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 破壊的カルト
破壊的カルト 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
破壊的カルト を含む検索結果
2001年、ローファイ・フォークの概念を破壊したザ・マイクロフォンズ『The Glow Pt. 2』。 アコースティックの爪弾きから、突然スピーカーが破れるような轟音ドラムへと転じる音響迷宮。カルト的な支持を集め続ける、ゼロ年代インディーの金字塔。
もっと見る
とろろ納豆磯辺揚げの破壊的美味さ……
(経済においても破壊的破壊を進めているということ、通貨と財政を見れば非伝統的手法にはとんでもないリスク) Business elites fume as Sanae Takaichi shuns Japan’s smoky back rooms ビジネスエリートたちが不満を募らせる――高市早苗、日本の「煙たい裏部屋」を遠ざける @financialtimesより 経済界の大物たちが不満を募らせる――高市早苗、日本の「煙たい裏部屋」を遠ざける 政府中枢への最高レベルのアクセスに慣れていた企業経営者たちを怒らせている 筆者: Leo Lewis、Harry Dempsey(東京発)/5時間前公開 主旨 日本の経済界トップは、高市早苗首相へのアクセスが著しく減っていると不満を漏らしている。歴代首相が当然のように企業エリートと結んでいた特権的な関係から、高市が距離を置き、伝統を破っているためである。 具体的な状況 高市は2月の解散総選挙で地滑り的勝利を収めた後、CEOとの一対一の会談をほとんど行わず、経団連など業界ロビー団体からの意見聴取も少ないまま政策を立案している。 投資推進・親ビジネス的な政策を掲げているにもかかわらず、6人以上の幹部がFTに対し、その指導スタイルへの不満を表明した。 キリン(飲料大手)の磯崎功典CEOは「従う必要はないにせよ、多様な意見に耳を傾けることは重要だ」と述べ、高市が経済界やメディアを軽視する姿勢を、トランプ米大統領の専門家・制度への侮蔑になぞらえた。「経団連とは対話が一切ない。夜の会合もしないし、昼食会もしない」(会社見解ではなく個人的見解として)。 歴代首相との対比 歴代首相は、大企業の代表者との会合・昼食・夕食・深夜の酒席で日程を埋め、意見を求め、政策への合意形成を図ってきた。高市の手法はこれと際立って対照的で、関係者によれば、彼女は一人で食事をとることを好み、前任者が流し読みしていた説明資料を丹念に読み込み、日本の財界が歴史的に影響力を行使してきた裏部屋的な会合を避けているという。 不満が高まる背景 円安、高水準の財政支出計画、そして批判者が「トランプへのおもねり」とみなす姿勢といった問題を国が抱えるなかで、不満が広がっている。 経団連の反論 経団連は、高市が意見を聞いていないという見方に同意しないとし、過去1年間の3回の公式会合、先月の会長との昼食、「投資主導型経済」というビジョンでの足並みの一致を挙げた。 世論と評価 高市の支持率は50%超を維持しているが、低下し始めている。 これを、政治と経済界トップの従来の馴れ合いからの「待望の決別」と評価する声もある。 政治アナリストのTobias Harris(Japan Foresight)は、高市が財界トップを意図的に避け、ベテラン官僚とも深く相談しないのは、エスタブリッシュメントの助言の価値を信用していないからだと指摘。「彼女の考えはこうだ――『あなた方がそんなに賢いなら、日本はこんな状況になっていないはずだ』」と、バブル崩壊後30年の経済停滞に言及しつつ語った。「『あなた方には多くの機会があったのに、国は依然として苦境にある』と言っているに等しい」。 文化の変化として ある大企業の上級幹部は、高市の手法は、情報共有や関係構築が夜の酒席を中心に行われてきた日本のビジネス文化全体の変化を反映していると述べた。「同じことが日本全体で起きているのだろう。日本の政界はその文化の最も古い例だが、彼女がそれを変えつつあるのかもしれない」。 高市と仕事をした元官僚は、首相が主流の国内メディアをますます避け、SNSのX上で直接国民と関わることを好んでいるとも指摘した。 研究者の見解 早稲田大学の政治学者・中林美恵子は、高市が経済界から距離を置くことは有権者へのアピールの重要な要素だと述べた。「日本人はエリートが好きではないし、旧来型の日本政治を行う指導者も好まない。高市は古いやり方とはまったく異なる」。「日本の国益という観点からは、経済界トップ全員と意思疎通しないことにはリスクがあるが、彼女の人気にとっては好都合だ」。 結び 別の上級幹部は、最終的に首相はその実績で判断されるべきだと述べた。「本当に重要なのは意思疎通の仕方ではない。結果を出さなければならない」。
もっと見る
◤ARK特集ページリニューアル◢ 未来を形づくる「破壊的イノベーション」に特化し、 テクノロジーの進展がもたらす 長期的な投資機会を探求しつづける、 ARK Invest。 その運用哲学や、 キャシー・ウッド氏出演動画、 関連ファンド情報などをまとめました。 ぜひご覧ください。
もっと見る
