自閉症では社会的ルールを自然に学ぶことが難しい場合があります。そのため明示的な説明や構造化が必要になります。#自閉症スペクトラム# #社会認知#

【ポケモン】『ポケットモンスター』複雑化するバトルを支えるシステム設計と運用事例。カギとなるのは構造化と拡張性【CEDEC2026】 1000種を超えるポケモン、900以上の技、300種を上回る特性が複雑に絡み合うバトルを処理するシステム、肝となる構造化と拡張性の確保を解説

# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェント間の引き継ぎで、理由やメタデータも一緒に渡したいことはありませんか？ Handoff inputsとon_handoffを使えば、構造化されたデータとともにスムーズな引き継ぎが実現できます。 📌 タイトル：Handoffs – Handoff inputs 🔗 URL： 🧩 概要 Handoff inputsは、handoff時にモデルが生成する構造化データを引き継ぎ先エージェントに渡す仕組みです。`on_handoff`コールバックと組み合わせることで、引き継ぎ理由のログ記録、メタデータの事前取得、引き継ぎ先エージェントへのコンテキスト注入が可能になります。 🛠 使い方 Pydanticモデル `EscalationData(BaseModel)` で `reason: str`, `priority: str = "normal"`, `customer_tier: str = "standard"` を定義し、handoff時の構造化データとします。`on_escalation(ctx: RunContext, input_data: EscalationData)` コールバックでは、`input_data.reason` や `input_data.priority` をログ出力し、`ctx.context["customer_id"]` から顧客データを事前取得して `ctx.context["customer_data"]` に格納します。エスカレーション先の `Agent(name="escalation", instructions="...")` と、トリアージ用の `Agent(name="triage", handoffs=[Handoff(agent=escalation_agent, input_type=EscalationData, on_handoff=on_escalation, handoff_description="複雑な問い合わせや緊急対応が必要な場合")])` を定義します。`await input="二重請求されました。すぐに対応してほしいです。", context={"customer_id": "C-12345"})` で実行します。 🏗 実践的な使い方 **エスカレーション理由の構造化** `EscalationData(reason, priority)`のようにPydanticモデルで引き継ぎ理由を型安全に定義できます。モデルが自由文で理由を生成するのではなく、構造化されたデータとして受け取れるため、後続処理やログ分析が容易になります。 **on_handoffでのデータ事前取得** `on_handoff`コールバック内で、引き継ぎ先エージェントが必要とするデータをDBやAPIから事前に取得できます。これにより、引き継ぎ先エージェントが改めてデータ取得ツールを呼ぶ必要がなくなり、レイテンシを削減できます。 **メタデータの伝達** 返金エージェントに`{"reason": "duplicate_charge", "priority": "high"}`を渡すことで、返金ポリシーの判断に必要な情報を構造化された形で引き継げます。自由文の会話履歴からモデルが推測するよりも正確です。 **監査ログの記録** `on_handoff`内で引き継ぎの理由・タイミング・優先度を監査ログに記録できます。カスタマーサポートのSLA管理や、エスカレーション傾向の分析に活用できます。 💡 ユースケース 🔄 カスタマーサポートのエスカレーション（理由と優先度を構造化して引き継ぎ） 💳 返金処理への引き継ぎ（二重請求/商品不良/キャンセルなどの理由を明示） 📊 引き継ぎ理由の集計・分析（on_handoffでログ記録→ダッシュボード化） ⚡ 引き継ぎ先エージェントのレイテンシ削減（on_handoffでデータプリフェッチ） ⚠️ 注意点 - `input_type`に指定したPydanticモデルのフィールドが多すぎると、モデルが正確にデータを生成できなくなります。必須フィールドは最小限にし、オプショナルフィールドにはデフォルト値を設定してください。 - `on_handoff`内で例外が発生するとhandoff全体が失敗します。外部API呼び出しにはtry-exceptを入れ、フォールバック処理を用意してください。 - `on_handoff`は同期的に実行されます。重い処理を入れるとhandoffのレイテンシが増加するため、必要最小限の処理に留めてください。 - `input_type`を指定しない場合、`on_handoff`のコールバックは`input_data`引数を受け取りません。 ✨ Handoff inputsで構造化されたコンテキストを引き継ぎ、エージェント間の連携をスムーズにしましょう！ #OpenAIAgentSDK# #AIAgent#

