金星、レンズ雲、飛行船… UFOと誤認された「意外な正体」まさかの排泄物も!? #UFO# #誤認# 　UFOや地球外生命の話題が世界の見出しをにぎわせるなか、あるデータによれば、いまやアメリカ人の...

SONE-639 楓富愛（#楓ふうあ）# Kaede Fua #人妻# #NTR# #亂倫# ボケたお義父さんは性欲旺盛でお母さんと間違えたふりして立派なデカチンを見せつけてきて❗️ 老年癡呆的義父性慾旺盛，誤認人妻是義母，向她炫耀大肉棒，慾求不滿的她，變得慾火焚身‼️

出国した外国人への児童手当を誤支給、350自治体で発生…こども家庭庁が国会で認めるも件数・総額は「把握していません」→「出国記録と支給記録を照らし合わせたら？」の声　

（ひどいな ! バカな連中が、国をダメにしている。） 札幌市のインターナショナル開校断念　誤情報拡散で「安全策難しい」：朝日新聞 「　背景には「移民排斥」の空気感があると言っていいだろう。札幌市を含む4市をアフリカ各国のホームタウンに認定する国際協力機構の事業が、抗議が殺到して撤回に追い込まれた事案をほうふつとさせる。騒げば計画を中止にできるということが、学習されてしまったのではないかと危惧している。 　だが、後押ししているのはガバメントスピーチだ。政府が外国人を「管理」する政策を強固に進めることで、国民の漠然とした不安に火を付ける。不安や抑圧の意識が外国人の問題にすりかえられ、ネットで「乗っ取られる」などの誤情報が拡散される。政府の態度が、こうした社会をつくってしまったと言わざるを得ない。」

# 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意思決定ポイント # ツール露出数｜Tool Exposure 🎯 ポイント エージェントに使えるツールを「とりあえず全部渡す」設計になっていませんか？ 実はLLMが一度に見渡せるツール数には認知的な限界があり、10〜20が安定ゾーン、30を超えると選択精度が有意に落ちます。ツールが多いほどモデルは「正しいツールを選ぶ」という認知負荷に晒され、誤選択やトークン浪費が増えていきます。SaaS連携が増えるエンタープライズ環境では、この制御が品質の生命線です🎛️ 📋 概要 ツール露出数とは、エージェントに一度に見せるツール（関数・API）の数を制御する程度のことです。多すぎるとモデルの選択精度が落ち、少なすぎるとユーザーの要求に応えられません。「どんな要求にも対応できる」と「正確にツールを選べる」は本質的にトレードオフの関係にあり、業務ドメインやユースケースに応じて意図的に設計する必要があります。ツールの「量」だけでなく、ツール説明（description）の「質」も選択精度に直結する点を見落とさないでください。 🔍 意思決定のポイント このダイヤルは「ツール数の規模」と「ツール説明の品質」の2軸で決めます。 ツール数が10〜20 → 静的定義で十分。グルーピングで管理可能 ツール数が20〜30 → ドメイン別のサブエージェント分割を検討 ツール数が30超 → Tool RAG（動的選択）またはルーター＋サブエージェント＋Tool RAGのハイブリッド構成が必須 ツール数を減らす前に、まずツール説明の品質を見直すことが重要です。名前が動詞＋名詞で一意か、「いつ使うか・使わないか」が明記されているか、引数の型・制約・デフォルト値が明示されているか。ここが曖昧だとツールを絞っても誤選択は減りません⚡ 💡 要点と詳細 ツール数が増えた場合の3つの対処パターンがあります： Tool RAG（動的選択） — ユーザーの発話をベクトル検索し、関連ツール上位N件だけをプロンプトに注入します。SalesforceやServiceNowのようにAPIが数百に及ぶSaaS連携では必須に近い手法です。 サブエージェント分割 — 業務ドメインごとにサブエージェントを分け、ルーターが振り分けます。「人事系（Workday）」「ITヘルプデスク（ServiceNow）」「営業支援（Salesforce）」のように明確に分割できるケースで有効です。 ハイブリッド — ルーターでドメイン分割した上で、各サブエージェント内でもTool RAGを使う二段構成です。超大規模統合で採用されます。 