業に問われているのは「AIで何人削れるか」ではなく、「AIで自社の人材がどんな新しいことをできるようになるか」です。 #AIと労働# #組織設計#

# 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 # シングル vs マルチエージェント｜Single vs Multi-Agent 🎯 ポイント 「マルチエージェントの方が賢そう」という理由だけで複数エージェント構成を選んでいませんか？ マルチエージェントは万能ではなく、オーケストレーションの複雑性・レイテンシ・コストを必ず伴います。シングルで済むならシングルが最善です。分割の判断基準は「ツール数」「権限分離」「並列実行の効果」の3つです🔑 📋 概要 1つのエージェントで完結させるか、複数の専門エージェントに分割するかは、タスクの複雑さ・ツール数・権限分離の要件・コスト感度によって決まります。シングルエージェントはタスクが単一ドメインに収まり、ツール数が30以下で、レイテンシ要件が厳しい場面で力を発揮します。SlackボットでのFAQ回答やSalesforceの単一レコード検索・更新のように、スコープが明確なタスクはシングルで十分です。マルチエージェントが活きるのは、専門領域が複数にまたがり、法務・経理・人事のように役割ごとに異なる権限とデータアクセスが必要な場面です📊 🔍 意思決定のポイント 判断は以下の順で行います： ツール数は30以下か？ → 30以下で精度に問題なければシングルで十分 権限分離が必要か？ → 法務データと営業データを同一エージェントに持たせると情報漏洩リスク 並列実行の効果は？ → 3つ以上のSaaSを同時に調査するなら並列化の恩恵が大きい レイテンシ要件は？ → ハンドオフのオーバーヘッド（目安1〜3秒/回）を許容できるか コスト制約は？ → オーケストレーション分のLLM呼び出しが追加で発生する 重要なのは、ツール数50超を1つのエージェントに持たせるとツール選択精度が60%以下に低下する傾向があるという経験則です。このラインを超えたらtool RAGで動的フィルタするか、エージェントを分割しましょう⚡ 💡 要点と詳細 段階的拡張が最も安全なアプローチです： 初期はシングルエージェントで構築し、ツール数やタスク複雑性の増加に応じて専門エージェントを分離します。分離の判断基準は「ツール選択の精度低下」と「権限分離の要件」です。 マルチエージェント構成のパターン： - ルーター＋専門エージェント：スーパーバイザがユーザーの意図を判定し、適切な専門エージェントにルーティング。各専門エージェントはシングルとして動作します - 並列実行：Workdayの人事データ、Salesforceの商談データ、Jiraの開発進捗を並列に取得して統合する経営ダッシュボード生成 - エージェントごとの最適モデル選択：高精度が必要な分析には大型モデル、定型処理には高速・低コストモデルを使い分け ServiceNowのインシデント対応では、一次分類エージェント（シングル・高速）が受付し、深堀り調査が必要な場合にインフラ調査エージェント・ログ分析エージェントを並列起動する構成が効果的です🔄 ⚖️ トレードオフ 「とりあえずマルチ」で始めると、実際にはシングルで十分なタスクにオーケストレーションの複雑性を持ち込み、デバッグ困難・コスト増大・レイテンシ悪化を招きます。マルチエージェントの月間LLMコストはシングルの2〜5倍になることも珍しくありません😰 一方、エージェント間の文脈共有を軽視するのも致命的です。ハンドオフ時にコンテキストが失われると、ユーザーが同じ情報を繰り返し伝える羽目になります。共有メモリの設計が不可欠です。 権限分離なしのマルチエージェントも意味がありません。エージェントを分割しても全員が同じ権限で動作していれば、分割の安全性メリットはゼロです。エージェント単位で最小権限を設定してください⚠️ 🛠️ ユースケース 社内FAQ・ナレッジ検索：ツール数10以下、単一ドメイン、レイテンシ重視。シングルエージェントが最適解。無理にマルチにする必要はありません📚 経営ダッシュボード生成：Workday・Salesforce・Jira・Slackの4システムを横断。各システムの専門エージェントが並列にデータを取得し、集約エージェントが統合レポートを生成。ツール数50超・権限分離必要・並列効果大でマルチエージェントの適用が明確です🛒 開発チーム支援：初期はシングルエージェント（GitHub + Jira連携、ツール数15）で開始。半年後にセキュリティスキャン・パフォーマンス分析・ドキュメント生成が追加されツール数40超に。ツール選択精度の低下を検知し、セキュリティ専門エージェントを分離する段階的拡張パターンです🔧 実践のコツ：シングルで始めて、ツール選択精度のモニタリング（正しいツールが選ばれた割合）を計測してください。精度が80%を切ったら分割の検討タイミングです💪 #AIエージェント# #エンタープライズアーキテクチャ#

