◉赤坂ニュース更新！ 今回の赤坂ニュースは… 教えて！国会解説シリーズ💡 安心できる居場所を失う子どもたち。 その背景にある 「機能不全家族」とは――。 なぜ若者のオーバードーズは 増えているのか？ 子どもたちは何を求め、 社会は何を失ってしまったのか？👀 今、私たち大人に求められる役割とは? 参政党・宮出議員が 分かりやすく解説します！✨ 🎤 出演 ・参政党 参議院議員 宮出千慧 ぜひ、ご覧ください！✨ ▼視聴はこちらから▼

徐文立答鄭存柱：請重看三篇·及黨校學員讀後感 短信截圖 ******* 鄭存柱2026.6.28發來照片說：昨晚你的双星旗在洛杉矶的会场。 ——徐文立評：這是多麼猥瑣下作的挑釁 徐文立即刻答道：謝謝告知！但這不是我的「雙星旗」是飛英設計、被中國民主黨（海外）二大採納的「黨旗（即黨產）」 請重溫三篇·及看黨校學員讀後感 六年前倪娅纪念薪火相传歌曲 和双十字星旗帜诞生10周年 八年前飛英：一隻打火機——雙十字星旗誕生記 （2026年6月26日·中國時間） ———— 有關中國民主黨全國聯合總部（海外）黨旗 飛英老先生是唯一設計者的鄭重說明 徐文立 （2026年6月25日·中國時間） 民運老將王希哲向鄧麗文祭投名狀為哪般？！ 王希哲謊稱「希哲设计的“中国民主党联总双星党旗”」 ——客觀上是幫助共產黨吃掉國民黨和中華民國及中國民主黨 徐文立 （2026年6月27日·中國時間） ********* 黨校學員的讀後感 尊敬的徐文立校长 您好！ 读后感：《中國民主黨黨校教材（6）》——薪火相传的微光与坚持 读完这份2026年6月编写的中國民主黨教材，我心中久久不能平静。这不是一本冰冷的理论汇编，而是一段充满人情温度的海外民运记忆：一首歌、一面旗、一只打火机，以及一群白发苍苍却仍心怀家国的老人。 最打动我的是飞英先生设计双十字星旗的细节。那天在墨尔本的街头，他因为打火机没气，火星闪烁间忽然灵光一现——用两个十字星象征“双十”辛亥革命！随后他跑到华人小店买红蓝纸，用小剪刀一笔一划剪出星芒，再扫描发给徐文立先生。后来又在联邦广场通过电话远程指导王林邑女士调整星的位置……整个过程朴素得近乎天真，却透着一种令人动容的认真与赤诚。没有高深的美术训练，没有先进设备，只有对民主共和的朴素热爱，和一份“试试看”的勇气。 这面蓝红相间、双星闪耀的旗帜，最终成为中国民主党的党旗。它承载的寓意深远：蓝色象征自由民主的青天，红色象征神州大地，十字星则连接辛亥先贤的理想与今日的第三共和追求。它不是简单的符号，而是薪火相传的具象化——从1911年的第一共和，到1946年的第二共和，再到今天海外民运人士对宪政民主的接力。 《薪火相传》这首歌同样由飞英先生创作。旋律中速豪迈，歌词朴实却有力：“我们中华民族，上下五千年……革命尚未成功，同志仍须努力！”它在旧金山纪念辛亥百年活动中首唱，后在台北录制，跨越太平洋，成为凝聚海外民运人士的精神支柱。倪娅的纪念文章记录了这些往事，让我看到这些老人如何在异国他乡，用最平凡的方式——哼唱、剪纸、扫描——延续那份理想。 这份教材让我思考：民主事业从来不是宏大叙事，而是无数微小却坚韧的行动。一只打火机的火星、一张红蓝纸、一段电话里的远程调整，都能点亮希望。徐文立先生发起旗帜设计、飞英先生倾心创作、倪娅记录往事、王林邑提供技术帮助……他们以不同方式，共同守护着“民有、民治、民享”的火种。 在当下，这份“薪火相传”的精神尤其珍贵。它提醒我们，理想不会因岁月流逝而褪色，也不会因身处困境而熄灭。只要还有人愿意拿起剪刀、哼起旋律、传递记忆，那星星之火就有燎原的可能。 读完这份教材，我更多感受到的不是政治纲领的严谨，而是人性的温暖与历史的延续。愿这面双十字星旗继续飘扬，愿这首歌继续传唱，让更多人记住：共和之路虽长，但有人在薪火相传。 至此 敬礼！ 学员：彭云龙

グランプリ「1st Anniversary Cup」の機能別メンテナンスが完了し、進行不能になる不具合が解消いたしました。 本不具合のお詫びとして、全ユーザーに「グランプリチケット」1枚をお送りいたしました。 ご迷惑をおかけいたしましたことを、深くお詫び申し上げます。