計測すべき指標は、ツール選択正答率（正しいツールが呼ばれた割合）、ツール未選択率（適切なツールがあるのに「できません」と回答した割合）、誤選択によるエラー率、そしてツール説明のトークン消費量です。ツール説明がコンテキストの20%を超えたら、Tool RAGへの移行を本格検討してください📊 ⚖️ トレードオフ ツールを多く公開しすぎると、モデルの選択精度が低下します。名前や説明が似たツールが増えるほど誤選択の頻度が上がり、ツール説明のトークン消費がコンテキスト予算を圧迫します。ユーザーの要求に対応できる幅は広がりますが、「間違ったツールを選ぶ」リスクが確実に増大します😰 一方、ツールを絞りすぎると、ユーザーが「できるはずのこと」を断られる場面が増えます。体験品質が低下し、エージェント導入の価値が問われます。さらにツール追加のたびに分割設計の見直しが必要になり、開発速度も落ちます。重要なのは選択正答率90%を維持しつつ、fallback率5%以下を目指すバランスです⚠️ 🛠️ ユースケース Slack社内統合ボット：初期はITヘルプデスク（5ツール）から始め、HR・経費・施設と段階的に追加します。15ツールを超えた時点でTool RAGを導入し、選択精度を維持します。最終的に30ツール超の統合も、ルーター＋Tool RAGのハイブリッドで安定運用できます📚 Zendesk顧客対応エージェント：FAQ検索・チケット作成・ステータス確認・エスカレーションの4ツールに絞り、選択精度95%以上を維持します。顧客対応では誤ったツール呼び出しが直接的な体験毀損につながるため、少数精鋭が正解です🎯 Jira＋Confluence＋GitHub開発支援：各サービス5〜8ツール、合計20前後。サービスごとにサブエージェントを分割し、ルーターが「これはJiraの話か、GitHubの話か」を判断して振り分けます。ツール追加は該当サブエージェント内で完結するため、他に影響を与えません🔧 実践のコツ：ツール選択正答率が90%を下回ったらツール数の削減かTool RAG導入を検討し、新ツール追加のたびに既存ツールとの名前・説明の重複をチェックしてください。調整は週次のeval結果をもとに行い、一度に大幅な変更は避けるのが安全です💪 #AIエージェント# #エンタープライズアーキテクチャ#

# AIエージェントをソフトウェアに組み込むプラクティス # Dry-run & Commit｜差分提示してから実行 🎯 LLMがハルシネーションしたパラメータで決済が走る。それ、dry-runで防げます。 Terraformの plan → apply と同じ発想をエージェントのツール呼び出しに適用。「何が変わるか」を見てから実行する二相プロトコルです。 🔥 解決する課題 LLMはハルシネーションで意図しないパラメータを生成することがあり、ツール呼び出しは副作用を伴います。この二つが掛け合わさると、存在しないリソースIDや桁違いの金額で不可逆な操作が実行されるリスクが生まれます。dry-runなしの直接実行では、人間が「エージェントが何をしようとしているか」を確認する手段がなく、問題は事後にしか検出できません。 💡 提案パターン 副作用を伴う操作を「計画（dry-run）→ 差分提示 → 承認 → 実行（commit）」の二相で行います。dry-runフェーズではシステムを一切変更せず差分だけを計算し、承認を得てからcommitフェーズで書込を実行します。承認方式はリスクに応じて段階化し、高リスクは人間承認、中リスクはポリシー自動検証、低リスクは自動承認とします。planにはTTLを設け、状態変化が起きていたら再生成を強制します。 ✅ 選定条件 使うとき： - 不可逆な操作（データ削除、外部API書込、課金処理）をエージェントが実行する - 誤操作が金銭的・法的・運用的な実害を生みうる - 差分を評価するための数秒〜数分の待機が許容される 使わないとき： - 全操作が読み取り専用の場合 - 全操作が可逆かつ低コストの場合（チャット応答生成など） - レイテンシ制約が極めて厳しく承認待ちが許容されない場合 ⚠️ 落とし穴 - planとcommitの間に状態が変わるTOCTOU問題があります。