Google 検索 Shinji Tokidaでトップに表示されるShinji Tokida『Super Ultra Miracle Trillion Light Loves』は、2018年にリリースしたアルバムです。音楽性が高く、優秀な音楽構成で作成しました。Band Camp、Apple Musicで、ダウンロードできます。是非チェックしてダウンロードしてください。

【お知らせ】 動画構成の見直し、修正点などまとめて また動画作成を開始する形になります！！ そのため、shorts動画横動画および 1週間程お時間をいただきます！！ また動画再開する時はXにてお知らせしますので皆様把握おねげげします！！！！ まっててちょ！！！！🐣❗️

作成したイラストに、ChatGPTでセリフやナレーションを手軽に追加できるベースプロンプトです👍 用途に応じてコピペして使えます。 細かい部分は自由にアレンジしてください💪 ---- 【2キャラ・左右分割構図用】 参照画像の構図・キャラクター・ポーズ・表情・背景は一切変更・再構成せず、完全に維持すること。画像の内容を編集せず、吹き出しとテキストのみを追加すること。 漫画風の吹き出しとテキストを追加する。 右側：右上エリアに配置。縦書きのセリフ用吹き出し。丸みのある一般的な形状。薄いグレー塗り＋黒縁。テキスト：「（ここにセリフ）」 左側：左上エリアに配置。ナレーション用の四角いテキストボックス。白背景＋黒枠。縦書きテキスト：「（ここにナレーション）」 各テキストはそれぞれの側に完全に収め、中央の構図（分割線など）をまたがないこと。複数のテキスト要素がある場合は互いに重ならないようにすること。キャラクターの顔・手・武器など重要な部分に重ならないようにすること。 フォントは読みやすい漫画風フォントを使用すること。テキストは正確な日本語で表示し、文字化けや崩れを起こさないこと。文字サイズ・行間・余白は自然に整えること。吹き出しとテキストは前面レイヤーとして自然に合成すること。 画面の余白（ネガティブスペース）を活かして配置すること。全体として、プロの漫画のような自然な写植にすること。 ---- 【1キャラ用（表情重視）】 参照画像の構図・キャラクター・ポーズ・表情・背景は一切変更・再構成せず、完全に維持すること。画像の内容を編集せず、吹き出しとテキストのみを追加すること。 漫画風の吹き出しとテキストを、キャラクターの視線や表情に合わせて配置すること。顔・目・口・髪・手などの重要なパーツを隠さないこと。 セリフ用吹き出し：口元付近から自然に伸びる配置。テール（しっぽ）は口元に正確に向けること。丸みのある一般的な吹き出し形状。黒縁＋白または薄いグレー塗り。縦書きテキスト：「（ここにセリフ）」 必要に応じて：画面端にナレーション用テキストボックスを配置。白背景＋黒枠。縦書きテキスト：「（ここにナレーション）」 複数のテキスト要素がある場合は互いに重ならないようにすること。 フォントは読みやすい漫画風フォントを使用すること。テキストは正確な日本語で表示し、文字化けや崩れを起こさないこと。文字サイズ・行間・余白は自然に整えること。吹き出しとテキストは前面レイヤーとして自然に合成すること。 視線誘導を意識し、バランスの良いレイアウトにすること。画面の余白（ネガティブスペース）を活かして配置すること。プロの漫画のような自然な写植に仕上げること。 ---- 【感情別プリセット】 セリフの感情に応じて吹き出しの形状とテキストスタイルを調整すること： ・怒り：ギザギザの爆発型吹き出し、太めの縁、大きめ太字フォント・ ・小声：小さめの丸型または点線吹き出し、細めで小さいフォント ・叫び：放射状の大きな吹き出し、強い太字、大きな文字サイズ 感情が視覚的に伝わるようにデザインすること。 ---- 【効果音プリセット】 シーンに応じて漫画的な効果音（擬音）を追加すること。 効果音は以下のように表現する： ・衝撃や登場 → 「ドン！」大きく太字で配置 ・素早い動き → 「ザッ」動きの方向に沿って配置 ・緊張や威圧感 → 「ゴゴゴゴ…」背景に馴染ませて配置 効果音は前面または中間レイヤーとして自然に合成し、 キャラクターや重要な要素を隠さないようにすること。 文字サイズ・角度・配置に強弱をつけて、動きや空気感を表現すること。効果音は多用しすぎず、シーンに応じて最小限に使用すること。 ---- ※構図や用途に応じて、配置・サイズ・表現は適宜調整してください👍