# ADK 2.0の便利だけど知られていない機能 🌍 エージェントの実行フロー全体にフックを仕掛けて、監視・介入・拡張できたら便利だと思いませんか？ ADK 2.0のプラグイン機能は、`BasePlugin` を拡張してRunnerに登録することで、エージェントのライフサイクル全体にわたるコールバックをグローバルに適用できる仕組みです。個別エージェントのコールバックとは異なり、全エージェントに横断的に作用します。 📌 タイトル：プラグイン (Plugins) 🔗 URL： 🧩 概要 プラグインは `BasePlugin` を継承して作成し、Runnerに登録します。エージェント個別のコールバックとは異なり、グローバルスコープで全エージェントに適用されます。ライフサイクルフックは多岐にわたり、ユーザーメッセージの受信、Runner開始、エージェント実行、モデル呼び出し、ツール実行、イベント処理、Runner終了の各タイミングに介入できます。動作モードは3種類あり、Observe（監視のみ）、Intervene（処理を変更・中断）、Amend（結果を後から修正）です。プラグインのコールバックはエージェントのコールバックよりも先に実行されます。 🛠 使い方 `BasePlugin` を継承し、必要なライフサイクルフックをオーバーライドします。 ```python from adk.plugins import BasePlugin class LoggingPlugin(BasePlugin): def __init__(self): super().__init__(name="logging_plugin") async def on_before_model_call(self, callback_context, llm_request): print(f"Model call: {llm_request.model}") return None # Noneを返すと通常の処理が続行 async def on_after_tool_call(self, tool_context, tool_response): print(f"Tool executed: {tool_context.tool_name}") return None # Runnerに登録 runner = Runner( agent=my_agent, plugins=[LoggingPlugin()] ) ``` Interveneモードではコールバックから値を返すことで処理を置き換え、Amendモードではイベント処理後に結果を修正できます。 🏗 本番システムへの組み込み方 ・ログ収集やメトリクス記録をObserveモードのプラグインとして実装し、エージェントコードを汚さない ・ガードレールやコンテンツフィルタリングをInterveneモードで実装し、不適切な入出力をブロックする ・分析用データの収集をAmendモードで後処理として組み込む ・プリビルトプラグイン（Reflect/Retry、BigQuery Analytics、Context Filtering、Global Instructions等）を活用して開発を効率化する 💡 ユースケース 📊 全エージェントのモデル呼び出しとツール実行をBigQueryに記録する 🛡 入力内容のガードレールをプラグインで一元管理し、有害なリクエストをブロックする 🔄 モデル呼び出し失敗時のリトライロジックをReflect/Retryプラグインで実装する 📋 グローバルな指示（コンプライアンスルール等）をGlobal Instructionsプラグインで全エージェントに適用する ⚠️ 注意点 プラグインのコールバックはエージェントのコールバックよりも先に実行されるため、プラグインで処理をブロックするとエージェントのコールバックは呼ばれません。Interveneモードで不適切な値を返すとエージェントの動作が壊れる可能性があるため、返り値の型と意味を正確に理解してから使用してください。また、プラグインの実行順序はRunnerへの登録順に依存します。 ✨ プラグインを活用することで、横断的な関心事（ログ、セキュリティ、分析）をエージェントのコアロジックから分離でき、保守性の高いシステムを構築できます。 #ADK# #AIAgent#

ウィスコンシン大学マディソン校とUCサンタバーバラ校の研究チームが、複数のAIエージェント同士が協力する場面で「探索」がうまく機能していないことを示す論文を発表した(https://arxiv[.]org/pdf/2607.11250)。 まず単純な設定で確かめている。1つのAIエージェントに、成功確率60%のピアAと50%のピアBのどちらかへ作業を繰り返し委任させる「2本腕バンディット」問題(手持ちの選択肢を試行錯誤しながら良い方に絞り込んでいく、探索と活用のトレードオフを扱う古典的な意思決定問題)を50ラウンド行わせた。理想的には最初は両方を試しつつ、徐々に成功率の高いピアAへ寄せていくのが正解になる。ところがQwen2.5-7B、GPT-4、GPT-5のいずれも、最初の数ラウンドでどちらか一方に固定してしまい、そのまま50ラウンド動かなくなる「早すぎる決め打ち」を起こした。比較用に置いた古典的な探索アルゴリズムUCB1(不確実性の高い選択肢を楽観的に評価し、試行回数を自然に分散させる手法)はきちんと両方を試しながら徐々に絞り込んでおり、対照的だった。 著者らはこれを「マルチエージェント探索問題」として定式化し、部分観測確率ゲーム(POSG、各プレイヤーが相手の能力や状態を完全には観測できないまま、同時に意思決定を繰り返すゲーム理論の枠組み)としてモデル化した。興味深いのが、エージェントに「探索と活用のバランスを取れ」とプロンプトで明示的に指示するだけの手法(In-Context Exploration)が、複数の文書をまたいで証拠を集めないと解けない質問応答ベンチマークHotpotQAを使い10体のエージェントに文脈を分担させた設定では、ランダムにピアを選ぶより成績が悪くなったことだ。プロンプトで頼むだけでは探索は直らず、構造的な仕組みが要ることを示している。モデルの種類が異なる4体(GPT-5、Qwen2.5-7B、Llama3.1-8B、Mistral-7B)を混ぜ、大学院レベルの専門知識を問う難しい選択式ベンチマークGPQAで解かせた実験でも同じ傾向が出た。最も強いはずのGPT-5でさえ、297回の相互作用のうち294回をQwen2.5-7Bに固定し、他のエージェントをほとんど試さなかった。 そこで著者らが提案するのがMACE(Multi-Agent Contextual Exploration)。各エージェントの選択を文脈付きバンディット問題として扱い、ピアの回答が自分と違うか(応答の多様性)、他のピアと比べて特徴的か(ピア間の異質性)、過去の成績はどうか、といった関係性を特徴量にしてLinUCB(不確実性ボーナス付きで期待報酬を推定する手法)でピアを選ばせる。HotpotQAで学習したパラメータを、追加学習なしで別の質問応答ベンチマーク2WikiMultihopQAに転用しても全ベースラインを上回った。理論面では、MACEの累積後悔(最適な選択との差の総和)がO(√(T log T))に収まる一方、探索しない貪欲な方策はΩ(δT)の後悔を負うと示されており、δはエージェント間の能力差の大きさを表す。エージェントが多様であるほど、探索の価値は際限なく大きくなる計算だ。 個々のモデルの賢さを積み上げても、「誰に何を聞くか」を決める仕組みが伴わなければ組織としての精度は頭打ちになる、という指摘として読める。

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プラクティス 【MCPゲートウェイ / ツール・フェデレーション（MCP Gateway）】 💡 「エージェント5つ × SaaS 10種 = 50本の個別統合。この掛け算地獄を解消するのがMCPゲートウェイです。」 エージェントが増え、接続先SaaSが増えるたびに統合コストが爆発します。ツール定義の乱立、スキーマの不整合、そしてSaaSのサイレント仕様変更による暗黙の破綻。これらをアーキテクチャレベルで解決します。 