commit時に前提条件を再検証する設計が必須です - 外部APIがdry-runモードを提供していない場合は、パラメータ検証とシミュレーションで代替し「推定」であることを明示します - commitエンドポイントがplan IDなしで呼べると、dry-runを迂回できてしまいます 🔧 実装方針 - ツール実行をdry-run（差分計算のみ）→承認→commit（実行）の三段階パイプラインとして構成し、各フェーズを独立したエンドポイントに分離します - planオブジェクトに変更前後の値・影響範囲・ロールバック手順・前提条件のハッシュを含め、commit時に前提条件の再検証（TOCTOU対策）を行います - commitエンドポイントは有効なplan IDと承認トークンの両方を必須パラメータとし、直接呼び出しによるdry-run迂回を構造的に防止します - planにTTLを設定し、期限切れの場合は再planを強制することで、古い差分に基づく実行を防ぎます #AIエージェント# #ソフトウェアアーキテクチャ#

转 打破這殼！——賓州州立大學迪金森法學院畢業演講 📷文 /肖國珍 2021-05-17 （欧洲之声 編者按）本文作者肖國珍在中國是位維權律師，來到美國短短數年，為了生活和扶養兩個稚齡女兒，很努力地打工賺錢，維持生活。去年8月她進入賓州大學法學院，不到一年的時間就取得優異成績，拿到碩士學位，並作為畢業生代表，在畢業典禮上致辭。肖國珍也曾擔任獨立中文筆會的秘書長，不辭辛勞，認真負責。當前美國社會出現仇視亞裔的現象，像肖女士這樣勤奮、勇敢、優秀的亞洲女性，正是對族裔偏見最有力的撥亂反正的一股力量。下面是肖國珍5月13日在法學院碩士博士班畢業典禮上的演講。 祝賀2021屆同學！ 被Covid-19隔離了這麽久，我們終於聚集在一起，對不對？我們已經沈默很久了，讓我們鬧出點動靜來！ 我們受夠了，對不對？感謝上帝，畢業的這一天終於來到了！ 想像一下您可以告訴孫輩們的精彩故事。以這樣的方式開始：「遙想當年，我們不得不在法學院戴口罩，大家都見不到真面容——即使在畢業那天。」這就是為什麽我摘下面具，展示真容，即使真容不一定要美麗，但真的就是真的。 此刻你可能會想：一個亞裔女人，處於很多同學母親的年齡，為何不遠萬里，從另一個半球，來到迪金森法學院？ 原因很簡單：我想打破那殼！ 回顧我的人生，全都是破殼的歷程。一個又一個。 小時候，我最愛看小雞出殼，不禁感到神奇。世界上所有的鳥兒——哪怕飛得最高——也是破殼而出生。 我本是經濟師，曾經以為，世界上最枯燥無味的文字，莫過於法律語言。那麽，是什麽讓我脫殼而出、成為律師呢？ 那是1990年代，一親屬涉嫌犯罪，但我們無力負擔律師費。唯一的解決辦法是成為一名律師。我只有3個月的時間為律師考試做準備，要學習的書有6032頁。我強迫自己每天閱讀200頁，壓力太大到我哭啊。我甚至沒有時間擦眼淚。 我很清楚為什麽我可以一次性通過律考：因為我要破殼的願望是如此強烈！ 破殼的結果是： 第一，我發現法學語言是世界上最精美的語言，它是如此簡潔，如此優美，增一字則太長，減一字則太短。 第二，我的思維與思想有了一個飛躍：我才明白，我不知道我所不知道的。自此，我開始用「法眼」看天下。 經過幾年法律實踐，我認定律師是我最喜歡的職業，希望終身以此為業。我決定再次破殼——進入法學院深造（分享一個秘密啊：當我通過律師考試時，我沒有受到任何法律教育）。十九年前，在北京的法學院，我是數十名女同學中年齡最大的。今天，我可能是迪金森法學院最年長的學生——只是這次不分男女。 在北京的法學院這三年中，我創作了一部傑作——我的第一個女兒莫妮卡。 （她今天在現場。）這讓我只有兩年的時間來完成學業。我做到了！ 當時，中國實施一胎化政策，禁止生育第二個孩子，我決定破殼，於是有了另一件傑作——我的第二個女兒朱莉婭。 中國政策如月亮，初一十五不一樣。十年後，中國開放二孩政策，有的地方政府號召：「讓全村每個女人都懷上二胎，是村支書不可推卸的責任」。感謝上帝，我有兩個孩子，不需要村支書幫忙。 在小說《教父》中，唐說：「一個提著公文包的律師，比一百個拿槍的強盜所搶到的錢還要多」。賺錢固然讓人歡喜；但我聽到召喚，又破了一個殼：我開始幫助那些走投無路、需要律師的人。這種服務他人的活動，使我離開中國，來到美國，然後——來到了迪金森法學院。 是啊，一路走來，一路破殼。 當對現狀不滿意時，我告訴自己：打破這殼！ 當現狀很好時，我告訴自己：不要貪圖安逸，打破這殼！ 📷5月13日肖國珍上台領取法學院的畢業證書。 