最近試して、かなり良かったレポート作成術。 PoCの作業ログをSlackに残し、成功・失敗・保留などのタグを付ける。 PoC終了後、そのスレッドをSlackbotでCanvas化し、「ケースごとに成功例・失敗例を整理して」と指示。 CanvasをGoogleドキュメントへ移し、Markdownで書き出す。 そのMarkdownをConfluenceのRovoに渡して、報告書として再構成してもらう。 最後に画像やムービーを追加し、内容を確認して完成。 これでConfluence向けレポートの制作時間が、体感で従来の1/3ほどになった。1時間程度で、きちんと読める報告書まで持っていける。 関連リンクまで比較的きれいに引き継がれるのも大きい。 もちろん、元になるSlackログが雑なら、最終成果物も良くならない。 これは文章を水増ししたり、体裁だけ整えたりする方法ではない。 PoC中に残した一次情報を、段階的に整理・圧縮・再構成するパイプラインだ。 「金曜までにPoC、翌週月曜にレポート」が、週内で片付くようになる。 これはかなり助かる。

Seedance2.5 プロンプト： 何気ない休日を、仲のいい友だちが撮った30秒間のVlog風個人ホームビデオとして作成せよ。参照画像のネオレトロな2Dフラットアニメ調の画風のまま、30秒は約12個の短いショット（各2〜3秒）のハードカットのモンタージュで構成する。各ショットはすべて別の場所・別の瞬間で、1ショット＝1つの小さな出来事。トランジション効果やフェードは使わない。撮っているのは仲のいい友だちなので、被写体は完全にリラックスしていて、カメラに笑いかけ、物を見せに来て、話しかける（言葉は聞き取れない）。ポーズや演技ではなく、友だちにだけ見せる素の表情。 メイン被写体 全ショットを通じて同じマカちゃん。顔立ち・髪型・体型・耳風アクセ・衣装・画風は参照画像に完全に従い、最初から最後まで完全に一貫させる。 ロケーション 夏の午後から夕暮れの、小さな商店街とその路地。コインランドリー、アーケード、八百屋の軒先、ガチャガチャの機械、たい焼きの屋台。生活感のある、少し古びた温かい商店街。群衆、広告、認識できるブランドはなし。 カメラ / ビジュアルスタイル 全ショット共通：友だちが構える手持ちの家庭用カメラの文法を2Dアニメのまま再現。自然な手ブレ、不完全なフレーミング、時折のピントの迷い、露出のゆらぎ、軽いモーションブラー、少し抑えた色。スタビライズ、ジンバル、ドローン、スローモーション、劇的な照明はなし。 ショットリスト（順番通り、各2〜3秒、すべてハードカット） 1. コインランドリーのベンチで足をぶらぶら。ラムネの瓶をレンズに掲げてみせる。 2. 回る洗濯機の丸窓に顔を近づけ、目をぐるぐるさせてふざける。 3. 商店街ののぼりの間から、ひょこっと顔を出す。 4. ガチャガチャの機械を真剣な顔でゆっくり回す。 5. カプセルを開けると狙いと違う。一瞬固まってから大笑いし、中身をレンズに見せに来る。 6. たい焼きをはふはふ。ひと口分をカメラに差し出す。 7. 八百屋の軒先で店先の猫と目が合い、そっと小さく手を振る。 8. 水たまりをわざとぴょんと踏んで、してやったりの顔でカメラを見る。 9. 突然のにわか雨。たい焼きの袋を抱えて笑いながら走る。 10. アーケードの軒下。手招きして撮影者を隣に並ばせ、ふたりで雨を見る。 11. 夕焼けのアーケードで、くるりと一回転して笑う。 12. 両手で大きく手を振る。その途中、およそ00:29で録画は突然ブラックアウトに切り替わる。フェードアウトなし。 物理的リアリズム 2Dアニメでも信ぴょう性のある物理を維持。手、指、足、髪、雨、ラムネ瓶、カプセル、たい焼きの袋は自然に振る舞う。余分な指、融合した手、歪んだ体、浮遊物、消える物体、突然の変形はなし。足は地面に適切に繋がったまま。ショット間で被写体と光の時間帯を一貫させる。 オーディオ 自然な環境音のみ。ショットごとに環境音も切り替わる。洗濯機の回る音、商店街の遠いざわめき、ガチャのハンドル音、雨音、アーケードの屋根を叩く雨、言葉として聞き取れない話し声と笑い声。音楽なし。ナレーションなし。人工的な音響効果なし。 最終的な雰囲気 12個の何気ない瞬間を並べただけなのに、あとで見返すとエモいと感じる映像。商業作品ではない。ミュージックビデオではない。友だちのカメラに残っているマカちゃんの休日の記録。楽しくて、懐かしく、温かく、即興的で、深く人間的。カメラがたまたまそこにあったような感じを優先。