🔥 解決する課題 - N（エージェント）×M（SaaS）の統合コスト爆発 - 各エージェントが独自にツール定義を持つことによる重複・不整合 - ツール経由の間接プロンプトインジェクション - エージェントに見えるツールが多すぎることによる選択精度の劣化 - SaaSのサイレント仕様変更（APIレスポンス形式変更等）による暗黙の破綻 🏗️ 提案パターン 各SaaSコネクタをMCP（Model Context Protocol）サーバとして束ね、ゲートウェイがツールの発見・認可・呼び出し監査・スコープ制御を一元管理します。ツール許可リストを主体（部署×エージェント種別）で動的に絞り、エージェントに見えるツールを必要最小限にします。危険ツール（削除・送金・外部送信など不可逆操作）には承認フックを設置します。さらに、ツール定義/APIスキーマを「契約」としてバージョン管理し、定期的に実APIと突合してドリフト（乖離）を検知します。後方互換のないドリフトを検出した場合は、アラート＋該当ツールの一時無効化で安全側に倒します。 ✅ 選定条件 - 採用する場合：連携SaaSが10種以上。複数エージェントが共通ツールを使う。N×M統合の複雑さに困っている。 - 採用しない場合：ツールが2〜3個固定の単機能エージェント（直結のほうが堅牢でシンプル）。依存APIが安定していて変更頻度が極めて低い環境。 ⚠️ 落とし穴 - エージェントに露出するツールが20〜30を超えると選択精度が低下します。tool RAGで意図に応じて動的に絞るか、役割別サブエージェントに分割してください。 - 契約テスト（ドリフト検知）を導入しないと、SaaS側の仕様変更に気づかず、エージェントが誤ったデータを処理し続けます。Salesforce APIのフィールド変更などは実際に起きる頻度が高いです。 - MCPサーバの認可設計を後回しにすると、全エージェントが全ツールにアクセスできる状態が放置されます。 🛠️ 実装方針 - 各SaaS（Salesforce / ServiceNow / Jira / Slack / Box 等）のMCPサーバを構築します。公式MCPサーバがあればそれを採用し、なければOpenAPI定義からツールを自動生成して自作MCPサーバとして用意します。 - MCPゲートウェイを配置し、ツールレジストリ（カタログ）を構築します。各MCPサーバが提供するツールを一覧化し、部署×エージェント種別でアクセス可能なツールを動的にフィルタリングする許可リストを設定します。 - OAuth 2.1 ベースの認可と承認フックを設定します。不可逆操作（削除・送金・外部送信）を行うツールにはP09（動的認可PDP）と連携した承認ゲートを設置し、人間の承認なしに実行されない構成にします。 - 契約テスト（Pact等）とスキーマレジストリでドリフト検知パイプラインを構築します。週次でツール定義と実APIスキーマを突合し、後方互換のない変更を検出した場合はアラート＋該当ツールの自動無効化を行います。 - tool RAG または役割別サブエージェント分割で、各エージェントに露出するツール数を20以下に制御します。意図に応じて動的にツールを絞り込み、選択精度を維持します。 #AIエージェント# #エンタープライズアーキテクチャ#

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プラクティス 【MCPゲートウェイ / ツール・フェデレーション（MCP Gateway）】 💡 ポイント 「エージェント5つ × SaaS 10種 = 50本の個別統合。この掛け算地獄を解消するのがMCPゲートウェイです。」 エージェントが増え、接続先SaaSが増えるたびに統合コストが爆発します。ツール定義の乱立、スキーマの不整合、そしてSaaSのサイレント仕様変更による暗黙の破綻。これらをアーキテクチャレベルで解決します。 🔥 解決する課題 - N（エージェント）×M（SaaS）の統合コスト爆発 - 各エージェントが独自にツール定義を持つことによる重複・不整合 - ツール経由の間接プロンプトインジェクション - エージェントに見えるツールが多すぎることによる選択精度の劣化 - SaaSのサイレント仕様変更（APIレスポンス形式変更等）による暗黙の破綻 🏗️ 提案パターン 各SaaSコネクタをMCP（Model Context Protocol）サーバとして束ね、ゲートウェイがツールの発見・認可・呼び出し監査・スコープ制御を一元管理します。