# AIエージェント開発の意思決定ポイント # 温度（Temperature） 🎯 ポイント 温度パラメータ、全部のタスクに同じ値を設定していませんか？ エージェントシステムにおける温度は「創造性のつまみ」ではありません。構造化出力、ツール呼び出し、ユーザー応答 -- 経路ごとに最適な温度は全く違います。1つのエージェント内でも使い分けるのが基本です。 📋 概要 温度はLLMが次のトークンを選ぶ際の確率分布の「尖り具合」を制御するパラメータです。温度0に近いほど最も確率の高いトークンが選ばれやすくなり、出力は決定論的で安定します。温度を上げると確率分布が平坦化し、低確率のトークンも選ばれるようになるため、出力の多様性と創造性が増します。 AIエージェントでは、構造化出力を生成する場面、ツール呼び出しの引数を組み立てる場面、自由形式のテキストを生成する場面で求められる温度が異なります。温度は単一の固定値ではなく、タスクの種別に応じて動的に切り替えるべき変数です。 🔍 意思決定のポイント 温度の設定は主にtask_variability（タスクの定型度）で決まります。判定フローは明快です 🧭 1. 構造化出力（JSON/関数呼び出し）か？ → 0.0〜0.3 2. 正確性が最優先（事実抽出・分類・要約）か？ → 0.2〜0.5 3. 対話・説明・コミュニケーションか？ → 0.5〜0.7 4. 創作・ブレインストーミング・候補生成か？ → 0.7〜1.0 加えて、failure_cost（失敗コスト）が高いほど温度の上限を下げ、cost_sensitivity（コスト感度）が高い環境ではリトライによるコスト増を見込んで温度を抑えます。 💡 要点と詳細 タスク別の目安値 📊 - 構造化出力（JSON / function calling） → 0.0〜0.3。スキーマ違反の最小化が最優先 - 分類・抽出・データ変換 → 0.0〜0.2。正確性と再現性が命 - 要約・説明・カスタマー対応 → 0.5〜0.7。自然さと正確性のバランス - 創作・ブレスト・候補生成 → 0.7〜1.0。多様性が価値の源泉 - ツール引数の生成 → 0.0〜0.2。関数名・引数名の正確性が不可欠 - 計画・推論 → 0.3〜0.6。多少の探索は有益だが論理の一貫性を保つ 構造化出力の温度はまず0から始めてください。0でもスキーマ違反が出る場合はプロンプトかスキーマの問題です。温度を上げて「偶然正しい出力が出る」ことに依存してはいけません 🚫 ⚖️ トレードオフ 温度が低すぎると対話が機械的で紋切り型になります 🤖 同じ質問に毎回同じ回答を返し、「テンプレート応答」の印象を与えます。Best-of-Nサンプリングも候補がほぼ同一になり、N倍のコストだけかかって実質N=1と同じ結果に。 温度が高すぎると構造化出力が壊れ始めます 💥 JSONのフィールド名が揺れたり、型が合わなくなったり。ハルシネーションも増加し、固有名詞・数値・日付の正確性が崩壊します。ツール呼び出しの不安定化、再現性の喪失も深刻な問題です。 温度によるリトライコストの増加も計測してください。スキーマ違反率が概ね5%を超えたら温度を下げることを検討しましょう。 🛠️ ユースケース エージェント内の経路ごとに温度を変えるのが基本 🔀 計画ステップは0.3〜0.5、ツール呼び出しの引数生成は0.0〜0.2、ユーザー向け応答は0.5〜0.7。モデルを切り替える際に温度も同時に切り替えると自然です。 Best-of-Nを使うなら温度を上げる必要があります。温度0でN=5を生成しても、ほぼ同一の候補が5つ返るだけです。N>1のときは0.5〜0.8に設定し、多様な候補の中からJudgeが最良を選ぶ構成にします。 top_pとの併用には注意 ⚠️ 温度とtop_pを両方変更すると効果が掛け算になり、予測困難な挙動を示します。原則としてどちらか一方だけを調整してください。 #AIエージェント# #ソフトウェアアーキテクチャ#

# 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#

【注目】AIに売る時代の到来🛒 (株)ハックルベリーは、自社ECサイトのAI対応状況を可視化する「AIコマース診断ツール」を提供開始。 AIエージェントによる購買を見据え、構造化データやAPI連携など、AIに選ばれるECサイトづくりを支援する。 #AI# #EC# #AIコマース# @hb_shopify