エージェントのベンチマーク、どうやって作ればいいのか？LangChainが実践ノウハウを公開しました。 タイトル: How We Build Agent Environments & Tasks URL: ❓ エージェントの「タスク」って何で構成されているの？ 💡 タスクは「インプット・環境・テストスクリプト」の3要素で成り立ちます。環境はエージェントの実行場所を提供し、ルーブリックが採点基準を定義します。複数の関連タスクにまたがる共有知識は「ワールドスペック」としてまとめ、APIスキーマ・データ生成方法・トレース解析スクリプトなどを一元管理します。 ❓ 大量のタスクを効率よく作るにはどうすればいい？ 💡 LangChainは2段階パイプラインを採用しています。最初に「スペック生成」フェーズでコーディングエージェントがリポジトリをスキャン・トレースを分析しワールドスペックを自動生成します。次に「Spec2Task」フェーズでそのスペックから実行可能なタスクに変換します。最初のタスク作成時のスペックをベースに、後続のサイクルで反復的に品質を高めていく設計です。 ❓ タスク作成で特に注意すべき落とし穴は？ 💡 3点が重要です。 ・実際のエージェントを動かさないと環境の欠陥が見えない（ペーパーテストでは不十分） ・モデルティア間（例: gpt-5.6-Luna vs Sol）で難易度を均等に校正する必要がある ・自由記述にはLLMベースの生成、表形式データにはSQLスクリプトという使い分けを徹底する ❓ ベンチマークは作ったら完成ですか？ 💡 いいえ。本番データを使った継続的改善が核心です。コスト分析・プロンプト簡略化の検証・ツール設定テストに本番トレースを活用し、ベンチマーク自体の品質を運用しながら高め続けます。 評価環境の構築を「一度やれば終わり」でなく継続的なエンジニアリングとして捉える姿勢が実践的です。 #AIエージェント# #LLM評価#

教師が「教えたいトピック」を打ち込むだけで、その場でインタラクティブな学習シミュレーションが生成される。そんな未来をGoogle Researchが実験しています。 タイトル: The future of practice: Enabling teachers to create learning interactives with generative UI URL: これまでの対話型シミュレーションは制作コストが高く数が限られていましたが、今回の取り組みにはとくに注目したいポイントが3つあります。 🧩 生成UIによるオンデマンド作成 教育向けに微調整されたLearnLMと生成UI（GenUI）技術を組み合わせ、任意のトピックに対して難易度が段階的に上がるレベル構成のシミュレーションをその場で構築します。導入・公式集・複数段階のヒント・個別フィードバックまで、教師が1対1で行うような足場かけを自動生成する点が特徴です。 🤖 エージェント的な品質保証ループ 生成物は教育学的基準・機械的基準・ビジュアル基準の3観点で自己修正されます。実際にChromeインスタンスを開いてボタン操作や解答可能性を検証する「agentic」なテストを組み込んでいるのが面白いところです。 📊 教師による高評価と実績 英国では40個のSTEM学習インタラクティブが「good or excellent」評価、米国では12人の教師が10点満点中平均8点を付けました。物理・化学・生物・数学にわたる30以上のインタラクティブが既に公開ライブラリで利用可能です。 「学習は観客としてではなく参加してこそ成立する」という原則を、生成AIでスケールさせる試みだと言えそうです。 #生成AI# #教育テック#

