登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 真の点P
真の点P コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
真の点P を含む検索結果
真の点Pせんせーのところにいます!!! めっちゃ可愛い本とアクキーあるのでぜひ!♡♡
ハーネスエンジニアリングのプラクティス P20. 可読性とキャリブレートされた不確実性をSLOにする 🎯 ポイント 生成が安価になった今、真のボトルネックは「人間のレビュー時間」です。差分は正しさだけでなく、レビューしやすさに対しても最適化すべきです。 📝 概要 差分は正しさだけでなくレビュー時間に対しても最適化します。小さく焦点の合ったPR、「なぜ」を語る説明、危険箇所の明示。さらにエージェントには「自信のない箇所」を明示出力させ、ハーネスがそこを追加検証や人間レビューへ振り分けます。偽の自信より較正された不確実性の方が価値が高いです。 🔍 解説 エージェントの生成速度が上がるほど、ボトルネックは「コードを書く」から「コードをレビューする」に移ります。巨大なPR、説明のない変更、自信満々だが実は不確かな実装。これらはレビュアーの時間を爆発的に消費します。可読性をSLO(サービスレベル目標)として扱い、PRサイズ・説明の有無・変更理由の明記を測定・最適化することで、全体のスループットが向上します。また、エージェントに「ここは自信がない」「この部分は人間に確認してほしい」と明示させることで、レビュアーは重要な箇所に集中できます。これは自律エージェントの信頼性を高める最も見落とされがちな施策です。 🛠 実践方法 ・PRテンプレートに「変更理由」「確信度(高/中/低)」「レビュー重点箇所」の欄を設け、エージェントに必ず記入させます ・PRサイズの上限を設定し、超過した場合は分割を強制します ・エージェントの出力に「自信のない箇所」のマーカーを要求し、ハーネスがそこを追加検証へ振り分けます ・レビュー時間をPR単位で計測し、レビュー時間が長い原因(巨大差分・説明不足等)を特定して改善します 💼 ユースケース ・issue-to-PRエージェントが、PRに変更理由と確信度マーカーを含める場面 ・コードレビューエージェントが、低確信の瑣末指摘を抑制し、人間が見落とす種別に集中する場面 ・マイグレーションで、各ユニットのPRを小さく焦点を絞り、レビュアーの負荷を分散する場面 ⚠ 落とし穴 可読性を追求しすぎると、エージェントの出力が過度に保守的になります。また、「不確実性の表明」がノイズになるリスクもあります。「すべてに自信がない」と表明するエージェントは役に立ちません。較正が重要で、本当に不確かな箇所だけを正確にマークできることが価値です。レビュー時間の測定も忘れずに。PRスパムや巨大差分がレビュー帯域を圧迫していないかを定量的に把握することが改善の出発点です。 #HarnessEngineering# #CodeReview#
もっと見る
製造業のAI活用、つまずきの本当の原因は「目(視覚)」ではなく「知識」でした🏭 18種類の最先端モデルを徹底検証して、その事実を突き止めた研究です。 タイトル: FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios URL: 🏭 概要 本研究は、製造現場でマルチモーダルLLM(MLLM)がどこまで実用に耐えるかを、厳密に測るための評価フレームワーク「FORGE」を提案しています。2D画像と3D点群(point cloud)を組み合わせ、型番などの細かいドメイン情報を付与した高品質なデータセットを構築し、18種類の最先端MLLMを横断的に評価しました。 ❓ 解決する課題 製造業はAI活用を急速に進めていますが、その性能を正しく測る基盤が追いついていませんでした。 ・製造現場の高品質なマルチモーダルデータ(実機画像や3D形状)は希少で、評価用データが不足しています ・既存データセットは、型番・構造的な欠陥・組立の正誤といった製造特有の細粒度な意味情報を欠いています そのため、現行のMLLM評価は実際の製造業の要求を反映できていませんでした。 💡 方法論と提案手法 FORGEは、現実的な条件で能力を測るために設計されています。 ・実世界の2D画像と3D点群を含む高品質なマルチモーダルデータで構成します ・正確な型番を含む、製造特有の細粒度ドメイン意味アノテーションを付与します ・評価する中核タスクは3つです ・ワークピース検証(対象部品が正しいものか) ・構造表面検査(表面の欠陥や状態の確認) ・組立検証(組み付けが正しく行われているか) 🌍 ユースケース / 実験結果 検証から、実務に直結する重要な知見が得られました。 ・評価したMLLM群の間で、性能に大きなギャップが存在することが判明しました ・従来の想定に反し、視覚的グラウンディング(画像中の対象を特定する力)はボトルネックの本質ではありませんでした ・真のボトルネックは「ドメイン固有知識の不足」であると結論づけられました ・この知見を裏付けるように、コンパクトな3Bパラメータのモデルを教師ありファインチューニングしたところ、未知の製造シナリオで最大90.8%の相対精度改善を達成しました 巨大な汎用モデルに頼るより、小型モデルを自社の現場データで鍛える方が、検査や品質管理で現実的な解になり得ます。 #製造業AI# #MLLM#
もっと見る
(FTプレゼント記事):スコット・ベッセントによる円買い介入は、米国の「通貨アクティビズム」の新時代を告げる Scott Bessent’s yen intervention signals new era of US ‘currency activism’ 「スコット・ベッセントによる円買い介入は、米国の「通貨アクティビズム」の新時代を告げる 日本円を支える試みは、米国が自国の利益に反する市場取引を阻止する意思を示した」 ロンドン:イアン・スミス 東京:デービッド・ケオハン ニューヨーク:ケイト・デュギッド ワシントン:クレア・ジョーンズ 記事全体のポイント この記事でFTが最も強調している論点は、単に「円買い介入が行われた」という事実ではありません。記事全体を通して提示されているのは、米国の通貨政策そのものが変質しつつあるという見方。 そのポイントを整理すると、次の五点になる。 ベッセント財務長官は従来の財務長官とは異なり、ヘッジファンド出身のトレーダーとして為替市場へ積極的に介入する発想を持っている。 米国は「自由市場に任せる」のではなく、自国の国益を守るためには為替市場にも積極介入する姿勢へ転換しつつある。 今回の最大の目的は円そのものではなく、日本による米国債売却を防ぎ、米国長期金利の上昇を抑えることだった可能性が高い。 介入そのものは根本解決ではなく、「日銀が政策対応を行うまでの時間稼ぎ」にすぎないという見方が専門家の間では支配的である。 それでも市場心理には大きな影響を与え、「ベッセントが再び介入するかもしれない」という新たなリスク認識を市場参加者に植え付けた点に、今回の介入の最大の意味がある。 FTはこの変化を、見出しにもある "a new era of US currency activism(米国による通貨アクティビズムの新時代)" という言葉で総括している。これは、従来の「市場重視・強いドル政策」を掲げてきた米国から、国益を優先して為替市場へ積極的に介入する米国への転換を象徴する表現として用いられている。 (以下 記事本文) ワシントンと東京が、およそ30年ぶりとなる協調介入によって日本円を押し上げた際、その米国側を指揮した人物は、大規模な為替取引を手掛けてきたことで知られる人物だった。 今回の金曜日の介入を主導したのはスコット・ベッセント財務長官である。彼はかつてトレーダーとして活動し、1992年には英ポンドへの空売り、2013年には円への投機で名を上げた。いずれもジョージ・ソロスの投資会社で働いていた時代の実績である。 ドナルド・トランプ政権の財務長官となって以降、ベッセントは金融市場に対して従来よりも積極的に介入する姿勢を強めている。 今回、米国が他国通貨を支えるために歴史的な介入を行ったことは、市場関係者を驚かせた。その理由の一つは、円安が協調介入を必要とするような混乱的な急落ではなく、比較的緩やかに進行していたからである。 さらに市場を驚かせたのは、介入にドルではなくユーロを売却して円を購入するという方法が採られたことであった。 この取引は、昨年アルゼンチン・ペソ支援に乗り出した後、ベッセント率いる財務省が外国為替市場への関与をさらに深める意思を示したものと受け止められている。 ある米国の大手機関投資家はこう語る。 「これはソフトパワーのためでもなければ、世界全体の公益のためでもない。では、米国はいったい何をしようとしているのか。」 ベッセントの異例の行動の背景には、日本銀行の政策金利が現在1%にとどまり、インフレ圧力に十分対応できるほど速いペースで引き上げられていないとの投資家の懸念が高まっていたことがある。 世界の主要国では金利が日本よりはるかに高いため、この状況が今後も円安圧力となり続ける可能性がある。 