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 非同期テック部
非同期テック部 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
非同期テック部 を含む検索結果
部員のつもりだったけど、つもり で貢献していなかったので💦 #ムロツヨシショー# 20:16 開演 YouTubeにて #ムロツヨシが今夜# #非同期テック部# ムロさん、楽しみに待ってます。
もっと見る
カード構築に非同期オートチェスの「Kingdoms Assemble」,Steamでプレイテストが開催中。審査なしで誰でも参加でき,期間は10月3日まで このチマチマした画面が好きな人,絶対いるはず
もっと見る
# AIエージェント開発の意思決定ポイント # 同期 vs 非同期 ⚡ 🎯 ポイント LLMエージェントの設計、最初に決めるべきは「同期で返すか、非同期にするか」です。 ここを間違えると、後からアーキテクチャ全体を作り直す羽目になります。従来のWeb APIなら「100msで返る」が前提でしたが、エージェントは数秒から数十分までレイテンシが振れます。この特性が、同期/非同期の選択を避けて通れない最初の分岐点にしています。 📋 概要 同期はクライアントがHTTPリクエストを送り、接続を維持したまま結果を受け取る方式です。状態はリクエストスコープで管理され、ジョブキューもチェックポイントストアも不要です。一方、非同期はジョブIDを即座に返し(HTTP 202)、バックグラウンドワーカーが処理を担当します。結果はポーリング・Webhook・SSE・WebSocketで通知されます。実行状態は外部ストアにチェックポイントとして永続化されます。 🔍 意思決定のポイント 判定の主軸は2つあります。 1️⃣ **レイテンシ予算** が最も重要な判定軸です。LLMのp99レイテンシがクライアントの待機許容を超えるかどうかで決まります。 - 対面で5〜10秒、API連携で30秒以内に収まる → 同期 - 上記を超える、または所要時間が読めない → 非同期 - 短い処理は成功するが長い処理は失敗する二峰性分布 → ハイブリッド 2️⃣ **リトライコストの大きさ** が副次的な判定軸です。 - 失敗時にフルリスタートで問題ない → 同期で十分 - 途中再開が必要、リスタートのコストが大きい → 非同期 人間の承認フローが途中に入る場合、同期の接続保持は非現実的で、非同期が必須になります。 💡 要点と詳細 🟢 **同期の強み**はシンプルさです。デバッグはスタックトレースで追え、テストは関数の入出力で検証でき、デプロイはステートレスHTTPとして扱えます。可動部品が少ないほどトラブルシューティングも容易です。テキスト分類、情報抽出、単純Q&A、要約、構造化出力生成など、LLM1回+軽量ツール0〜2回で完結するタスクに最適です。 🟡 **非同期の強み**は耐久性とスケーラビリティです。処理時間に上限がなく、ワーカーが失敗しても最後のチェックポイントから再開できます。人間の承認待ち(数分〜数日)がワーカーを消費しません。水平スケールもキューワーカーの追加だけです。ただしSQS・Redis Streams・Temporalなどのジョブキュー、チェックポイントストア、結果ストア、通知メカニズムが必要で、分散トレーシングを含むデバッグの複雑性が代償です。 ⚖️ トレードオフ | 観点 | 同期 | 非同期 | |---|---|---| | インフラの複雑性 | 低い(HTTPのみ) | 高い(キュー+ストア+通知) | | デバッグ難度 | スタックトレースで完結 | 分散トレーシングが必須 | | 耐障害性 | クラッシュで全ロス | チェックポイントから再開可 | | スケール | 接続保持がボトルネック | ワーカー追加で水平拡張 | | 人間の承認 | 非現実的 | 自然に対応 | 🛠️ ユースケース 🔵 **同期が向くケース**: テキスト分類、情報抽出、単純Q&A、要約、構造化出力生成。数秒で確実に終わる処理。 🔴 **非同期が向くケース**: マルチツールチェーン、クロスSaaSプロセス、人間承認ワークフロー、30秒超のタスク。 🟣 **ハイブリッド**: 内部は非同期パイプラインで構成し、閾値以内なら同期レスポンス、超えたらジョブIDを返す自動切替。レイテンシが二峰性分布を示す場合に特に有効です。 📌 **デフォルト戦略**: 迷ったらまず同期から始めましょう。レイテンシが限界を超えた時点で非同期に移行する方が、逆方向より安全です。同期→非同期の移行は容易ですが、非同期→同期へのロールバックは不要なインフラを残します。 #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
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 【非同期ジョブ+負荷制御】 💡 「全部リアルタイム」は破綻する。長時間処理をジョブ化し、優先度キューで負荷を制御すれば、スパイクにも耐えるエージェント基盤が手に入ります。 🔥 解決する課題 - 数十秒〜数分のエージェント処理でHTTPタイムアウトが発生する - スパイク時に全ユーザーのレイテンシが悪化し、サービスが崩壊する - 低優先度のバッチ処理がリアルタイム対話の品質を巻き添えにする - LLM呼び出しコストがスパイク時に制御不能になる 🏗️ 提案パターン リクエスト受信時にジョブIDを即時返却し、処理をバックグラウンドキューに投入します。進捗はSSE/WebSocketでストリーム通知し、完了時にWebhookやSlackでコールバックします。優先度キューでリアルタイム対話を最優先にし、バックグラウンド処理は後回しにします。さらに「オンライン知性」と「オフラインバッチ知性」を分離し、夜間バッチで大型モデルによる重い分析を実行、日中はその結果を即座に参照する構成が効果的です。 ✅ 選定条件 - 向き:処理が数十秒超、大量並列処理、スパイクのあるマルチテナント環境 - 不向き:会話的・数秒で完結する対話(ジョブ化のオーバーヘッドが体験を損なう) ⚠️ 落とし穴 - DLQ(Dead Letter Queue)を用意しないと、失敗ジョブがサイレントに消える - オフラインバッチの結果鮮度を管理しないと、古い分析結果で誤った判断を招く - テナント別クォータを設けないと、特定テナントの暴走が全体に波及する 🛠️ 実装方針 1. メッセージキュー(SQS / RabbitMQ / Kafka)でジョブを受け付け、即座にジョブIDを返却するAPIを構築します 2. ワークフローエンジン(Temporal / AWS Step Functions)でジョブの進捗管理・リトライ・DLQを一元化します 3. 優先度キューでリアルタイム対話とバックグラウンド処理を分離し、テナント別クォータ(Token Bucket / Sliding Window)を設定します 4. SSE/WebSocketで進捗をストリーム通知し、完了時はWebhook/Slackコールバックで結果を届けます 5. 夜間バッチ(Airflow等)で大型モデルによる重い分析を実行し、結果ストア(Redis / DynamoDB)経由で日中のオンラインエージェントが即座に参照できるようにします #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
# 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意思決定ポイント # 同期 vs 非同期|Synchronous vs Asynchronous 🎯 ポイント エージェントの応答を「ユーザーが画面の前で待つ」設計にしていますか、それとも「完了したら通知」の設計ですか? この選択は体験設計・アーキテクチャ・スケーラビリティに直結します。数秒で返せるチャット的なやり取りと、数分かかるバッチ分析では、最適な実行モデルが根本的に異なります。間違えるとタイムアウト地獄か、簡単な質問に数分待たされる体験崩壊が待っています🔑 📋 概要 同期実行はユーザーとの往復対話が価値の源泉となるケースに向いています。処理時間が5秒未満で完了する見込みがあり、Slackのチャットボットやライブチャット対応のようにリアルタイム性が求められる場面です。ストリーミング出力でトークン単位に逐次表示すれば、体感速度をさらに補えます。一方、非同期実行は処理時間が数十秒〜数分に達するケースに適しています。複数SaaSの横断調査、大量データの集計・分析、Jiraの全スプリント横断レポート生成など、重い処理はジョブキューに投げて完了通知をSlackやメールで受け取る設計が正解です。イベント駆動(Webhook / CDC)で起動するエージェントも非同期が自然な選択となります📊 🔍 意思決定のポイント 判断は「処理時間の見込み」と「ユーザーが待つかどうか」の2軸で決めます。 処理時間5秒未満 → 同期で問題なし 処理時間10秒超 → 非同期を検討 5〜10秒 → ストリーミングで同期を維持できるか評価 加えて「往復対話が価値を生むか」も重要です。追加質問・確認・修正のラリーが必要なら同期、バッチ処理や定期レポートならユーザーは画面の前にいないので非同期一択です。