Claudeがまとめました 多額の現金での不動産決済では現金の出所の追求は行わないのか いい質問です。ここには**用語の罠**があって、それが構造そのものになっています。 ## まず「現金」を二つに分ける 英語の "all-cash purchase" が誤解を生みます。これは**札束のことではありません**。 **① 紙幣そのもの** — 実はほぼ塞がれている **② 「オールキャッシュ」= 住宅ローンを使わない取引** — 実態は銀行送金。**本丸はこちら** ## 紙幣は実際にはほぼ塞がれている - **EU** — 2024年のAMLパッケージでEU全域1万ユーロ上限。加盟国は既にもっと厳しく、フランスとスペインは1,000ユーロ - **米国** — 上限はないが、事業者が1万ドル超の現金を受け取ればForm 8300でFinCENに申告義務。不動産も対象。分割すれば構造化という別の犯罪 - **日本** — 宅建業者は犯収法の特定事業者。取引時確認が義務 - **UAE** — 不動産業者はAED 55,000超の現金・暗号資産取引をFIUに報告 スーツケースに札束を詰めて家を買う絵は、現在ほぼ成立しません。 ## 本題は「住宅ローンを使わない取引」 ここが決定的です。 **ローンがある場合、出所確認は実質的に銀行がやっています。** 融資審査で収入、頭金の出所、口座履歴を見る。金融機関にはAML義務がある。つまり**住宅ローンがAMLの関所として機能している**。 **ローンがない場合、その関所が丸ごと消えます。** 代わりに誰が見るか——仲介業者、弁護士、公証人、決済代行を規制の網に入れているかどうかで決まる。前回述べたFinCENの規則が「非融資取引」だけを狙った理由であり、豪州トランシェ2の意味もここにあります。 ## 制度上は「確認することになっている」 英国を例にとると、2017年マネロン規則により不動産業者は規制対象で、HMRCへの登録、顧客デューディリジェンス、実質的所有者の確認、**資金源の確認**、5年間の記録保存、MLRO(報告責任者)の設置、疑わしい取引の報告が義務です。2020年からは売主だけでなく**買主にも**確認義務が及びます。 ですからご質問への答えは「行わない」ではなく、「**行うことになっている**」です。 ## しかし機能していない ### 数字が語ること 英国政府自身の発表によれば、2017年4月から2018年3月までの1年間に**不動産業者が提出した疑わしい取引報告はわずか710件**でした。同じ期間、会計士は5,036件、独立法律専門職は2,660件を提出しています。 不動産は英国の2025年国家リスク評価で最高リスク部門とされ、ほぼすべての資金洗浄類型と前提犯罪に登場するとされているにもかかわらず、です。 そして**2026年現在もNCAは、不動産部門からの報告件数は低水準にとどまると報告しています。** この間に、2016年から2022年にかけて**67億ポンド**分の英国不動産が出所の疑わしい資産で購入されたと推計されました。 米国の古いデータも同じ構図です。1996〜2006年の商業用不動産関連の疑わしい取引報告9,528件のうち、**9,191件は銀行が提出したもの**でした。不動産業者ではありません。 ### なぜそうなるのか——四つの理由 **① 利益相反** 確認を求められる当事者は、**取引が成立して初めて報酬を得ます**。仲介は成約報酬制です。取引を止める動機がゼロで、進める動機が最大。 英国の業界団体プロパティマークの指導文書が、「取引が商業的に価値が高い、進行が速い、契約直前だから、という理由で懸念を無視してはならない」とわざわざ書いていること自体が、実態を物語っています。 **② 「資金源」と「資産形成の経緯」の混同** 実務の確認は圧倒的に**Source of Funds(この取引の原資はどこから来たか)**で止まり、**Source of Wealth(そもそもどうやって財産を築いたか)**には及びません。 そして前者は簡単に満たせます。銀行の残高証明を出せばよい。しかし**口座に金があるという事実は、その金がどう稼がれたかを何も語りません。** **③ 「銀行を通ったから確認済み」という循環論法** 実務で最も多い思考停止がこれです。規制された銀行から送金されてきたのだから既に確認済みだろう、と。しかし送金元の銀行が行ったのは口座開設時のKYCにすぎず、コルレス連鎖を経た国際送金にはほとんど情報が付いていません。 **④ 監督の非対称** 英国では銀行はFCAが、不動産業者はHMRCが監督します。検査密度も執行力も別物です。HMRCの検査で繰り返し指摘されるのは、リスク評価がテンプレートの流用で古びている、顧客確認が場当たり的、といった初歩的な不備です。 ## 現在の各国の実態 ## 結論 ご質問への直接の答えは、**制度上は追及することになっている。しかし追及する義務を負う者が、追及しない経済的動機を持っている**、ということになります。 そして最も重要な点は——**「現金取引」とは、実は「銀行の関所を通らない取引」の別名**だということです。 ローンを組めば銀行が調べる。組まなければ、調べるのは成約報酬で食べている人だけになる。 金の話で「監査が当たっている段階がずれている」と申し上げましたが、不動産では**監査を当てられた人の利害がずれている**。同じ問題の、別の現れ方です。