ベッセント財務長官自身も介入を隠そうとはしなかった。金曜日の閣議では、カメラマンが彼の手書きメモを撮影しており、そこには 「日本円(JPY)を50億〜100億ドル購入」 と書かれていた。 今回の日米協調介入によって、円相場は今月初めの1ドル=164円近辺(1986年以来の円安水準)から158円前後まで急反発した。ただし、多くのトレーダーやアナリストは、この反発は短期間で終わる可能性があると警告している。 ピーターソン国際経済研究所所長で日本経済の専門家アダム・ポーゼンは皮肉を込めてこう述べた。 「1992年にイングランド銀行を打ち負かしたソロスやスタンレー・ドラッケンミラーのもとで働いていた人物が、為替介入だけで通貨を長期的に守れるかのように振る舞っているというのは、本当に驚くべき皮肉だ。」 投資家たちは、今回のワシントンの介入が主要通貨市場に新たな不確実性を持ち込み、各国政府がより積極的に市場へ関与する新しい時代の幕開けとなったと受け止めている。今回の措置は、米国が自国の利益に反する取引をためらわず阻止する意思を示したものだからである。 INGのグローバル市場責任者クリス・ターナーは次のように述べる。 「米財務省の登場は、市場に『新しい保安官がやって来た』ことを意味する。円売りを仕掛ける投機筋に対して警告を発したのである。」 そして彼は、今回の出来事は 「為替市場への積極介入(FX activism)の時代への回帰」 を意味すると評した。 米財務省はコメントを控えた。 なぜ日米は介入したのか 両国には、それぞれ介入する十分な理由があった。 日本政府は、円安に加えて日本国債(JGB)が大きく売られ、市場の動きが行き過ぎたものになりつつあることを懸念していた。 一方、米国側では、日本が円を支えるために米国債を売却すれば、米国債市場への売り圧力がさらに強まる兆候が現れていた。 トランプ大統領は「米国は常に日本の味方である」と述べたが、市場関係者の多くは、真の狙いは、日本が保有する米国債を売却することを思いとどまらせることにあったと見ている。 日本は外国政府の中で最大の米国債保有国だからである。 さらに米政府高官は以前から、ドル高がアメリカの輸出企業に悪影響を及ぼしていることも問題視していた。 オールスプリング・グローバル・インベストメンツのマルチアセット・ポートフォリオマネージャー、ルシャブ・アミンはこう説明する。 「政権はドル安を望んでいる。そして、各国の投資家が自国通貨を守るために米国債を大量に売却する事態も避けたいのである。」 彼によれば、ドルに対して他通貨を売ろうとする投資家は、「ベッセント買い(Bessent bid)」を警戒するようになっているという。つまり、「必要ならベッセント財務長官が市場に介入してくるかもしれない」という警戒感が市場に生まれたのである。 「強いドル政策」との矛盾 もっとも、ベッセント自身はこれまで一貫して 「米国は強いドル政策を支持する」 と発言してきた。これは長年にわたる米国政府の公式方針を踏襲したものである。 一方、日本政府は月曜日、FRB(米連邦準備制度)のレポ・ファシリティを利用する計画を明らかにした。 アナリストによれば、この制度を使えば、日本は米国債を売却することなくドル資金を借り入れることが可能になる。 これまで各国中央銀行は、自国通貨を支える際に米国債を売却することが多かった。しかし米国政府は、長期金利が2007年以来の高水準となっている現在、自国債への需要が減少する兆候に極めて神経質になっている。 実際、イラン戦争の開始時には、外国中央銀行はFRBに預けていた米国債保有額を2012年以来最低の水準まで減らしていた。 さらに別の懸念も存在する。 もし日本国債の売りが続いて利回りが一段と上昇すれば、日本国内の投資家も米国債を売却し、日本へ資金を戻す動きが強まる可能性があるのである。 ウェリントン・マネジメントのブリジ・クーラナは、ベッセントの考え方を次のように説明している。 「ベッセントは、米国債利回りが高いのは、日本国債利回りが高いからだと考えている。だから円を支えれば、日本の金利が低下し、その結果として米国債利回りも低下するという発想なのだ。」 RBCブルーベイ・アセット・マネジメントの債券部門最高投資責任者マーク・ダウディングは、円安について次のように述べている。 「円安は日本国債市場の安定を損ない、世界の長期金利を押し上げる要因となりかねない。米国はそのことに非常に敏感になっている。」 「利益を得る」という発想も 今回の介入には、米国が利益を得る可能性もあった。 トランプ大統領自身が記者団に対し、「financial benefit(経済的利益)」も今回の動機の一つであると述べている。 