同時リクエスト数が数千以上のスパイクが見込まれる場合は、ジョブキューでバックプレッシャーを制御する非同期が安全です⚡ 💡 要点と詳細 ハイブリッド構成が実務では最も一般的です: 同期開始→非同期エスカレーション:最初は同期で応答し、処理が10秒を超えそうなら「バックグラウンドで処理中です」とユーザーに伝えてジョブキューに移行します。完了後にSlack / メールで通知します。 ストリーミング+進捗表示:同期的にストリーミング出力しつつ、裏でツール呼び出しを並列実行します。中間結果を逐次表示することで体感待ち時間を短縮します。 ServiceNowのインシデント対応を例にすると、一次回答は同期チャットで即座に返し、根本原因分析や類似インシデントの横断調査は非同期ジョブで実行する、という使い分けが理にかなっています。 障害時のリカバリも大きな判断材料です。途中で失敗した場合にチェックポイントから再開したいなら、非同期+永続キューが必須です🔄 ⚖️ トレードオフ すべてを同期で実装すると、重い処理でタイムアウトが頻発します。API Gatewayの30秒制限に引っかかり、ユーザーは空白画面を見続けることになります。コネクションプールが枯渇してシステム全体が停止する事態も起こり得ます😰 一方、すべてを非同期にすると、簡単な質問への回答にもキュー経由の遅延が入り、チャット体験が著しく劣化します。「今日の天気は?」に3分後にSlack通知で回答されても、誰も嬉しくありません。 進捗通知の不在も見落としがちな罠です。非同期ジョブの完了を通知しないと、ユーザーは結果を取りに来ません。「投げたけど返ってこない」と認識され、システム自体の信頼が崩壊します⚠️ 🛠️ ユースケース Slackチャットボット:ナレッジ検索やFAQ回答は同期(5秒未満で完了、ストリーミング出力)。レポート生成やデータ分析の依頼は非同期(ジョブキュー→完了後にスレッドへ通知)。同一ボットが処理時間の見込みで自動的に切り替えるのが理想です📚 Salesforce商談分析:単一商談の要約は同期でサイドパネルに即表示。全商談の四半期横断分析は非同期でバックグラウンド実行し、完了後にダッシュボードを更新します🛒 CI/CDパイプライン連携:プルリクエストの差分要約は同期で即コメント。全コードベースのセキュリティスキャンは非同期でジョブ実行し、結果をJiraチケットに起票します🔧 実践のコツ:同期エンドポイントには必ずタイムアウトを設定し、超過したら非同期にフォールバックする設計を組み込んでください。「たぶん5秒で終わる」は信用できません💪 #AIエージェント# #エンタープライズアーキテクチャ#
もっと見る
# 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 # Synchronous Edge Agent|同期エッジ 🎯 キャッチーなメッセージ LLMエージェント、まず「同期で返せないか?」を考えていますか? 非同期キューやチェックポイントに飛びつく前に、シンプルな同期HTTPで完結できないか検討しましょう。実際のユースケースの大半は、それで十分です。 🔥 解決する課題 エージェントアーキテクチャの議論はすぐに非同期キュー・チェックポイント・オーケストレータへ進みがちです。しかし多くのタスクは「LLM1回+軽いツール」で済みます。軽量タスクに重い実行基盤を持ち込むと、運用コスト・デプロイ複雑性・デバッグ難度が不必要に跳ね上がります。 💡 提案パターン Synchronous Edge Agent(同期エッジ)は、単発のLLM推論と軽量ツール0〜2回を1つの同期HTTPリクエスト内で完結させる、最もシンプルな実行方式です。状態はインコンテキストのみで、チェックポイントもキューも不要です。テキスト分類・情報抽出・単純Q&A・要約・構造化出力生成など「数秒で終わる確実な処理」に最適です。タイムアウトはLLM呼び出し単位でp99実測値に基づいて設定し、モデル選択もレイテンシ予算の関数として決定します。迷ったらまずここから始めてください。 ✅ 選定条件 使うとき: - 処理が概ね5〜10秒以内に終わる(対面)、またはAPI連携で30秒以内 - LLM呼び出しは1回、ツール呼び出しは0〜2回の軽量処理 - 途中再開や人間承認が不要 使わないとき: - 処理が30秒を超えうる、または所要時間が読めない場合 - 複数ツールの多段呼び出しや計画・反省ループが必要な場合 - 不可逆な副作用(決済・データ削除等)を伴う場合 ⚠️ 落とし穴 - タイムアウトはHTTPサーバ全体でなくLLM呼び出し単位で設定すること。全体タイムアウトだけではLLMがハングしてワーカースレッドを占有し続けます - 同期枠内でのリトライは0〜1回に限ること。