ツール許可リストを主体（部署×エージェント種別）で動的に絞り、エージェントに見えるツールを必要最小限にします。危険ツール（削除・送金・外部送信など不可逆操作）には承認フックを設置します。さらに、ツール定義/APIスキーマを「契約」としてバージョン管理し、定期的に実APIと突合してドリフト（乖離）を検知します。後方互換のないドリフトを検出した場合は、アラート＋該当ツールの一時無効化で安全側に倒します。 ✅ 選定条件 - 採用する場合：連携SaaSが10種以上。複数エージェントが共通ツールを使う。N×M統合の複雑さに困っている。 - 採用しない場合：ツールが2〜3個固定の単機能エージェント（直結のほうが堅牢でシンプル）。依存APIが安定していて変更頻度が極めて低い環境。 ⚠️ 落とし穴 - エージェントに露出するツールが20〜30を超えると選択精度が低下します。tool RAGで意図に応じて動的に絞るか、役割別サブエージェントに分割してください。 - 契約テスト（ドリフト検知）を導入しないと、SaaS側の仕様変更に気づかず、エージェントが誤ったデータを処理し続けます。Salesforce APIのフィールド変更などは実際に起きる頻度が高いです。 - MCPサーバの認可設計を後回しにすると、全エージェントが全ツールにアクセスできる状態が放置されます。 🛠️ 実装方針 - 各SaaS（Salesforce / ServiceNow / Jira / Slack / Box 等）のMCPサーバを構築します。公式MCPサーバがあればそれを採用し、なければOpenAPI定義からツールを自動生成して自作MCPサーバとして用意します。 - MCPゲートウェイを配置し、ツールレジストリ（カタログ）を構築します。各MCPサーバが提供するツールを一覧化し、部署×エージェント種別でアクセス可能なツールを動的にフィルタリングする許可リストを設定します。 - OAuth 2.1 ベースの認可と承認フックを設定します。不可逆操作（削除・送金・外部送信）を行うツールにはP09（動的認可PDP）と連携した承認ゲートを設置し、人間の承認なしに実行されない構成にします。 - 契約テスト（Pact等）とスキーマレジストリでドリフト検知パイプラインを構築します。週次でツール定義と実APIスキーマを突合し、後方互換のない変更を検出した場合はアラート＋該当ツールの自動無効化を行います。 - tool RAG または役割別サブエージェント分割で、各エージェントに露出するツール数を20以下に制御します。意図に応じて動的にツールを絞り込み、選択精度を維持します。 #AIエージェント# #エンタープライズアーキテクチャ#

ハーネスエンジニアリングのプラクティス P19. 失敗をデータ資産化する（ハーネス自身のレトロループ） 🎯 ポイント 同じ失敗を何度も繰り返すハーネスは、改善不能なブラックボックスです。失敗をログ化し、ハーネス改善にフィードバックする仕組みを持ちましょう。 📝 概要 あらゆる人間の介入・ロールバック・流出欠陥を原因とともにログ化し、ハーネス改善（新ゲート・新指示・新ツール）にフィードバックします。ハーネスは自分自身に対するCIを持つべきです。これが成熟度L3（測定する）とL4（改善し続ける）を分けます。 🔍 解説 エージェントが失敗したとき、多くの組織は「モデルが悪い」で終わらせます。しかし本当の問いは「なぜハーネスはこの失敗を防げなかったか」です。人間が介入したということは、ハーネスにガードレールか検証が足りなかったということです。ロールバックが必要だったということは、サーキットブレーカーが機能しなかったということです。流出欠陥があったということは、検証器が不十分だったということです。これらの事象を原因分析とともに記録し、ハーネスの改善アクション（新しいゲートの追加、指示ファイルの更新、ツールの改善）に変換するループが、ハーネスを製品として成熟させます。 