ハーバード大学教授で元IMFチーフエコノミストのケネス・ロゴフは次のように評価した。 「非常に巧妙だった。アルゼンチン支援でベッセントが行った救済策を思い起こさせる。あれは大成功だった。」 しかし同時に、ロゴフは限界も強調する。 「米財務省が莫大な円を長期間保有する覚悟――それは極めて急進的な政策転換になるが――を持たない限り、今回の介入は日本銀行に少し時間を与えるための応急処置(bandage)にすぎない。」 円安の根本原因は解決していない アナリストたちは、今回の介入だけでは円安を生み出している構造的な要因は解決できないと指摘している。 その要因とは、 原油価格の上昇 大規模な政府支出計画をめぐる不透明感 日本銀行の利上げペースが依然として遅いこと などである。 東京のステート・ストリート銀行シニア債券ストラテジスト、マサヒコ・ルー氏はこう述べる。 「介入は時間を買っているだけだということは、誰もが分かっている。本当に重い仕事(the real heavy lifting)は、日本銀行と日本の財政政策が担わなければならない。」 ここでいう heavy lifting は、「最も困難で本質的な仕事」「根本問題を解決する役割」という意味で使われている。 米国にとってのリスク もちろん米国側にもリスクがある。 もし今回の協調介入が失敗すれば、投機筋は再び円を標的にするだけでなく、米国債市場そのものも攻撃対象にする可能性がある。 資産運用会社PGIMのチーフ・グローバル・エコノミスト、ダリープ・シン氏は次のように警告する。 「もし介入が機能しなければ、(米国長期国債市場への)波及効果は極めて大きなものになるだろう。覚悟しておくべきだ(So strap in.)。」
もっと見る
【2026春ドラNO.1は田鎖ブラザーズに決定、ただし...】 久々に重厚なミステリドラマだった。犯罪被害者家族と加害者家族の癒えぬ傷口に焦点を当て、BPO審査に引っかかりそうなセンシティブ映像や岡田将生&染谷将太&山中崇らの憑依型演技力に支えられた名作。しかし一番の功労者はTBSミステリドラマ(夜行観覧車、Nのために、リバース、最愛)を牽引してきた新井順子Pの手腕。だからこそ声を大にして言いたい、意味不明の最終回ラスト5分の矛盾を!【長文失礼】 1.結末の演出における決定的矛盾と真の解釈ー「血の滴り」と「綺麗な着座」の不整合 ラストシーンで画面いっぱいに描かれた「不穏な血の滴り」とエンディングロールでの「埠頭に綺麗に座る晴子の後ろ姿」は物理的・演出的に致命的な矛盾を抱えている。本当に晴子が殺害されていた場合あの座りポーズは無理があり、かと言って「ただのかすり傷」だった場合、あの過剰な血の描写はサスペンスとしての引き算ができておらず、ただの「ハッタリ」になってしまう。 2.本来あるべきだった『赦し』と『出頭』の美学 兄弟はこれまで、ふみさん夫婦、笹岡、実行犯のもっちゃんでさえ、その背景にある地獄を見て「赦し」を与えてきた。犯罪被害者であり加害者家族でもある兄弟の人間性からして、同じ被害者である晴子だけを殺害することはあり得ない。本当に目指すべきだったラスト(引き算の美学)は「セリフも血も不要」、埠頭に佇む晴子を背に、過去のルール違反を清算するために静かに出頭する兄弟。これこそが、キャラクターの倫理観と映像のロジックを崩さない本物のグランドフィナーレでは? 3.制作陣(新井順子P)の焦りと「バグ」の背景ー考察バズへの迎合とハッタリの暴走 『最愛』以降、ヒット作やSNSでの考察合戦を常に期待され続けてきた新井Pの焦りが、悪い形で暴走した結果の結末。かつて『リバース』などで見せた「最後にひと捻り入れるクセ」が今回は裏目に出た。 「お互いの目を見ないラスト」なども、深い意味(真の自傷や稔の妄想など)があるかのように見せかけて、視聴者の考察を煽るためだけに、現場で雰囲気演出として指示した可能性が高い。キャラクターの整合性よりも「目先の話題性やショッキングな画」を優先した、視聴者を舐めた不誠実な演出と言わざるを得ない。 4.黄金カルテットの崩壊 かつての「新井(P)・奥寺(脚本)・横山(音楽)・塚原(監督)カルテット(+湊かなえ)」が機能していた頃の緻密な連携が失われ、オリジナル脚本に挑むようになってからチームが変質。『MIU404』や『海に眠るダイヤモンド』にも通じる「ヒット方程式のなぞり書き」が今回の空中分解(役者の重厚な静の演技 vs プロデュース側の過剰な味付け)を招いた。 5.日本の地上波ドラマが抱える構造的限界ー脚本家層の二極化と限界 ドラマにこだわり続ける大物・ベテラン脚本家(岡田惠和、遊川和彦、北川悦吏子など)には強烈なマンネリ化と時代との乖離が見られる。