リトライを重ねるとクライアントが先にタイムアウトします - サーバーレス環境ではコールドスタートがレイテンシ予算を食うため、Provisioned Concurrencyやウォームアップで対処が必要です 🔧 実装方針 - クライアントからのHTTPリクエストをAPI Gateway経由でハンドラが受け取り、1つのリクエスト-レスポンスサイクル内で処理を完結させます。外部キューやチェックポイントストアは登場しません - タイムアウトはHTTPサーバ全体ではなくLLM呼び出し単位で設定し、その値はlatency_budgetから導出します。p95/p99の実測値に基づいて調整します - モデル選択もレイテンシ予算の関数として決定します。分類・抽出には軽量モデル、生成にはミッド〜フラグシップを選びます - 構造化出力(JSON Schema等)を使い、レスポンスの軽量検証を常にONにします。意味検証はレイテンシに余裕がある場合のみ追加します - 対面UIで生成が長文になる場合はSSEストリーミングを併用し、体感レイテンシを短縮します #AIエージェント# #ソフトウェアアーキテクチャ#
もっと見る
TL;DR: 長い仕事を裏で進めながら、ユーザーの指示にはすぐ応える。LangChainはその両立に、バックグラウンドで動く非同期サブエージェントを提案しています。標準のReActループでは長いツール呼び出しが全体を止めてしまうためです。 Agents Are Going Async(LangChain) ポイント ・🧠 応答性(すぐ反応)と生産性(多数の長いタスクを並行)の両立が課題です ・🚧 ReActループでは、長いツール呼び出し1つで他のタスクが全部待たされます ・🔀 ユーザーのそばに残る1つのオーケストレーターと、裏で動く複数のワーカーという構成です ・🛠️ 管理ツールは5つで、start、check、update、cancel、list の各 async_task です ・♻️ 追加指示は、訂正向きの interrupt(既定)と、追加向きの enqueue を選べます ・🔔 結果は、実行中なら次のモデル呼び出し前に拾い、待機中なら新しい実行で起こします ・🧪 Deep Agents と Managed Deep Agents で利用でき、ベータ版です 記事にベンチマークはなく、LangChain製品の紹介である点に注意が必要ですが、設計の考え方として参考になります。 #AIエージェント# #LangChain#
もっと見る
便利だけど知られていないOpenAI APIの機能 💰 「急ぎじゃないけど大量に回したい」、そんなLLMジョブに毎回フルプライスを払っていませんか? OpenAIの「Flex processing(フレックス処理)」は、非同期・低優先度のリクエストを割引価格で処理できるティアです。急がないタスクのコストを大幅に下げられる、地味だけど効く選択肢です。 📌 タイトル:Flex processing(フレックス処理) 🔗 URL: 🧩 概要 LLMの利用が増えると、コストが一気に膨らみます。でも実際には「今すぐ結果が欲しい」リクエストと「明日までに終わればいい」リクエストが混在しているはず。Flex processingは後者を低優先度キューに回すことで、通常より安い料金で処理してくれる仕組みです。レイテンシの保証はないけれど、その分コストを抑えられます。 🛠 使い方 リクエスト時に処理ティアをflexに指定するだけ。既存のプロンプトやモデル設定はそのまま使えます。レスポンスは非同期的に返ってくるので、結果をポーリングで取得するか、Webhooksと組み合わせて通知を受け取る形になります。 🏗 本番システムへの組み込み方 ・夜間バッチ評価パイプライン:日中に溜まったデータの分類・スコアリングを夜間にflexで一括処理。翌朝には結果が揃っている運用に。 ・大量データのラベリング・アノテーション:数万件のテキスト分類を低コストで回す。急がないならflexで十分。 ・定期レポート生成:週次・月次のサマリー生成など、締め切りに余裕があるジョブに。 ・開発環境での実験・プロトタイプ:本番品質のモデルを安く試せるので、プロンプト開発の反復コストを下げられる。 💡 ユースケース 🗂 大量テキストの分類・タグ付け 📊 定期的な分析レポートの自動生成 🧪 プロンプトの A/B テスト・評価 🏷 学習データのアノテーション ⚠️ 注意点 レイテンシの保証がないため、ユーザーがリアルタイムで待っているようなインタラクティブ用途には向きません。「急がない大量処理」に絞って使うのがポイントです。また、処理完了のタイミングが読みにくいので、後続処理がある場合はWebhooksやポーリングの設計をしっかり組んでおきましょう。 ✨ コスト最適化の第一歩は「急ぎと急がないを分ける」こと。Flex processingで、まずは夜間バッチから試してみてください。 #OpenAI# #LLM#