Y Combinatorの募集中アイデア⑬ 「エージェンティックAPI」 破壊的変更は予告なく出荷され、Changelogは読まれない。 50社以上のAPIベンダーと仕事をして見えた一貫したパターン。AWSではサービス障害の30%超が、外部APIやパッケージの変更を見落としたことによるものだった。この摩擦はエージェント型コーディングツールがなかった時代には筋が通っていた。 Claude CodeやDevinは、価値さえあれば開発者も企業もコードベースへのアクセスを与えると証明した。提供者は変更を告知するだけでなく、適用すべき。Stripeが破壊的変更を出したら、エージェントが顧客のコードを走査し、修正のPRを開く。API版のDependabotを。
もっと見る
隣のオバハンが頼んでいるフライドポテト 破壊的なまでにいい香りがしている でも実際頼んだら胃にもたれそう
最強のもずくに出会ってしまった✨ "破壊的食感"と謳ってらっしゃるその言葉に間違いないほど食べ応えがあって美味しすぎた🩷他のもずくには戻れんかもしれん😱 沖縄の"もずキム"さんのもずく✨ほんま一回食べてみてほしいわぁ✨私はデパートの催事でGetしたよ❗️ #アッチュチョイス# #withあつこ#
もっと見る
# ADKの便利で実践的な使い方 🔄 エージェントの評価結果を見て、プロンプトを手動で改善するのは非効率です。ADKのOptimization機能は、評価結果に基づいてプロンプトやエージェントの指示を自動・半自動で最適化する仕組みを提供します。評価→最適化→再評価の継続改善ループを回せます。 📌 タイトル:Optimization 🔗 URL: 🧩 概要 ADKのOptimization Frameworkは、Sampler(候補エージェントを評価し詳細な結果を返す)とAgent Optimizer(評価結果を分析してエージェントを改善する)のアーキテクチャで構成されます。**GEPARootAgentPromptOptimizer**はGEPAアルゴリズムで根本エージェントの指示を最適化し、**SimplePromptOptimizer**は実行→評価→批評→書き換えの4ステージを逐次実行します。最適化は非破壊的で、元のエージェントを保持したまま改善バリエーションを生成します。 🛠 使い方 CLIでの最適化実行: ```bash adk optimize \ --sampler_config_file_path \ --optimizer_config_file_path \ --print_detailed_results ``` プログラマティックな最適化: `google.adk.optimization.gepa_root_agent_prompt_optimizer` から `GEPARootAgentPromptOptimizer` と `GEPARootAgentPromptOptimizerConfig` を、`google.adk.optimization.local_eval_sampler` から `LocalEvalSampler` と `LocalEvalSamplerConfig` をインポートします。`LocalEvalSamplerConfig` で `eval_config=EvalConfig(criteria={"response_match_score": 0.75})`、`app_name`、`train_eval_set` を設定し、`LocalEvalSampler` を作成します。次に `GEPARootAgentPromptOptimizer(config=GEPARootAgentPromptOptimizerConfig())` でオプティマイザーを作成し、` sampler))` で最適化を実行します。 GEPARootAgentPromptOptimizerの設定パラメータ: - `optimizer_model`: 最適化に使用するモデル(デフォルト: `gemini-2.5-flash`) - `max_metric_calls`: 最大評価回数(デフォルト: 100) - `reflection_minibatch_size`: 1イテレーションで処理する例の数(デフォルト: 3) - `run_dir`: 中間結果の保存先(ウォームスタート用) SimplePromptOptimizerは4つのステージを逐次実行します。 1. **Execute**: エージェントが評価タスクを処理 2. **Evaluate**: Samplerがスコアリング 3. **Critique**: 最適化LLMが弱点を分析 4. **Rewrite**: ギャップを埋める新しいプロンプトを生成 LocalEvalSamplerの設定では、検証用データセットを分離できます。 - `train_eval_set`: 最適化に使用するデータセット - `validation_eval_set`: 検証用の別データセット - `train_eval_case_ids`: 特定のケースのみ使用する場合 🏗 実践的な使い方 **評価→最適化→再評価の継続改善ループ**: まず`adk eval`で現状のエージェント品質を定量化し、次に`adk optimize`で自動改善を実行、最後に改善後のエージェントを再評価して改善効果を確認します。このサイクルを回すことで、プロンプトの品質が着実に向上します。 **トレーニングと検証の分離**: `train_eval_set`で最適化を行い、`validation_eval_set`で検証することで、過学習を防ぎます。最適化がトレーニングデータに特化しすぎず、未知のシナリオにも対応できるプロンプトが得られます。 **ウォームスタートによる効率的な最適化**: `run_dir`に中間結果を保存しておくことで、最適化が中断しても途中から再開できます。また、前回の最適化結果をベースに追加の改善を行うことも可能です。 **SimplePromptOptimizerでの段階的改善**: GEPAオプティマイザーほど自動化されていませんが、Execute→Evaluate→Critique→Rewriteの各ステージの結果を確認しながら、半自動的にプロンプトを改善できます。LLMが弱点を分析して改善提案をしてくれるため、人間のプロンプトエンジニアリングの負担が軽減されます。 💡 ユースケース 🔄 プロンプト品質の継続的改善サイクルの自動化 📊 評価スコアに基づくデータドリブンなプロンプト改善 🎯 過学習を防ぐトレーニング/検証データセットの分離 ⚡ 中断可能・再開可能なウォームスタート最適化 ⚠️ 注意点 - 最適化は非破壊的ですが、生成されたプロンプトバリエーションの品質は評価データセットの質に依存します。代表的なケースを含むデータセットを用意してください。 - `max_metric_calls`が大きいほど探索範囲が広がりますが、LLM呼び出しコストも増加します。初期値100から調整してください。 - 最適化結果は自動的にデプロイされません。生成されたプロンプトを人間が確認してから適用してください。 - GEPARootAgentPromptOptimizerはルートエージェントの指示のみを最適化します。サブエージェントやツール定義の最適化には別のアプローチが必要です。 ✨ ADKのOptimization Frameworkは、プロンプト改善を「職人技」から「データドリブンなプロセス」に変革します。評価→最適化→再評価のループを回して、エージェントの品質を継続的に向上させましょう! #ADK# #AIAgent#
もっと見る
# OpenAI Agent SDKの便利で実践的な使い方 🌍 危険な操作にはブレーキを! Human-in-the-loopの承認フローを使えば、エージェントが破壊的なアクションを実行する前に人間の確認を挟むことができます。 📌 タイトル:Human-in-the-loop 🔗 URL: 🧩 概要 OpenAI Agent SDKのHuman-in-the-loop機能は、特定のツール呼び出しに承認ステップを追加します。`needs_approval=True`で全呼び出しを承認対象にしたり、関数ベースで条件付き承認にしたりできます。中断された実行は`to_state()`で状態を保存し、承認/却下後に` state)`で再開できます。 🛠 使い方 `@tool(needs_approval=True)` を付けた `cancel_order(order_id: int)` は全呼び出しで承認が必要です。条件付き承認は `async def requires_review(_ctx, params, _call_id) -> bool` という非同期関数を定義し、`params.get("subject", "").lower()` に `"refund"` が含まれる場合のみ `True` を返します。`@tool(needs_approval=requires_review)` で `send_email` に適用します。`Agent(name="support", tools=[cancel_order, send_email])` を定義し、`result = await "注文12345をキャンセルして")` で実行します。`result.interruptions` がある場合、各 `interruption` の ` と `interruption.arguments` を表示し、`state = で状態を保存します。人間が承認すれば `state.approve(interruption)`、却下すれば `state.reject(interruption, rejection_message="この操作は許可されていません")` を呼び、`await state)` で再開します。 実行(run)内でポリシーを固定するには、`state.approve(interruption, always_approve=True)` で以降同じツールを自動承認、`state.reject(interruption, always_reject=True)` で自動却下にできます。また、`RunConfig(tool_error_formatter=format_rejection)` のように `ToolErrorFormatterArgs` を受け取る関数(`args.kind == "approval_rejected"` を判定)を渡して、却下時のメッセージをカスタマイズすることも可能です。 🏗 実践的な使い方 本番環境では、破壊的な操作(注文キャンセル、本番DBの削除、返金メール送信など)に`needs_approval=True`を設定するのが基本です。