🛠 実践方法 ・人間の介入・ロールバック・流出欠陥の全事象を、原因分類とともに構造化ログに記録します ・定期的（週次や隔週）にレトロスペクティブを実施し、頻出する失敗パターンを特定します ・各失敗パターンに対して最も効果的な改善アクション（新ゲート・指示追加・ツール改善）を選定し、実施します ・改善アクションの効果を測定し、効果が低いものは撤回して別のアプローチを試します 💼 ユースケース ・issue-to-PRエージェントの失敗事例を週次で分析し、ハーネスの改善点を特定する場面 ・CI自動メンテナンスで、偽陽性の原因を追跡し、トリアージロジックを改善する場面 ・インシデント対応で、エージェントの推奨が不正確だった事例から、可観測性アクセスの改善点を導く場面 ⚠ 落とし穴 失敗のたびにルールを追加するだけでは「足場のラチェット」（AP3）に陥ります。失敗をデータ資産化するとは、単にルールを増やすことではなく、根本原因を分析して最も効果的な改善を選ぶことです。また、ログ化だけして分析しなければ、データは蓄積するだけで価値を生みません。定期的なレトロスペクティブの仕組みが不可欠です。 #HarnessEngineering# #ContinuousImprovement#

アンドリーセン・ホロウィッツ「全てが録音される日」 ■ 録音の常態化と意思決定の不可避な変化 a16zのデビッド・ヘイバーは、ビジネスにおける議論がデフォルトで録音される変化は議論されることなく急速に進んでいると指摘する。この傾向は個人の生産性を高めるボトムアップの利点と、経営層に向けたトップダウンの利点があまりに大きいため逆行することはない。テクノロジーの観点から見れば、日々の会話という生きたコンテキストから新しい記録システムが構築されつつある。我々はこの新たな未来の到来を冷静に受け入れ、迅速に適応していく必要がある。 ■ 会議を通じたAIのエージェント化とオンボーディング AIのオンボーディングは、新入社員を組織に迎え入れるプロセスと全く同じである。既存のCRMやドキュメントをただ読ませるのではなく、実際の会議に同席させて文脈を学習させることが最も効果的である。ブリッジウォーターやOpenAIでは全録音が組織の意思決定プロセスに組み込まれており、会議に参加できないリーダーの代理としてAIが機能している。a16zが投資するGranolaなどのツールは、会議に同席することで組織の文化や投資方針を人間以上に深く理解している。 ■ 音声が生み出す新たなエンタープライズ・ソフトウェア 現在、音声データを核とした新しいエンタープライズ・ソフトウェアのカテゴリーが誕生している。従来の記録システムは顧客関係管理などの構造化データ中心だったが、最も価値あるコンテキストは日常の会話の中に埋もれている。最新のLLMはこれらの非構造化会話データを抽出し、検索や問い合わせが可能な状態へと構造化する能力に長けている。この変化は個人の生産性を劇的に向上させるだけでなく、経営層が会議のアライメントを監視し、意思決定のズレを防ぐための強力な管理手段を提供する。 ■ 口頭文化のスケールとAIネイティブ企業の優位性 企業文化はShopifyやOpenAIに代表される「口頭文化」と、StripeやAnthropicのような「記述文化」の2つに大別される。これまで口頭文化は重要な意思決定やコンテキストが会話とともに蒸発してしまう弱点があったが、AIの登場によってそのデメリットが解消された。AIがすべての会議を要約し文脈を維持することで、従来はスケールしづらかった口頭文化の組織に圧倒的な競争優位性をもたらす。会話型の強みがテクノロジーによって補強されることで、AIネイティブ時代における企業の勢力図は大きく書き換わる。 ■ 録音前提のガバナンスと今後のゲームルール 今後は録音がオプトインからオプトアウトへ、つまり録音されていることが前提のワークスタイルへと完全にシフトする。テキストでのやり取りにおいて「公開されて困ることは書かない」という原則が当たり前であるように、今後は口頭の会話でも全く同じ原則が適用される。この変化は、最初からデフォルトで全録音を受け入れるAIネイティブな新興企業と、コンプライアンスの不確実性を恐れて躊躇するレガシー大企業との間の決定的な差となる。経営者はこの不可避なトレンドを恐れることなく、適切なガバナンスとルールを構築して組織の競争力を最大化すべきである。