もっと見る
便利だけど知られていないOpenAI APIの機能 ⏳ 長時間かかる推論リクエスト、タイムアウトで失敗して困っていませんか? OpenAIの「Background mode(バックグラウンドモード)」は、長時間のリクエストを非同期で実行し、後からポーリングで結果を取得できる機能です。タイムアウトを気にせず、重い推論を安心して回せます。 📌 タイトル:Background mode(バックグラウンドモード) 🔗 URL: 🧩 概要 複雑な推論やエージェントの長時間タスクでは、通常のHTTPリクエストのタイムアウトに引っかかることがあります。Background modeはリクエストを送信した時点でレスポンスIDを返し、実際の処理はバックグラウンドで実行。完了したらポーリングやWebhooksで結果を取得できます。接続を維持する必要がないので、クライアント側のタイムアウト設計がシンプルになります。 🛠 使い方 リクエスト時にbackgroundモードを指定します。即座にレスポンスIDが返るので、そのIDを使って後からポーリングで結果を取得します。Webhooksと組み合わせれば、完了時に自動通知を受けることも可能です。 🏗 本番システムへの組み込み方 ・深い推論タスク:数分かかる複雑な分析や推論を、タイムアウトを気にせず実行。 ・エージェントの長時間実行:多ステップのエージェントタスクをバックグラウンドで走らせ、完了を待つ。 ・バッチ的な使い方との組み合わせ:個別リクエストだがそれぞれが重い場合に、並列でバックグラウンド実行。 ・モバイル/Webアプリ:ユーザーに「処理中」を表示し、完了したら通知。接続断に強い設計に。 💡 ユースケース 🧠 複雑な推論・分析タスク 🤖 長時間動作するエージェント 📱 接続断に強いモバイルアプリ 🔄 重い個別リクエストの並列実行 ⚠️ 注意点 ポーリング間隔を短くしすぎるとAPI呼び出しが増えてコストが上がります。Webhooksを使うか、適切な間隔でポーリングする設計にしましょう。また、バックグラウンドのジョブにも実行時間の上限があるため、極端に長いタスクは分割を検討してください。 ✨ タイムアウトとの戦いから解放される機能。まずは一番重い推論タスクをバックグラウンドに切り替えてみてください。 #OpenAI# #LLM#
もっと見る
# ADKの便利で実践的な使い方 📐 組み込みの評価基準だけでは、ビジネス固有の品質要件を測れないことがあります。ADKのCustom Metrics機能を使えば、「レスポンスに免責事項が含まれているか」「指定フォーマットに準拠しているか」といったドメイン固有の評価基準を定義し、自動評価できます。 📌 タイトル:Custom Metrics 🔗 URL: 🧩 概要 ADKのCustom Metricsは、Python関数として独自の評価基準を定義できる機能です(v1.18.0以降)。関数は`eval_metric`、`actual_invocations`、`expected_invocations`、`conversation_scenario`を受け取り、`EvaluationResult`を返します。組み込み基準(`tool_trajectory_avg_score`等)と併用でき、非同期関数もサポートされています。JSON設定ファイルでしきい値とPythonモジュールパスを指定するだけで、既存の評価パイプラインに統合できます。 🛠 使い方 カスタムメトリクスの関数シグネチャです。 カスタムメトリクス関数は `google.adk.evaluation.eval_metrics` から `EvalMetric`、`EvalStatus` を、`google.adk.evaluation.evaluator` から `EvaluationResult`、`PerInvocationResult` を、`google.adk.evaluation.eval_case` から `Invocation` を、`google.adk.evaluation.conversation_scenarios` から `ConversationScenario` をインポートして定義します。関数は `eval_metric: EvalMetric`、`actual_invocations: list[Invocation]`、`expected_invocations: Optional[list[Invocation]]`、`conversation_scenario: Optional[ConversationScenario]` の4つの引数を受け取り、`EvaluationResult` を返します。