# Claude Agent SDKの便利だけど知られていない機能 🌍 実行時の条件に応じてエージェントの設定を変えたい？ファクトリ関数で動的にエージェントを生成できます！ Claude Agent SDKでは、ファクトリ関数パターンを使って、ランタイム条件に基づいてカスタマイズされたAgentDefinitionを動的に生成できます。 📌 タイトル：動的なエージェント定義（ファクトリ関数） 🔗 URL： 🧩 概要 `AgentDefinition` を返すファクトリ関数を作成することで、実行時の条件（セキュリティレベル、ユーザー権限、環境など）に応じてプロンプト、モデル、ツールセットをカスタマイズしたエージェントを動的に生成できます。エージェントはクエリ時に生成されるため、リクエストごとに異なる構成を適用できます。例えば、厳格なセキュリティレビューでは `opus` モデル、通常レビューでは `sonnet` モデルを使い分けるといった運用が可能です。 🛠 使い方 ```python # Python - セキュリティレベルに応じたエージェント生成 from claude_agent_sdk import query, ClaudeAgentOptions, AgentDefinition def create_security_agent(security_level: str) -> AgentDefinition: is_strict = security_level == "strict" return AgentDefinition( description="セキュリティコードレビュアー", prompt=f"あなたは{'厳格な' if is_strict else 'バランス重視の'}セキュリティレビュアーです...", tools=["Read", "Grep", "Glob"], model="opus" if is_strict else "sonnet", # 重要度に応じてモデルを変更 ) # クエリ時にファクトリを呼び出し async for message in query( prompt="このPRのセキュリティ問題をレビューしてください", options=ClaudeAgentOptions( allowed_tools=["Read", "Grep", "Glob", "Agent"], agents={ "security-reviewer": create_security_agent("strict") }, ), ): if hasattr(message, "result"): print(message.result) ``` ```typescript // TypeScript function createSecurityAgent(level: "basic" | "strict"): AgentDefinition { const isStrict = level === "strict"; return { description: "Security code reviewer", prompt: `You are a ${isStrict ? "strict" : "balanced"} security reviewer...`, tools: ["Read", "Grep", "Glob"], model: isStrict ? "opus" : "sonnet", }; } for await (const message of query({ prompt: "Review this PR for security issues", options: { allowedTools: ["Read", "Grep", "Glob", "Agent"], agents: { "security-reviewer": createSecurityAgent("strict") } } })) { if ("result" in message) console.log(message.result); } ``` 🏗 本番システムへの組み込み方 ・ユーザーの権限レベルやサブスクリプションプランに応じて、異なるモデルやツールセットを割り当てます ・環境変数や設定ファイルから条件を読み取り、デプロイ環境ごとに適切なエージェントを生成します ・タスクの重要度に応じて `model` を切り替え、コストと品質のバランスを最適化します ・複数のファクトリ関数を組み合わせて、多様なエージェントチームを動的に構成します 💡 ユースケース 🔐 重要なセキュリティレビューではopusモデル、日常のレビューではsonnetモデルを使い分ける 👥 ユーザーの権限に応じて利用可能なツールを動的に変更するマルチテナントシステム 🌐 リージョンや言語設定に応じてプロンプトをローカライズしたエージェントを生成する ⚠️ 注意点 ・ファクトリ関数はクエリ時に同期的に呼ばれるため、重い処理は避けてください ・生成されたエージェントは通常のAgentDefinitionと同じ制約（サブエージェントはサブエージェントを生成できない等）に従います ・動的に生成されるため、デバッグ時にどの構成が使われたかを記録しておくことをお勧めします ✨ ファクトリ関数パターンは、1つのコードベースで多様なユースケースに対応するエージェントを生成できる強力なパターンです。条件分岐をハードコードするのではなく、ファクトリに委ねましょう！ #ClaudeAgentSDK# #AIAgent#

