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 1的固定面部身份,增加自然贴合、比例克制的尖长精灵耳。
1的固定面部身份,增加自然贴合、比例克制的尖长精灵耳。 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
1的固定面部身份,增加自然贴合、比例克制的尖长精灵耳。 を含む検索結果
# ADKの便利で実践的な使い方 🎭 固定プロンプトのテストだけでは、実際のユーザーの予測不可能な行動を再現できません。ADKのUser Simulation機能は、「せっかちな顧客」「曖昧な依頼者」といったペルソナ駆動の対話シミュレーションで、エージェントの堅牢性を自動検証します。 📌 タイトル:User Simulation 🔗 URL: 🧩 概要 ADKのUser Simulation機能は、AIが生成するユーザープロンプトを使って会話エージェントを動的に評価します。固定的なテストケースではなく、シミュレートされたユーザーがエージェントのレスポンスに適応的に応答するため、予測不可能な会話フローのテストに最適です。ConversationScenarioは`starting_prompt`(初期メッセージ)、`conversation_plan`(達成すべきゴールのガイドライン)、`user_persona`(ユーザー特性)の3要素で構成されます。 🛠 使い方 ユーザーシミュレーターの基本設定です。 ```json { "user_simulator_config": { "model": "gemini-flash-latest", "model_configuration": { "thinking_config": { "include_thoughts": true, "thinking_budget": 10240 } }, "max_allowed_invocations": 20 } } ``` ADKは3つのプリセットペルソナを提供しています。 | 振る舞い | EXPERT | NOVICE | EVALUATOR | |----------|--------|--------|-----------| | 情報提供 | 詳細志向 | ゴール志向 | 詳細志向 | | 質問への回答 | 関連質問のみ | すべて回答 | 関連質問のみ | | 不正確さの指摘 | する | しない | しない | | エラー対処 | 1回試行 | しない | しない | | トーン | プロフェッショナル | カジュアル | カジュアル | カスタムペルソナをConversationScenarioのJSONで直接定義できます。 ```json { "user_persona": { "id": "IMPATIENT_USER", "description": "急いでいて、すぐにイライラするユーザー", "behaviors": [ { "name": "Short responses", "description": "簡潔で不完全な返答をする", "behavior_instructions": [ "Keep responses under 10 words", "Omit polite phrases" ], "violation_rubrics": [ "Response exceeds 10 words", "Response is overly polite" ] } ] } } ``` 評価シナリオの自動生成も可能です。 ```bash adk eval_set generate_eval_cases \ --user_simulation_config_file= ``` 🏗 実践的な使い方 **「せっかちな顧客」ペルソナでの堅牢性テスト**: IMPATIENT_USERペルソナを使い、10語以下の短い返答や丁寧な表現の省略をシミュレートします。エージェントが不十分な情報からでも適切にヒアリングし、タスクを完了できるかを検証できます。カスタマーサポートエージェントの品質向上に特に有効です。 **「曖昧な依頼者」ペルソナの活用**: 「具体的な要件を示さず、抽象的な表現で依頼するユーザー」をシミュレートします。エージェントが適切な質問で要件を明確化できるか、曖昧な入力で暴走しないかをテストできます。 **プリセットペルソナの使い分け**: EXPERTペルソナはエージェントの技術的正確性を検証し、NOVICEペルソナは初心者にも分かりやすい説明ができるかを検証します。EVALUATORペルソナは中立的な立場でエージェントのパフォーマンスを評価します。 **シナリオの自動生成による網羅性向上**: `generate_eval_cases`コマンドで多様な会話シナリオを自動生成し、手動では思いつかないエッジケースを発見できます。`generation_instruction`でシナリオの方向性を指定し、`environment_context`でバックエンドの状態を提供することで、より現実的なシナリオが生成されます。 