一方で、旬の天才脚本家(坂元裕二、古沢良太など)は自由度と予算のある映画や海外配信プラットフォームへと主戦場をシフトしており、地上波の制約や「バズの強要」に付き合うメリットがない。結果、地上波はプロデューサーの焦りとスキル不足の若手・中堅という限界に直面している。 6.日曜劇場の資金力頼みと金曜の悪癖 日曜劇場は初回だけ海外ロケ等でスケールを大きく見せ、2話以降急激に失速する「初回詐欺」が常態化。金曜サスペンスは途中まで良くても最後に話題作りのためにブレーキを壊してしまう悪癖がある。火曜ラブコメは「恋つづ」(2019年)以来、不作が続く。 7.総括:『田鎖』が持っていた「最後の期待の星」としての価値 一見、最悪の問題作となった最終回だが、昨今の地上波で徹底的にタブー視されている「悲惨なシーンや犯罪のリアルな痛み」を日和らずにストレートに描写していた点は特筆すべきである。 これはTBSに実績のある新井Pだからこそ局の自主規制の壁を突破できた力技であり、他のスタッフでは企画段階で潰されていたはず。それほどまでに「地上波の限界突破に最も近かった期待の星」だったからこそ、最後の最後にテレビ界の悪癖(SNSマーケティングへの迎合)に足をすくわれてしまった着地が、あまりにも悔やまれてならない。
もっと見る
論文『大規模言語モデルが語らないこと:モデレーションと検閲慣行に関する実証研究』2025 大規模言語モデルの検閲が、単なる「エラーメッセージ」による拒否を超え、より静かで強力な「選択的省略」へと進化している。ベルギーのゲント大学の研究チームが、欧米、中国、ロシアの14の最先端モデルを 国連6公用語で分析した結果、開発元の地政学的背景が応答パターンに決定的な影響を与えている実態が浮かび上がった。 研究は、大規模言語モデルの応答における検閲を「ハード検閲」と「ソフト検閲」の2つに分類する実用的な枠組みを構築した。ハード検閲とは、生成された拒否応答、エラーメッセージ、または定型の否定応答など、明示的な情報提供の拒絶を指す。 一方、ソフト検閲とは、主要な要素の選択的省略や過小評価など、沈黙または情報の歪曲によって現れる検閲を指す。この分類により、モデルが単に回答を拒否するのか、それとも特定の情報を意図的に伏せているのかを定量化することが可能になった。 調査の対象には、欧米、中国、ロシアの開発元が提供する14の大規模言語モデルが含まれる。AnthropicのClaude、OpenAIのGPT-4o、GoogleのGemini、MetaのLLaMA-3.1といった欧米のモデルに加え、中国のDeepSeek、Qwen、Wenxiaoyan、ロシアのGigaChat、YandexGPT、フランスのMistralなどが分析対象となった。 これらのモデルに対し、国際的に認知された政治的指導者に関する情報を求めるプロンプトを入力し、その応答パターンを詳細に比較した。 欧米モデルの動向は、中露モデルとは異なる複雑な検閲戦略を露呈している。GoogleのGemini (UI) は、安全フィルターにより、米国および他の先進国の政治的指導者に関する問い合わせに対して、最も高い頻度でハード検閲(エラー拒否)を示した。 これは、欧米のモデルが自国や同盟国の政治家に対する批判的言及を、システムレベルでブロックする傾向にあることを示している。 一方、AnthropicのClaudeは、異なる検閲戦略を採用している。このモデルは、他のモデルと比較して高いソフト検閲率を示す傾向が確認された。Claudeは質問に対して明示的に拒否するのではなく、回答を生成しながらも、特定の文脈や批判的要素を自然な文章の中から静かに抜け落とす。 フランスのMistralも特異なパターンを示した。Mistralは、ロシアのYandexGPTや中国のQwenと同様に、「自然な」生成の中で拒否を有意に高い頻度で生成する。これは、エラー画面を出すのではなく、文章の体裁を保ちつつ「お答えできません」といった定型の拒否を埋め込む戦略である。 * これに対し、中国のDeepSeekやQwen、ロシアのGigaChatやYandexGPTは、自国の政治的指導者に関する質問に対して、他地域の人物よりもはるかに高いハード検閲率を示した。しかし、中国で広く利用されているWenxiaoyanは、自国の指導者に対するハード検閲を低く抑える一方で、ソフト検閲のレベルを極めて高く保つという、より洗練された戦略を採用していた。 多くの他のLLM、例えばOpenAIのGPT-4oやMetaのLLaMA-3.1などは、明確な自国特有の拒否率を示さなかった。