來到美國後，「我有一個夢」在我心頭回響；自由女神像的光芒，又一次點燃了我的破殼之夢——學習美國法律。可是英語成了我最大的殼。我仍然在為講一口美式英語努力。今天傑出的在座的各位，都在幫助我破這個殼。 當我擔心自己的英語不夠好、怕耽誤大家時間而克制提問時，莫吉爾教授走到我的座位，對我說：「如果您有任何問題，請大膽問。沒有一個問題是小到不足一提的。」我意識到：迪金森法學院是我夢寐以求的學院。 當道奇院長在迎新會上說：「有任何困難，請來找我們——這是我們在這裏的職責所在。我們不希望有任何一個學生餓著肚子上床。”」我意識到：迪金森法學院是我夢寐以求的學院。 當這個國家發生仇視亞裔事件時，康威院長告訴我：「國珍，這就是你的名字，你的身份認證，你不要改名字，你要為你是亞裔驕傲。」我意識到：迪金森法學院是我夢寐以求的學院。 當格羅姆教授、科爾教授和阿克斯-福爾茲院長對我說：「即使你畢業了，你有任何需要幫忙的，也隨時可以找我。」 我意識到：迪金森法學院是我夢寐以求的學院。 莫裏斯教授，大概您沒有去計數：我們的通信，超過350封！你讓我知道：迪金森法學院是我夢寐以求的學院。 當我向同學請教，無一例外，每位都極盡熱情地幫助我，你們讓我知道，迪金森法學院是我夢寐以求的學院。 有時候，學習壓力也曾讓我哭泣。不只是您哭，我也哭啊，一如當年在中國考律師的時候。但是，這次不一樣了——你們與我同在，我不感到孤獨。 迪金森法學院滋養了我們。借此機會，我要感謝大家：感謝教授們、感謝所有工作人員和同學們，所有在現場和在線觀看的人。 在法學院的日子，也是我們人生的「孵化期」。那高飛的鳥能破殼，因為它會吸收從外殼吸收的鈣，使自己日益強壯。一堂課，一頁書，一場有趣的對話，都讓我成長。我相信：你也一樣。 從殼中孵出的小鳥，必須繼續生長，才能飛得更高。我們必須繼續成長——作為律師、作為公民。 林密無妨溪水過，天高不礙白雲飛。無論我們未來面臨什麽挑戰，我們都將找到解決之道！ 腳步未及者，視野可及；視野未及者，心靈可及。唯有你想飛，你才能破殼。破殼之時，會有痛感；若不破殼，痛苦終生。一旦破殼，即是重生。 不要害怕殼外的未知事物。一旦打破這殼，您將成為高飛之鳥，翺翔在白雲之上！ 打破這殼！哪怕它是你曾崇拜的偶像。 打破這殼！哪怕它曾是你的整個世界！ 打破這殼！如果它是過時的法律。 打破這殼！如果它是不公正的制度。

# AIエージェント開発の意思決定ポイント 🎯 ポイント 「安全のために全部承認制にしよう」は、実は安全ではありません。 1日100件の承認要求が来ると、承認者は内容を読まずにOKを押すようになります。これが「承認疲れ」です。承認があるという形式的な安心感だけが残り、実質的なチェックはゼロ。承認なしよりも危険な状態です。HITL承認頻度の設計は、安全性と自動化のメリットの両立を決める重要なダイヤルです。 📋 概要 HITL（Human-in-the-Loop）承認頻度とは、エージェントの処理中に人間の承認を求める頻度を制御するダイヤルです。全操作に承認を求めるか、高リスク操作のみに絞るか、あるいは事後の標本監査に留めるかを決めます。全件承認はエージェントのスループットを人間の応答速度にまで引き下げ、自動化のメリットを消失させます。逆に承認を完全に排除すると、ハルシネーションやツールの副作用による被害を防ぐ最後の砦が失われます。 🔍 意思決定のポイント 📌 失敗コスト：このダイヤルの最大の駆動変数です。失敗時の損害が大きい操作ほど承認を求め、損害が小さい操作は承認を省きます。 📌 可逆性：操作が取り消し可能かどうかで承認の必要性が変わります。読取操作や下書き生成は承認不要、不可逆な操作（本番DBの削除・メール送信・決済）は事前承認必須です。 📌 承認者の認知負荷：承認頻度が高すぎると承認の質が下がるという逆説的な関係を常に意識してください。 💡 要点と詳細 🏗️ リスクゲート方式を推奨します。操作を3層に分類します。 - 自動実行（auto）：読取操作、可逆な小規模書込。承認不要 - 事前承認（approval）：不可逆な操作、金銭移動、外部通知。実行前に人間が確認 - 禁止（forbidden）：本番データの一括削除など。エージェントには実行権限を与えない 🏗️ バッチ承認が有効です。10件を個別に承認するより、10件の一覧を見て一括承認する方が承認者の負荷が小さく、内容を比較しやすいためチェックの質も上がります。 