# ADKの便利で実践的な使い方 🔐 APIキー、Bearer Token、OAuth2、OpenID Connect、サービスアカウント — ADKのAuthentication機能は、あらゆる認証方式をツールにシームレスに統合します。 📌 タイトル：Authentication — ツールの認証統合 🔗 URL： 🧩 概要 ADKのAuthentication機能は、AuthSchemeとAuthCredentialの2つのコンポーネントで構成されます。APIKey、HTTP Bearer、OAuth2、OpenID Connect、SERVICE_ACCOUNTの各認証方式をサポートし、ツールの認証を統一的に管理できます。OAuth2ではブラウザフローにも対応し、`tool_context.state`を使ったトークンキャッシュや、トークン有効期限の管理も可能です。 🛠 使い方 各認証方式の設定例です。 `google.adk.auth` から `AuthScheme`、`AuthCredential`、`APIKeyAuth`、`HTTPBearerAuth`、`OAuth2Auth` をインポートします。APIキー認証では `APIKeyAuth(header_name="X-API-Key")` でスキームを作成し、`AuthCredential(api_key="sk-your-api-key")` でクレデンシャルを設定します。HTTP Bearer認証では `HTTPBearerAuth()` と `AuthCredential(token="your-bearer-token")` を使います。OAuth2認証（ブラウザフロー）では `OAuth2Auth(authorization_url="", token_url="", scopes=["read", "write"])` でスキームを定義し、`AuthCredential(client_id="your-client-id", client_secret="your-client-secret")` でクレデンシャルを渡します。 ツールでの認証の活用: ツール内での認証活用例として、`call_protected_api(endpoint: str, tool_context: ToolContext)` 関数を定義します。`tool_context.state.get("user:api_token")` でキャッシュ済みトークンを取得し、有効期限内であればそのまま使用します。期限切れの場合は `refresh_token(tool_context)` で新しいトークンを取得し、`tool_context.state["user:api_token"]` に保存してキャッシュします。取得したトークンを `Authorization: Bearer` ヘッダーに設定してAPIを呼び出します。 🏗 実践的な使い方 **トークンキャッシュ戦略**: `tool_context.state`の`user:`プレフィックスを使ってトークンをキャッシュすることで、同一ユーザーのセッション内でトークンの再取得を避けられます。有効期限の管理も忘れずに実装しましょう。 トークンキャッシュの実践例として `get_or_refresh_token(tool_context: ToolContext) -> str` を定義します。`tool_context.state.get("user:oauth_token")` からトークンデータを取得し、`expires_at` を確認して有効期限内（60秒のバッファ付き）であれば `access_token` をそのまま返します。期限切れの場合は `oauth_client.refresh(refresh_token=...)` で新しいトークンを取得し、`tool_context.state["user:oauth_token"]` に `access_token`、`refresh_token`、`expires_at` を含む辞書として保存します。 **サービスアカウント認証**: GCPサービス間の通信では、SERVICE_ACCOUNT認証を使うことで、ユーザーの介入なしにセキュアなAPI呼び出しが可能です。 **認証の多層化**: 同一エージェント内で複数の認証方式を使い分ける場合、ツールごとに異なる認証を設定できます。OpenAPIToolsetの`auth_scheme`/`auth_credential`と組み合わせると効果的です。 💡 ユースケース 🔑 APIキーによるサードパーティAPI認証 🌐 OAuth2によるユーザー代理でのAPI操作 🏗️ サービスアカウントによるGCPサービス間連携 🔄 トークンのキャッシュと自動リフレッシュ ⚠️ 注意点 - 認証情報（APIキー、シークレット）はコードにハードコードせず、環境変数やSecret Managerから取得してください。 - OAuth2のブラウザフローはサーバーサイドのバッチ処理では使えません。サービスアカウントやクライアントクレデンシャルフローを検討してください。 - トークンの有効期限管理を怠ると、期限切れトークンでのAPI呼び出しが401エラーになります。バッファを持った自動リフレッシュを実装しましょう。 ✨ ADKの認証機能を適切に設定すれば、セキュアなAPI連携をツール内にシームレスに組み込めます。認証はエージェントの信頼性の土台です！ #ADK# #AIAgent#

商談AIワークフローをアップデート。 従来の事前リサーチに加え、「予習ロープレ」を自動生成するようにしました。 営業が手でやっていた「企業 / 競合リサーチ」に加え、AIが「過去商談からの反論予測・予習ロープレ作成」を構築。 人がやると毎回30分〜1時間。これをAIオーケストレーターが裏側で自動生成し、営業は資料を読んで模擬商談を練習するだけ。 設計のポイントは3つ： ・検知と下調べ、重い生成処理を役割分担（ハイブリッド構成） ・ゼロから作らず、既存の仕組みを再利用 ・いきなり全自動化せず「価値検証 → 自動化 → 深連携」の段階構築 音声の質や応答スピード、デザインクオリティ、結果フードバックから予習ロープレ改善フローなど改善点はあるが、基盤データやフローの流れは一旦構築できた気がする