例えば `check_final_response_exact_match` 関数では、各呼び出しの ` と ` からテキストを結合して比較し、一致すればスコア `1.0`、不一致なら `0.0` を付けます。各結果を `PerInvocationResult` に格納し、`statistics.mean()` で平均スコアを算出、`eval_metric.criterion.threshold` と比較して `EvalStatus.PASSED` または `EvalStatus.FAILED` を判定し、最終的に `EvaluationResult(overall_score=..., overall_eval_status=..., per_invocation_results=...)` を返します。 非同期メトリクスも定義可能です。 非同期メトリクスも同じシグネチャで `async def` として定義できます。例えば `check_for_profanity` 関数では、各 `invocation` の `final_response.parts` からレスポンステキストを取得し、`await profanity_checker.check(agent_response)` で外部の不適切語検出サービスを呼び出します。不適切語が検出された場合はスコア `0.0` と `EvalStatus.FAILED`、検出されなければ `1.0` と `EvalStatus.PASSED` を設定します。`EvalStatus.NOT_EVALUATED` の結果を除外して平均スコアを算出し、しきい値と比較して最終的な `EvaluationResult` を返します。 JSON設定ファイルで登録します。 ```json { "criteria": { "my_check_final_response_exact_match": { "threshold": 0.8 }, "tool_trajectory_avg_score": { "threshold": 1.0 } }, "custom_metrics": { "my_check_final_response_exact_match": { "code_config": { "name": "my_agent.metrics.check_final_response_exact_match" } } } } ``` 🏗 実践的な使い方 **「レスポンスに免責事項が含まれているか」チェック**: 金融・医療ドメインでは、レスポンスに免責事項や注意書きが必須です。カスタムメトリクスで最終レスポンスに特定のフレーズ(「投資判断は自己責任で」など)が含まれているかを検証し、コンプライアンス要件を自動チェックできます。 **「指定フォーマットに準拠しているか」検証**: 構造化されたレスポンスが必要な場合、JSON形式、必須フィールドの存在、特定のセクション構成などをカスタムメトリクスで検証します。出力フォーマットの一貫性を自動的に保証できます。 **外部サービスとの連携による検証**: 非同期メトリクスを使えば、外部の不適切語検出API、ファクトチェックサービス、社内コンプライアンスチェックツールなどと連携した評価が可能です。 **組み込み基準との併用**: `criteria`セクションで組み込み基準(`tool_trajectory_avg_score`)とカスタムメトリクスを同時に定義し、ツール選択の正確性とビジネスルール準拠を一度の評価で検証できます。 💡 ユースケース 📋 金融・医療エージェントの免責事項自動チェック 📄 出力フォーマット(JSON構造、必須フィールド)の準拠性検証 🚫 不適切語・禁止表現の自動検出 🏢 社内コンプライアンスルールへの適合性評価 ⚠️ 注意点 - `criteria`のメトリクス名と`custom_metrics`のキーは完全一致させる必要があります。 - コードパスはPythonのドット区切り記法(`package.module.function`)で指定します。インポート可能なパスであることを確認してください。 - `metric_info`を省略した場合、ADKは0.0〜1.0の範囲を前提とします。異なる範囲のスコアを返す場合は`metric_info`で明示的に指定してください。 - カスタムメトリクスの実行でエラーが発生すると評価全体が失敗するため、例外処理を適切に実装してください。 ✨ Custom Metricsは、ビジネス要件をコードで表現し、評価パイプラインに組み込む強力な仕組みです。組み込み基準ではカバーできないドメイン固有の品質要件を自動化し、一貫した品質管理を実現しましょう! #ADK# #AIAgent#
もっと見る