大島育宙『なぜあなたの感想はふつうなのか』 実を言うと、最初は惹かれなかった。 でも、タイムラインで何度も巡り合ううちに、手に取ってみて大正解だった。 まずは第1章「感想検索病の時代」まで読んだ。　 『自分の力で観て、自分の力で語れたら楽しい』 まさに、この言葉に尽きると思った。 古代人が生きるために食糧を求めて奔走していた一方で、現代人のわたしたちは、感覚を限界まで酷使したままスマホの画面を無限にスクロールし、情報の洪水で溺死しそうになっている。 この本では、無限の「情報」が飛び交う舞台として、SNSやプラットフォームの滞在時間を伸ばすための設計の意図にまで遡及される。 エンタメでいうところの、「感想」「コメント」をついつい拾いにいってしまう理由が構造の部分からも語られる。 作者の意図を探り、さまざまな角度から読みを重ねる「考察」文化を歓迎しながらも、その先にある「批評」の入り口へと滑らかに論が展開されていく。 批評って、作品を一旦遠くから眺める作業でもある。だから、ちょっと冷たく感じるし、難しく感じられがちだ。 そして、より自分の立ち位置や視点をクリアにすることを求められる作業でもある。 でも、アテンションエコノミーの檻の中で暮らしていると、受動的に無限のコンテンツを浴び続けることでしか自分を満たせなくなってしまう。 果たしてそれでいいんだろうか。 そう考えて立ち止まった時に、この本と出会った。 批評の持つ視点や、そこから形作られる自分だけのものの見方は、きっとこの世界を泳ぐための武器になる。 それに。 わたしは何かを綴る者のほんの端くれとして、コンテンツを生み出す人たちをとても尊敬している。 彼らが何ヶ月も、何年も、時には何十年もかけて産み出したものを簡単に流し込みたくないのだ。それは才能へのリスペクトだと信じたい。 もう一度、しげしげと表紙を眺める。 ふつう、がわざわざ平仮名で色まで変えて強調されていることに、少し笑ってしまう。 良いことを言っているのに、一見するとちょっと煽っている。 そこに薄らとアテンションエコノミーの亡霊を見なくもないのだが、 共鳴を生み出す語りの仕掛けや、大島さんの戦いの姿勢含めて、なんだか、結構嫌いじゃないかも。 そして何より、自分の力で観て、自分の力で語ることは、やっぱり楽しいのだと思った。

【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

先週のヤフーJAPANを賑わせた韓国ニュースTOP 3まとめ！🇯🇵🇰🇷 最近ヤフーニュースで日本のネットユーザーの注目を集めた、日韓関係および韓国関連の主要ニュースです👇 1️⃣ 韓国プロ野球、ロボット審判（ABS）導入で判定への抗議が全滅（スポーツ/IT） ニュース要約：韓国KBOリーグが世界で初めて1軍に導入した自動投球判定システム（ABS）の運用結果、ストライク・ボールの判定をめぐる選手や監督の抗의、退場処分が単の一件も発生していないという報道。⚾️ 2️⃣ 日韓デジタル交易が加速、AI関税・通関システム連動（経済/技術） ニュース要約：日韓両国間の物流とデジタルコマースの効率を高めるため、AIを活用した通関手続きの簡素化や、デジタルマーケティングプラットフォームでの協力が大幅に拡大しているというニュース。💻 3️⃣ 韓国旅行のトレンドに変化、明洞の代わりに「聖水洞（ソンスドン）ポップアップ」へ分散（観光/文化） ニュース要約：日本人観光객の韓国旅行パターンが、これまでの明洞・東大門中心のショッピングから、聖水洞のローカルポップアップストアや隠れた名店巡りへと、完全にパラダイムシフトしているという分析記事。✈️ 伝統を守る日本も素敵だけど、やっぱり韓国のトレンドセッティング力とダイナミックな革新スピードには毎回驚かされるし、学ぶべき点が多いと思うな。両国がお互いの強みをベンチマークし合って、対等なパートナーとしてWin-Winできる日韓シナジーがこれからもっと楽しみ！いやー、韓国の勢いマジで半端ないわ。🔥 今日のファクト原文や現地のリアルタイムな反応が気になる方は、Yahoo!ニュース（ 🔍 韓国プロ野球 ロボット審判 抗議ゼロ 🔍 日韓 デジタル 通関 連携 🔍 韓国旅行 トレンド 聖水洞 ポップアップ #ヤフージャパン# #ロボット審判# #日韓協力# #韓国旅行# #聖水洞# #デジタル革新# #国際ニュース# #日韓関係#

# 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#