💡 ユースケース 🎭 カスタマーサポートエージェントの多様なユーザータイプへの対応力検証 🧪 固定テストでは発見できない会話パスのエッジケース発見 🤖 新規ペルソナ定義によるドメイン特化の堅牢性テスト 📊 大量のシナリオ自動生成による網羅的な品質評価 ⚠️ 注意点 - `max_allowed_invocations`を適切に設定しないと、シミュレーションが無限に続く可能性があります。デフォルト20からドメインに応じて調整してください。 - シナリオの自動生成にはVertex Gen AI Evaluation Service APIが必要です。 - カスタムペルソナの`violation_rubrics`が不明確だと、ペルソナの一貫性が保てない場合があります。具体的な違反条件を定義してください。 - シミュレーターのモデルにthinking機能を有効にすると、より自然な対話が生成されますが、コストが増加します。 ✨ User Simulationは、固定テストの限界を突破する強力な機能です。ペルソナを活用して「実際のユーザーならどう振る舞うか」をシミュレートし、エージェントの堅牢性を多角的に検証しましょう! #ADK# #AIAgent#
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 # コンパイル時 vs ランタイムLLM|Compile-time vs Runtime LLM 🎯 ポイント 毎日同じ形式の日次レポートを生成するのに、毎回LLMを呼んでいませんか? エージェントの振る舞いを「事前に確定させる(コンパイル時)」か「実行時にLLMが動的に決定する(ランタイム)」かの選択は、タスクの頻度・形式の安定性・コスト・レイテンシで決まります。高頻度で形式が安定したタスクにランタイムLLMを使い続けると、月間コストが数万ドルに膨らむこともあります🔑 📋 概要 コンパイル時アプローチは、タスクの入出力形式が安定しており、パターンが固定的な場面で力を発揮します。Salesforceの商談ステージ変更通知をSlackに定型フォーマットで投稿するなど、テンプレート化が可能な処理です。実行頻度が1日数百〜数千回の場合、LLM呼び出しコストの削減効果は絶大です。コード生成・テンプレートエンジン・ルールエンジンで実装し、同一入力→同一出力の再現性とテスト可能性を保証します。ランタイムLLMアプローチは、タスク内容が毎回異なり、自然言語の理解・生成が本質的に必要な場面に向いています。Zendeskの顧客問い合わせへの回答生成やJiraチケットの自動分類など、入力の多様性が高くルールベースでは分岐が爆発するケースです📊 🔍 意思決定のポイント 判断は以下の順で行います: 入出力の形式は安定しているか? → 安定ならコンパイル時、変動が大きければランタイム 実行頻度は? → 1日数百回以上ならコンパイル時でコスト最適化を検討 自然言語の理解・生成が本質的に必要か? → 必要ならランタイム、構造化データの変換だけならコンパイル時 再現性は重要か? → 同一入力→同一出力を保証したいならコンパイル時 新パターンへの適応速度は? → コード変更なしで対応したいならランタイム デプロイサイクルに数日かかる環境では、ランタイムLLMの柔軟性が特に有利です。新しい問い合わせパターンにプロンプト調整だけで対応でき、コードデプロイを待つ必要がありません⚡ 💡 要点と詳細 多くの本番システムでは、コンパイル時とランタイムを組み合わせたパイプラインを構築します: LLMで分類→コンパイル済みフローで実行:ランタイムLLMがユーザーの意図を分類し、分類結果に応じてコンパイル済みのワークフロー(テンプレート・ルールエンジン)を実行します。意図分類の柔軟性と実行の効率性を両立する実用的なパターンです。 コンパイル済みパイプライン+LLMフォールバック:定型パターンはコンパイル済みロジックで高速処理し、パターンに該当しない入力だけLLMにフォールバック。コスト効率が最も高い構成です。 段階的コンパイル化:初期はランタイムLLMで運用し、頻出パターンをログから抽出して順次コンパイル済みフローに移行します。フィードバックループで継続的にコンパイル化を進めるのが理想です🔄 ⚖️ トレードオフ すべてをランタイムLLMに頼ると、定型レポート生成を毎回LLMに投げることになり、テンプレートエンジンで1/100のコストで済むタスクに莫大な費用を払い続けます😰 すべてをコンパイル時に固定すると、分岐条件が爆発し、メンテナンス不能なルールエンジンが出来上がります。ルール数が100を超えたらLLMへの移行を検討すべきサインです。 コンパイル化のタイミングが早すぎるのも失敗パターンです。パターンが安定する前にコンパイル化すると、頻繁なコード変更が必要になります。まずランタイムで運用し、パターンの安定を確認してからコンパイル化しましょう。