これらは表面上は中立に見えるが、その「中立性」自体が、特定のイデオロギー的枠組み内で訓練された結果である可能性を排除できない。 検閲は、情報へのアクセスを物理的または明示的に遮断することで効果を発揮するという通念がある。しかし、大規模言語モデルにおける真の検閲は、情報があたかも完全に提供されているかのように見せかけ、その中身だけを空洞化させることによって完成する。 欧米モデルにおけるソフト検閲や自然な拒否は、ユーザーに「回答している」と錯覚させながら、情報の完全性を操作する点で、より発見が困難かつ強力なメカニズムとなっている。 大規模言語モデルは中立的な情報処理装置ではなく、開発者の価値観と規制環境を内包したフィルターとして機能している。この事実は、単一のモデルやプロバイダーに情報アクセスを依存することのリスクを浮き彫りにする。 公開されている大規模言語モデルの間でイデオロギー的および地理的な多様性を確保し、モデレーション戦略の透明性を高めることが、情報ゲートウェイとしてのAIと向き合う不可欠な条件となる。 — 研究論文 『What Large Language Models Do Not Talk About: An Empirical Study of Moderation and Censorship Practices』(大規模言語モデルが語らないこと:モデレーションと検閲慣行に関する実証研究) 2025年 Sander Noels, Guillaume Bied, Maarten Buyl, Alexander Rogiers, Yousra Fettach, Jefrey Lijffijt, Tijl De Bie(ゲント大学 計算機科学・人工知能分野の研究者)
もっと見る
#読了# #夕木春央# #楽園# どういう展開になるかページを捲る手が止まらず一気読み。花火大会の前の余興時間でも気になってイヤホンしながら読み耽った。「方舟」「十戒」よりも、好みだった。この不穏な世界観、まさにミステリの真骨頂。着地点に脳髄が痺れた。 今年下半期上位に入ってくる面白さ。
もっと見る
# OpenAI Agent SDKの便利で実践的な使い方 🌍 同じエージェントでも、ユーザーごとに異なる体験を提供したいことがあります。Dynamic instructions を使えば、実行時のコンテキストに応じてプロンプトを動的に組み立てられます。 instructions に関数を渡すことで、RunContextWrapper と Agent を引数に受け取り、実行時に動的にシステムプロンプトを生成できます。 📌 タイトル:Agents -- Dynamic instructions 🔗 URL: 🧩 概要 Agent の `instructions` には文字列だけでなく、関数を渡すことができます。この関数は `RunContextWrapper` と `Agent` を受け取り、文字列を返します。これにより、ログインユーザーの情報、現在時刻、ユーザーのプラン、ロケールなど、実行時にしか決まらない情報をプロンプトに注入できます。async 関数もサポートされているため、DB からのデータ取得も可能です。 🛠 使い方 `dynamic_instructions(context: RunContextWrapper[UserContext], agent: Agent) -> str` という関数を定義し、`context.context` からユーザー名やプラン、現在時刻を取得してプロンプト文字列を組み立てます。この関数を `Agent` の `instructions=dynamic_instructions` に渡すことで、実行時に動的なシステムプロンプトが生成されます。 🏗 実践的な使い方 **ユーザー名・プラン・日時のランタイム注入** ログイン済みユーザーの情報をプロンプトに反映し、パーソナライズされた応答を実現します。 `@dataclass` で `UserContext` を定義し、`name: str`, `plan: str`, `timezone: str` を持たせます。`personalized_instructions(context: RunContextWrapper[UserContext], agent: Agent) -> str` 関数内で `context.context` からユーザー情報を取得し、` で現在時刻を取得してプロンプトを組み立てます。`user.plan` の値(`"pro"`, `"enterprise"`, `"free"`)に応じて利用可能な機能やアップグレード案内のメッセージを分岐します。