⬜ 7/30（木）14:00-14:30 🔰 🟨 KDDIアイレット、メトロアドエージェンシー 「属人化脱却！ メトロアドエージェンシー様と挑んだ広告審査 DX AI 活用で審査時間を大幅削減を目指す」 🤝 属人化した暗黙知を構造化。技術的視点も含めて実践例を伺います！ #GoogleCloudNext🗼#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 LLM の出力を「文字列のまま祈る」のではなく、型安全な構造化データとして受け取りましょう。output_type を使えば、壊れた JSON に悩まされる日々とはお別れです。 output_type に Pydantic モデル・dataclass・TypedDict を指定するだけで、エージェントの出力が自動的にバリデーション済みの構造化データになります。 📌 タイトル：Agents -- Output types 🔗 URL： 🧩 概要 Agent の `output_type` パラメータを設定すると、LLM の出力が Structured Outputs として強制されます。Pydantic BaseModel、dataclass、TypedDict のいずれかを指定でき、出力は自動的にパースされバリデーションされます。これにより、下流のコードが安全に構造化データを扱えるようになります。`output_type` を設定すると、エージェントのファイナル出力はテキストではなく指定した型のオブジェクトになります。 🛠 使い方 `BaseModel` を継承した `CalendarEvent` クラスに `name: str`, `date: str`, `participants: list[str]` フィールドを定義し、`Agent` の `output_type=CalendarEvent` に指定します。` ...)` の ` が `CalendarEvent` 型として返され、` や `event.participants` で型安全にアクセスできます。 🏗 実践的な使い方 **メールからカレンダーイベントを抽出して API 登録** 構造化出力をそのまま外部 API に渡すパイプラインです。 ` email_body)` で抽出した ` を `CalendarEvent` 型として受け取り、`calendar_api.create_event(title= date= attendees=event.participants)` でそのまま外部 API に渡します。 **Enum 出力による分岐オーケストレーション** 分類結果を enum で返し、コードで確実に分岐させるパターンです。 `TicketCategory(str, Enum)` で `billing`, `technical`, `general` を定義し、`Classification(BaseModel)` に `category: TicketCategory` と `confidence: float` を持たせます。`Agent` の `output_type=Classification` を設定して分類を実行し、` を `match` 文で分岐して `handoff_to_billing`, `handoff_to_engineering`, `handoff_to_general` にルーティングします。 **ビジネスクリティカルな処理での型保証** 「壊れた JSON は絶対に許容できない」業務で、Structured Outputs が安全弁として機能します。 `InvoiceData(BaseModel)` に `invoice_number: str`, `amount: float`, `currency: str`, `due_date: str`, `line_items: list[dict[str, str | float]]` を定義し、`Agent` の `output_type=InvoiceData` に指定することで、請求書データの構造化抽出を型安全に保証します。 💡 ユースケース 📧 メールから CalendarEvent(name, date, participants) を抽出し、カレンダー API に自動登録 🏷 サポートチケットを Enum 分類し、category に応じてコードで確実にルーティング 💰 請求書・契約書の構造化抽出で「壊れた JSON が許されない」業務処理を型安全に 📊 アンケート自由記述を構造化データに変換し、集計パイプラインに直接投入 ⚠️ 注意点 - output_type を指定すると、エージェントの最終出力は必ずその型になります。通常のテキスト応答は返せなくなるため、テキスト応答が必要な場合は output_type を設定しないでください。 - 複雑すぎるネスト構造は LLM の出力精度を下げる可能性があります。できるだけフラットな構造を心がけましょう。 - Optional フィールドを適切に使い、LLM が情報を見つけられなかった場合の None を許容する設計にしましょう。 ✨ output_type を活用すれば、LLM の出力をそのままビジネスロジックに組み込めます。「パースして祈る」から「型で保証する」へ、一歩進んだエージェント開発を始めましょう！ #OpenAIAgentSDK# #AIAgent#