ハイブリッドの分岐条件が属人化するのも危険 — どのリクエストがコンパイル済みフローに行き、どれがLLMに行くかの判定ロジックをコードで明文化してください⚠️ 🛠️ ユースケース Slack通知フォーマッティング:Salesforceの商談ステージ変更→Slack通知は完全にテンプレート化可能(コンパイル時)。1日数百件発生し、LLMを呼ぶ意味がありません。一方、商談の勝率分析コメント生成はランタイムLLMが必要です📚 カスタマーサポート(Zendesk):FAQ的な定型回答はテンプレート+変数埋め込み(コンパイル時)。初見の複雑な問い合わせはランタイムLLMで回答生成。LLMで意図分類→定型/非定型を振り分け→それぞれの処理パイプラインへ、というハイブリッド構成が標準的です🛒 レポート生成パイプライン:日次の定型KPIレポートはテンプレートエンジン(コンパイル時、1日1回だが形式は完全に固定)。四半期のインサイト分析レポートはランタイムLLM(自然言語での考察・提言が必要)。同一パイプライン上でコンパイル時とランタイムを切り替えます🔧 実践のコツ:まずランタイムLLMで運用を開始し、ログから頻出パターンを抽出してください。上位20%のパターンがトラフィックの80%を占めるのが典型的です。この20%をコンパイル化するだけでLLMコストを大幅に削減できます💪 #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 # temperature|Temperature 🎯 ポイント temperatureを「とりあえず0.7」で全ステップ共通にしていませんか? 実はタスクの性質によって最適値は大きく異なり、1つのエージェント内でもステップごとに切り替えるのが正解です。意図分類は0、ツール選択は0〜0.1、回答生成は0.3〜0.5、アイデア出しは0.7〜1.0。この使い分けが品質と安定性を両立させる鍵です🎛️ 📋 概要 temperatureはLLMの出力の確率分布をどの程度「なます」かを制御するパラメータです。高いほど多様で創造的な出力になり、低いほど再現性が高く決定論的な出力になります。エンタープライズのエージェント設計では、一律の設定ではなく、処理ステップの性質に応じたきめ細かい制御が求められます。「正確さが必要な場所」と「多様性が必要な場所」を明確に区別し、それぞれに適切な値を設定することで、品質の安定と表現の豊かさを同時に実現できます。 🔍 意思決定のポイント このダイヤルは「タスクの性質」で決めます。 事実抽出・分類・判定・コード生成 → 低temperature(0〜0.2)。正確性と再現性が最優先 要約・報告書・顧客対応ドラフト → 中temperature(0.3〜0.7)。安定性と自然さのバランス ブレインストーミング・バリエーション生成・創作 → 高temperature(0.7〜1.0)。多様性重視 重要なポイントとして、temperatureとtop_pを同時に大きく動かすと出力が不安定になります。片方を固定し片方で調整するのが基本です。また、本番とテストで同一のtemperature設定を使ってください。テスト時だけ0にすると、本番で初めて出力のぶれに気づくことになります⚡ 💡 要点と詳細 エージェント内でのステップ別temperature設定の考え方: 意図分類ステップ — temperature=0。ここがぶれると後続の全処理が狂うため、決定論的に分岐させます。 情報検索・ツール選択ステップ — temperature=0〜0.1。正確なツール呼び出しが最優先です。 回答生成ステップ — temperature=0.3〜0.5。自然な文章だが安定した品質を維持します。 提案・アイデア出しステップ — temperature=0.7〜1.0。多様性を重視し、幅広い選択肢を提示します。 計測すべき指標は、出力一貫性(同一入力N回の一致率、分類タスクなら95%以上を目標)、幻覚率(事実と異なる記述の発生頻度)、ユーザー満足度(特に顧客対応の文面品質)、eval成功率の分散(temperatureが高いほどevalがぶれる)です📊 ⚖️ トレードオフ temperatureが高すぎると、出力のばらつきが大きくなり品質の安定性が下がります。幻覚(hallucination)の発生確率も上がる傾向があり、事実に基づく回答が求められるエンタープライズ用途では致命的です。同じ質問に対して毎回違う回答が返ってくるのは、業務システムとしては信頼を損ないます😰 一方、temperatureが低すぎると、表現が画一的になりユーザーに「機械的」と感じさせます。顧客対応の文面が毎回同じテンプレート感だと、パーソナライズされた対応を期待する顧客の満足度は下がります。また最適解以外の選択肢を探索できないため、局所最適に陥りやすくなります⚠️ 🛠️ ユースケース ServiceNow ITヘルプデスク:チケット分類(temperature=0)→ ナレッジ検索(0)→ 回答生成(0.3)の3段構成。分類と検索は正確性最優先、回答だけ自然な文章にする設計です。