`Agent` に `instructions=personalized_instructions` を設定し、` ..., context=UserContext(name="田中太郎", plan="pro", timezone="Asia/Tokyo"))` で実行時コンテキストを渡します。 **ロケールによる多言語切り替え** ユーザーのロケール設定に応じて、指示言語を自動的に切り替えます。 `INSTRUCTIONS_BY_LOCALE` 辞書に `"ja"`, `"en"`, `"zh"` をキーとしてロケール別のシステムプロンプトを格納します。`locale_instructions(context: RunContextWrapper[UserContext], agent: Agent) -> str` 関数で `context.context.locale` を参照し、対応するプロンプトを `INSTRUCTIONS_BY_LOCALE.get(locale, INSTRUCTIONS_BY_LOCALE["en"])` で取得します。 **async 関数で DB からデータを取得してプロンプトに注入** ユーザーの直近の購入履歴を DB から取得し、パーソナライズされたサポートを提供します。 `async def instructions_with_history(context: RunContextWrapper[UserContext], agent: Agent) -> str` で非同期関数を定義し、`await db.fetch_recent_orders( limit=5)` で直近の注文履歴を DB から取得します。取得した注文を文字列に整形してプロンプトに埋め込み、コンテキストを踏まえたサポートを可能にします。この async 関数を `Agent` の `instructions=instructions_with_history` に設定します。 💡 ユースケース 👤 ログインユーザーの名前・プラン・日時をランタイムで注入し、パーソナライズされた応答を生成 💎 Pro ユーザーには高度な機能案内、Free ユーザーにはアップグレード提案と、プランに応じた対応を分岐 🌐 ユーザーのロケール設定に基づいて指示言語を自動切り替え、多言語サポートを実現 📦 async 関数で DB から直近の購入履歴を取得し、コンテキストを踏まえたサポートを提供 ⚠️ 注意点 - async の instructions 関数で重い DB クエリを実行すると、エージェントの応答開始が遅れます。キャッシュやクエリの最適化を検討してください。 - instructions 関数内で例外が発生するとエージェント全体が失敗します。適切なエラーハンドリングとフォールバックを実装しましょう。 - 動的に生成するプロンプトが長くなりすぎないよう注意してください。トークン消費が増加します。 ✨ Dynamic instructions を使えば、1つのエージェント定義で多様なユーザー体験を提供できます。ランタイムの情報を活かして、真にパーソナライズされたエージェントを構築しましょう! #OpenAIAgentSDK# #AIAgent#
もっと見る
# ADKの便利で実践的な使い方 🔧 標準ワークフローでは実現できない独自のオーケストレーションロジックが必要な場面、ありますよね。ADKのCustom Agentsなら、`BaseAgent`を継承して自由自在に制御フローを組み立てられます! 📌 タイトル:Custom Agents — BaseAgent継承による自由な制御フロー設計 🔗 URL: 🧩 概要 Custom Agentsは、`google.adk.agents.BaseAgent`を継承し、`_run_async_impl`メソッドを実装することで、任意のオーケストレーションロジックを構築できる仕組みです。SequentialAgentやParallelAgentなどの定型パターンでは対応できない、条件分岐・ループ・外部状態同期といった高度なワークフローを実現します。サブエージェントの呼び出し、セッション状態の共有、イベントの伝播がフレームワーク標準で管理されます。 🛠 使い方 Custom Agentの基本構造は以下のとおりです。 `google.adk.agents.BaseAgent` を継承して `MyCustomAgent` クラスを定義します。