🏗️ 標本監査で効率化できます。自動実行操作の5〜10%をランダムサンプリングして品質を監査。異常が検出されたらそのカテゴリの自律性レベルを下げます。 🏗️ 承認疲れを定量的に監視してください。承認応答が平均2秒以下であれば、内容を読まずに承認している可能性が高いです。 ⚖️ トレードオフ 🔻 承認が少なすぎる：不可逆な操作がLLMの判断だけで自動実行され、ハルシネーションによる誤操作発生時に手遅れに。監査記録が残らずコンプライアンス違反にもなりえます。 🔺 承認が多すぎる：承認疲れで実質的チェックがゼロに。スループットが人間の応答速度に律速され、5分に1回の承認で本来30秒の処理が30分に。ユーザーが頻繁な割り込みにストレスを感じ、エージェント利用を止めてしまいます。 段階的な信頼構築がベストプラクティスです。最初は事前承認で始め、実績が蓄積されたら標本監査に移行し、十分な信頼が得られたら自動実行に昇格させます。 🛠️ ユースケース 📧 メール送信エージェント：下書き生成は承認不要。社内メールは標本監査（10%を事後チェック）。顧客向けメールは全件事前承認。一括メール送信（100件以上）は2人以上の多重承認。定型的な注文確認メールはテンプレートベースの自動実行に昇格可能です。 🗄️ データベース管理エージェント：SELECTは承認不要。INSERT/UPDATEは事前承認→実績でバッチ承認に移行。DELETEは常に事前承認。DDL操作は多重承認。本番と開発で承認ポリシーを分けることが重要です。 🌙 24時間バッチエージェント：承認者不在の夜間は、要承認操作をキューに積んで翌営業日に処理。承認タイムアウトのデフォルトは安全側（自動却下）にすること。自動承認にすると承認プロセスが形骸化します。 #AIエージェント# #ソフトウェアアーキテクチャ#

⚙️ 月125兆トークンを捌くLLM推論基盤は、どう信頼性とコストを両立しているのか。リクエスト数ではなく「モデルユニット」でコストを測り、GPUコストを80%削減しつつ安定運用を実現したDatabricksの実戦知です。 タイトル: Reliable LLM Inference at Scale URL: 📝 概要 本記事は、大規模なLLM推論を信頼性高く・コスト効率よく運用するための、Databricksのアーキテクチャと手法を解説します。GPUインフラの不安定さや、予測困難なリクエストコストといった本番特有の課題に、具体的な仕組みで対処しています。 ❓ 解決する課題 ・GPUインフラはCPUより本質的に不安定で、prefill/decodeを分離した構成では単一障害が複数ノードに波及します ・リクエストコストは事前推定が難しく、出力トークン生成がレイテンシを支配する一方、その時間は予測困難です ・高負荷時には、リクエストの組み合わせ次第で健全なサーバが突然不健全状態に陥ります 💡 方法論と提案手法 ・コストを「α×入力トークン＋β×出力トークン＋γ×マルチモーダル」とモデル化する「モデルユニット」抽象を導入し、係数はモデル/ハードウェアごとの自動ベンチマークで決定します ・自動シャーダーDicerが、キュー長でなくモデルユニットで測ったサーバ負荷でルーティングし、ステートフルセッションでキャッシュヒット率を高めます ・保留リクエスト数でなく「モデルユニット利用率」でオートスケールし、ピーク閾値に近づくと増設します ・ブラックボックスのヘルスチェックでサイレントハングを検知し、ヘルスチェックを最高優先度にして誤検知を防ぎます 🎯 ユースケース Superhumanやコーディングエージェント、サポートボットなど、トラフィックが数時間で急増するマルチテナントのエージェント型アプリを支えます。LLMアプリが単一テナントから共有本番環境へ移る局面に直結します。 📊 実験結果 ・コスト認識オートスケーリングで、静的なピーク見込みプロビジョニング比のGPUコストを80%超削減しました ・ヘルスチェックの誤検知を週数件からゼロへ、サイレント障害の検知・回復は5分未満に収めました ・画像処理をTorchvisionへ切り替え、OMP_NUM_THREADSをコンテナ上限に正しく設定し、同じレプリカ・負荷でスループットを3倍超に跳ね上げました ・月125兆トークンをマルチテナントで処理しています #LLM# #MLOps#