分類精度が不安定な場合、temperatureではなくプロンプトを改善してください📚 Shopify商品説明生成:商品属性の構造化抽出(0)→ 説明文の複数バリエーション生成(0.8)→ 品質チェック(0)。創造的な部分だけtemperatureを上げ、前後の構造化処理は決定論的に固定します🎯 Slackブレスト支援ボット:全ステップでtemperature=0.9。多様なアイデアを出すことが目的なので、安定性より多様性を全面的に優先します🔧 実践のコツ:まずtemperature=0でevalを作成しベースラインの品質を確認してから、必要に応じて上げてください。分類精度が不安定な場合はtemperatureを動かすのではなくプロンプト改善で対処し、顧客対応の文面が画一的と指摘されたら0.1〜0.2刻みで段階的に上げてください。幻覚率が許容範囲を超えたら、temperatureを下げるか事実検証ステップを挟むのが定石です💪 #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エージェントをソフトウェアに組み込むプラクティス # Deadline & Budget Cascade|期限・予算のカスケード伝播 🎯 エージェントが再帰的にサブタスクを生成して、気づけばコストが数十ドルに。「請求事故」を構造的に防ぐ方法があります。 全体の予算と期限を末端ノードまで伝播させれば、各ノードが自分で打ち切り判断できます。 🔥 解決する課題 エージェントの呼出ツリーが深くなると、各ノードは自分がどれだけのリソースを消費してよいか分かりません。高コストなLLM呼び出しが再帰的に積み重なり、請求事故が起きます。計画-反省の自己ループでは、改善の見込みが薄くても無限にリトライを繰り返しえます。根本原因は「全体の予算と期限がローカルな判断に伝わっていない」ことです。 💡 提案パターン Deadline & Budget Cascade(期限・予算のカスケード伝播)は、呼出ツリーのルートでdeadline(期限)とbudget(トークン・コスト・ステップ数の上限)を設定し、子タスクへ委譲するたびに残り枠を差し引いて伝播します。どの末端ノードでも「今の自分に残された時間・コスト」を知っており、枠を使い切る前に縮退・中断・部分結果返却に切り替えられます。deadlineは相対秒でなく絶対時刻で渡し、伝播時のズレを防ぎます。 ✅ 選定条件 使うとき: - エージェントがサブタスクを再帰的に生成、または複数ワーカーに並列委譲する - 1リクエストのコストが予測困難で、上限を置かないと請求事故が起きうる - タスク完了にSLAや期待値がある 使わないとき: - 呼出ツリーが1段で完結し、タイムアウトだけで十分な場合 - バッチジョブなど時間制約がなくコストも固定的な場合 ⚠️ 落とし穴 - deadlineは絶対時刻で渡すこと。相対秒を渡すと伝播のたびにズレが蓄積します(gRPCのgrpc-timeoutと同じ原則) - 子に全予算を渡さず、予備枠(10〜20%)を親に残すこと。子の結果を集約・フォーマットする時間とコストが必要です - 枯渇時の振る舞い(部分結果返却・人間エスカレーション・縮退モデル切替)を事前に決めておくこと。タイムアウト例外を投げるだけではUXが崩壊します 🔧 実装方針 - BudgetContextデータクラスにdeadline_at(絶対時刻)・max_cost_usd・max_steps・max_tokens・depth・max_depthを持たせ、呼出ツリーのルートで初期値を設定します - 子タスクへの委譲時にchild_budgetメソッドで残り枠からfractionを掛けて分配し、伝播マージン(概ね2秒)を差し引きます。予備枠としてルート予算の10〜20%を親に残します - 各ノードはis_exhaustedで残時間・残コスト・残ステップを確認し、枠を使い切る前に縮退・中断・部分結果返却に切り替えます - 並列子タスクではコストは各子の合算、deadlineは最も遅い子で決まることに注意し、分配比率は子タスクの重要度と予測コストで按分します - 予算消費率(consumed/limit比)をメトリクスとして観測し、閾値超過時にアラートを発火させる仕組みを組み込みます #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