しかし全てのツール呼び出しに承認を求めるとユーザー体験が悪化するため、関数ベースの条件付き承認が実践的です。 例えば、メール送信ツールは件名に「返金」「解約」が含まれる場合のみ承認を要求し、通常の確認メールは自動承認にするといった設計が可能です。 `interruptions`で中断された実行は`to_state()`で状態をシリアライズし、後から` state)`で再開できます。これにより、SlackやWebフォームで承認UIを構築し、非同期に承認/却下を処理できます。 `always_approve=True`/`always_reject=True`は、その実行(run)内で同じツールへのポリシーを固定したい場合に使います。管理者向けのバッチ承認に便利です。 `rejection_message`をカスタマイズすることで、エージェントに却下理由を伝え、代替アクションを提案させることができます。 💡 ユースケース 🛒 ECサイトの注文キャンセル・返金処理の承認 🗄️ 本番データベースへの破壊的クエリ(DELETE/DROP)の承認 📧 顧客への返金・解約メール送信前の確認 💰 一定金額以上の決済処理の承認 ⚠️ 注意点 - `to_state()`で保存した状態にはコンテキスト情報が含まれるため、機密データの取り扱いに注意してください - `always_approve=True`による決定はその実行(run)の残りに適用され、`to_string()`/`from_string()`によるシリアライズをまたいで保持されます。永続的なポリシーはアプリケーション側で管理してください - 条件付き承認関数は `async def(ctx, params, call_id) -> bool` という非同期関数として呼ばれます。重い処理を入れないでください ✨ 適切な承認フローを設計することで、エージェントの自律性と安全性のバランスを取り、本番環境でも安心して運用できます! #OpenAIAgentSDK# #AIAgent#
もっと見る
# Codexの機能と実践的な使い方 🏛️ 全社にCodexを配るとき、「どのMCP・モデル・権限を許すか」を一人ひとりに任せるのは危険です。集中管理設定なら、管理者が境界を引いて統制できます。 🏷️ タイトル: 集中管理設定・ガバナンス 🔗 URL: 📘 概要 Codexのエンタープライズ向け集中管理設定は、IT管理者が組織全体のエージェント挙動を中央から統制する仕組みです。許可するMCPサーバー、モデル、承認・サンドボックス権限などをポリシーとして配布し、利用者が勝手に逸脱できないようにします。 ⚙️ 機能の説明 管理は2階建てです。 ・`requirements.toml`: ユーザーが上書きできない、管理者が強制する制約。 ・`managed_config.toml`: 出発点となる既定値で、セッション中にユーザーが変更可能。 適用優先順位は高い順に、macOSのMDM設定 → クラウド管理のrequirements(ChatGPT Business/Enterprise)→ システムファイル(`/etc/codex/` や `%ProgramData%\OpenAI\Codex\`)→ ユーザーの `config.toml` → CLIの上書き、です。管理レイヤーはCLIフラグより優先され、毎セッションで再適用されます。 ロックできる主な設定は、承認ポリシー、サンドボックスモード(`full_access` の遮断など)、権限プロファイルのallowlist、MCPサーバーの承認(コマンド/URL指定、未掲載は無効)、機能フラグ(`browser_use` 等)、自動レビューの強制、ネットワークのドメイン許可/拒否、ライフサイクルフック、コマンド規則などです。 🛠️ 実践的な使い方 `requirements.toml` では `allowed_sandbox_modes` で許可モードを絞り、`[permissions.filesystem]` の `deny_read` で `~/.ssh` や `.env` を拒否、`[rules]` の `prefix_rules` で `rm` を禁止、`[mcp_servers.approved]` で承認済みMCPだけを許可、といった指定ができます。これで `full_access` は使えず、機密ファイルの読み取りは拒否、破壊的コマンドは禁止され、承認済みMCPのみが有効になります。 💡 ユースケース 社内で承認したMCPサーバーとモデルだけを全社員に配り、機密ファイルの読み取りや破壊的コマンドを一律でブロックする、といったガバナンスを再デプロイなしに統一できます。 ⚠️ 注意点 `allowed_permission_profiles` を定義すると、それが排他的なリストになります。後段のソースでプロファイルを使うには明示的に再有効化が必要です。クラウドのrequirementsはローカルにキャッシュされるため、オフラインでは最新ポリシーが反映されないことがあります。カスタムプロファイルはCodex 0.137.0以前のクライアントへ配布しないでください。グループ単位のルールは最初に一致したグループが勝ち、未設定フィールドは後続から継承されません。 #Codex# #Enterprise#
もっと見る