フィールドとして `story_generator`、`critic_agent`、`tone_checker` の3つの `LlmAgent` を宣言します。`_run_async_impl` メソッド内で、まず `self.story_generator.run_async(ctx)` でストーリーを生成し、次に `self.critic_agent.run_async(ctx)` を `for i in range(2)` で最大2回ループして批評・修正を行います。最後に `self.tone_checker.run_async(ctx)` でトーンを確認し、`ctx.session.state.get("tone_result")` が `"negative"` の場合は `self.story_generator.run_async(ctx)` で再生成する条件分岐を行います。各サブエージェントの実行は `async for event in ... yield event` パターンでイベントを伝播します。 サブエージェント間のデータ共有には`ctx.session.state`を使います。 エージェントAが `ctx.session.state["analysis_result"] = result` で結果を書き込み、エージェントBが `ctx.session.state.get("analysis_result")` でそれを読み取ります。 🏗 実践的な使い方 **レガシーステートマシンの再現**: 既存の状態遷移ロジックをCustom Agentに移植できます。`_run_async_impl`内でPythonの標準的な制御構文(if/elif/while/try-except)を使い、状態ごとに異なるサブエージェントを呼び分けます。 `_run_async_impl` 内で `state = "INIT"` から開始し、`while state != "DONE"` でステートマシンを実装します。`"INIT"` 状態では `self.init_agent.run_async(ctx)` を実行し、`ctx.session.state.get("next_state", "PROCESS")` で次の状態を決定します。`"PROCESS"` 状態では `self.process_agent.run_async(ctx)` を実行後 `"REVIEW"` に遷移します。`"REVIEW"` 状態では ` を実行し、`ctx.session.state.get("approved")` が真なら `"DONE"` に、偽なら `"PROCESS"` に戻ります。 **外部状態との同期**: データベースやAPIから取得した状態に基づいて実行パスを動的に切り替えられます。例えば、外部システムのステータスを確認してから次のエージェントを選択するパターンが実現可能です。 💡 ユースケース 🔄 レガシーシステムの状態遷移ロジックをAIエージェントとして再実装 🔀 中間結果に基づく条件分岐ワークフロー(品質チェック → 不合格なら再生成) 🔗 外部API/DBの状態に応じたエージェント選択 🔁 批評・修正の反復ループ(最大N回で打ち切り) ⚠️ 注意点 - `sub_agents`リストには、`_run_async_impl`内で直接呼び出すすべてのサブエージェントを含める必要があります。含めないとフレームワークのライフサイクル管理が正しく動作しません。 - `ctx.session.state`は全サブエージェント間で共有されるため、キー名の衝突に注意してください。プレフィックスをつけるなどの規約を決めておくと安全です。 - 無限ループを防ぐため、ループ処理には必ず最大回数や終了条件を設けてください。 ✨ Custom Agentsは、定型パターンでは収まらない独自のビジネスロジックをエージェントに組み込むための最も柔軟な手段です。ステートマシンの移行や複雑な条件分岐が必要な場面で、ぜひ活用してみてください! #ADK# #AIAgent#
もっと見る
◤#才能アリGALLERY◢# 📺10/15放送📺 🎨水彩画ランキング 1位~3位作品🎨 👑#真凛# 🥈#倉中るな# 🥉#中田クルミ# 水彩画の上位作品3点はプレバト展で展示✨ 現在は広島熊野 #筆の里工房# 会場にて開催中😺 ぜひ実作品を見に足を運んでみてください🌟 すごい作品だらけなんです…どんなランキング戦だったかぜひ見逃し配信でチェックしてみてください✨ ▶TVer見逃し配信 (前編) (中編) (後編) 水彩画コーナーは(前編)をご覧ください! #プレバト#
もっと見る