# ADK 2.0の便利だけど知られていない機能 🌍 毎回同じシステムプロンプトやツール定義をLLMに送信するのは、コストもレイテンシも無駄だと感じませんか? ADK 2.0のコンテキストキャッシュ(ContextCacheConfig)は、繰り返し送信されるコンテキストデータをキャッシュし、LLMの呼び出しコストとレイテンシを削減する機能です。Gemini 2.0以降、Python v1.15.0以降、Java v0.1.0以降で利用可能です。 📌 タイトル:コンテキストキャッシュ (ContextCacheConfig) 🔗 URL: 🧩 概要 ContextCacheConfigは、LLMに送信するコンテキスト(システムプロンプト、ツール定義、会話履歴の固定部分など)をキャッシュすることで、トークン消費を削減します。3つの主要パラメータがあります。min_tokensはキャッシュを有効にするための最小トークン数のしきい値(デフォルト0)、ttl_secondsはキャッシュの有効期限(デフォルト1800秒=30分)、cache_intervalsはキャッシュの最大再利用回数(デフォルト10回)です。これらをAppオブジェクトに設定することで、自動的にキャッシュが適用されます。 🛠 使い方 ContextCacheConfigを作成し、Appに設定します。 ```python from import App from google.adk.context import ContextCacheConfig cache_config = ContextCacheConfig( min_tokens=1000, # 1000トークン以上でキャッシュ有効 ttl_seconds=3600, # 1時間キャッシュを保持 cache_intervals=20, # 最大20回再利用 ) app = App( agent=my_agent, context_cache_config=cache_config, ) ``` min_tokensを適切に設定することで、小さなコンテキストでは通常送信し、大きなコンテキストのみキャッシュするように制御できます。 🏗 本番システムへの組み込み方 ・大きなシステムプロンプトや多数のツール定義を持つエージェントで特にコスト効果が高い ・ttl_secondsをワークロードのパターンに合わせて調整する(短い会話→短いTTL、長い会話→長いTTL) ・cache_intervalsをリクエスト頻度に応じて設定し、キャッシュの鮮度とコスト削減のバランスを取る ・コスト削減効果をモニタリングし、パラメータを継続的に最適化する 💡 ユースケース 💰 大規模なシステムプロンプトを持つエージェントのAPI呼び出しコストを削減 ⚡ 繰り返しのツール定義送信を省略してレスポンスレイテンシを改善 🔁 高頻度のリクエストが発生するチャットボットでトークン消費を最適化 📋 固定的なコンテキスト(ルール、ガイドライン等)の再送信を効率化 ⚠️ 注意点 Gemini 2.0以降のモデルでのみ利用可能です。キャッシュが有効な間はコンテキストの変更が反映されないため、頻繁にシステムプロンプトを変更する場合はttl_secondsを短く設定してください。また、cache_intervalsを超えると新しいキャッシュが作成されるため、コスト最適化の効果が変動する可能性があります。 ✨ コンテキストキャッシュは、特にコンテキストが大きく頻繁にリクエストされるシナリオで、コストとパフォーマンスの両面で大きな改善をもたらします。 #ADK# #AIAgent#
もっと見る
ORICO、革新的デスククリップ式8-in-1ドッキングステーションを発表——工具不要でデスクに固定・4K@60Hz出力・10Gbp...
【悲報】オランダ人の17歳少女、インストラクターの“壊滅的な英語”を聞き間違えてバンジージャンプし即死 ■🇪🇸スペイン北部(15年) ・ヴェラ(17)さん、人生初のバンジーに挑戦 ・準備中、スペイン人指導員が「No jump!(跳ぶな)」と指示 →発音が悪く「Now jump!(今跳べ)」と聞き間違える ・ロープが未固定のまま約40m下の川底へ落下し即死 (※裁判で指導員に有罪判決。Don'tを使うべきだったと指摘される)
もっと見る
中国初の大気環境総合観測用固定翼航空機プラットフォーム「運12F大気総合観測機」がこのほど、東北部のハルビン・平房空港で初飛行に成功した。運12F飛行機をベースに改造された同機には、大気中の粒子状物質や気体汚染物質、温室効果ガス、雲水の物理化学的性質など複数の汚染物質に対する高感度かつ立体的な観測に対応するため、60項目を超える観測装置の大規模な機体統合・改造が施されており、多種類の汚染物質や温室効果ガスおよび雲水の観測を統合した総合的な航空観測能力を備えている。
もっと見る
2019年5月、茨城時代のキリシマ。 新冠移住がまだ具体的になっていなかった頃。 時間があればこうして遊んでいたけれど、馬の友達がいた方が良いのではとも思い始めていて、それが今の #ノーザンレイク# に繋がっています。 #キリシマノホシ(##九州産馬)# ※クラウドファンディング挑戦中 固定ポストをご覧ください。
もっと見る
【告知】 11/1から開催の「はにかみ、彼女は恋をする」POPUPSHOP in SHIBUYA TSUTAYAで販売予定のグッズ一覧です! すごく素敵なデザインで魅力的なグッズをたくさん制作していただきました・・・! この他にも購入特典などありますので、固定ツイートのURLからHPをご確認ください!! #はにかみ彼女#
もっと見る