【STU48 FAN CLUBブログ更新　岡村梨央】 #201つんブログ　アザージャケット# 詳しくはこちらまで ブログ一覧

【STU48 FAN CLUBブログ更新　岡村梨央】 #210つんブログ　弾丸！神戸！# 詳しくはこちらまで ブログ一覧

【STU48 FAN CLUBブログ更新　岡村梨央】 #186つんブログ　2025年もあとちょっと#!!! 詳しくはこちらまで ブログ一覧

# AIエージェント開発の意思決定ポイント # 自己修正リトライ｜Self-Correction Retry 🎯 ポイント LLMの出力が壊れた時、「もう一回！」と同じプロンプトを投げ直していませんか？ 自己修正リトライは「何が間違っていたか」をLLMにフィードバックして再生成させる仕組みです。ただし闇雲に回数を増やしても改善しません。3回目以降のリトライで品質が上がることは、ほとんどありません。 📋 概要 自己修正リトライは、LLMの出力がスキーマ違反や品質不足だった場合に、エラー内容をコンテキストに追加して再生成を試みる回数を制御するダイヤルです。ネットワークリトライ（同じリクエストをそのまま再送）とは本質的に異なります。「何が間違っていたか」を具体的にフィードバックすることで、次の生成で正しい出力を得ることを期待します。LLMの出力は確率的であり、JSONの閉じ括弧が足りない、値の範囲が逸脱しているといったエラーは日常的に発生します。こうしたエラーへの対処戦略として、自己修正リトライは非常に実用的です。 🔍 意思決定のポイント 最大の判断基準は「出力のエラーが下流にどれだけの損害を与えるか」（failure_cost）です。すべてのエラーに同じリトライ回数を適用するのは非効率なので、エラーの種類に応じて対応を分けるのが鉄則です。 構文レベルのエラー（JSON構文不正、型の不一致）はフィードバック1回でほぼ直ります。意味レベルのエラー（値の範囲逸脱、存在しないIDの参照）は2回目で直らなければ構造的な問題です。品質レベルのエラー（不完全な回答、情報の欠落）は主観的で改善が読みにくいため、リトライよりプロンプト改善に投資すべきです。 💡 要点と詳細 目安値として覚えておくと便利です 📊 - 一般的なケース → 1〜3回。2回目で改善しなければ構造的問題の可能性大 - 構造化出力（JSONスキーマ） → 1〜2回。response_formatを使えば初回成功率が高い - 高failure_cost領域（金銭・法務・医療） → 2〜3回。品質が上がらなければ人間エスカレーション - 低failure_cost領域 → 0〜1回。フォールバックで対応できるなら即諦める方が効率的 エラーメッセージは短く具体的に 🎯 「出力が不正です」ではなく「delivery_dateフィールドが過去の日付です。未来の日付を指定してください」のように、何が間違っていて何が期待されるかを明示します。ただしエラーメッセージ自体がトークンを消費するため、概ね200トークン以内に収めましょう。 ⚖️ トレードオフ リトライしなさすぎると、修正可能なエラーでも即失敗として扱われます。JSONの閉じ括弧が1つ足りないだけの出力を捨ててしまうのは、もったいないですよね。 一方でリトライしすぎると、コストとレイテンシが急膨張します ⚡ 1回のLLM呼び出しが30秒なら、5回リトライで2.5分以上。リトライのたびにエラーメッセージをコンテキストに追加するためトークン消費が累積的に増大し、最悪の場合コンテキスト長超過という別の問題に遷移します。 2回連続で同じ種類のエラーが出たら、3回目を試すよりプロンプトを疑ってください。同じエラーの反復は、LLMがそのプロンプトとスキーマの組み合わせで正しい出力を生成できないことを示しています。 🛠️ ユースケース JSON出力のスキーマ違反 → エラー内容を具体的にフィードバックし、リトライ1回でほぼ修正可能。response_format（Structured Outputs）を使えばこの種のリトライ自体が不要に。 ビジネスルール違反（配送日が過去の日付など） → 具体的な制約と現在の状態を含めたフィードバックが重要。2回で改善しなければプロンプト改善へ。 品質不足（「5つの観点から分析」に3つしか返らない） → 1回リトライして改善しなければ、部分結果を受け入れるかプロンプト分割の方が効果的。 繰り返し同じエラーが出る場合 → 温度を下げる、プロンプトを簡素化する、別のモデルで試行する、人間にエスカレーションするなどの代替手段を検討 🔄 #AIエージェント# #ソフトウェアアーキテクチャ#

俺はXで100万、200万と収益を立ててきたから分かるけど、基礎が出来てれば普通に売れるんよ。 土台も土台。ファネルとか、興味付けとか、インプレッションとか。 ある程度ちゃんとやれば普通に稼げる。 けどそれが出来なくて有象無象の1つに成り果ててしまってるアカウントは大量にいる。 なぜそうなってしまうかと言うと、 無駄なことしすぎなんだよな。 大量の蛇足を身にまとってる。 やらなくていいことやらない。 やるべきことはやる。 これを徹底するだけでポンポン売れる。それを知りたい人は俺をフォローしてDMでも送ってくれればアドバイスするよ。

明日は「#コミティア！」# 頒布はこの新刊２つと重版１つです！既刊の頒布はありませんので、ご希望の方は各通販サイト(アスマート、メロンブックス、とらのあな）でお願いします！ #サイレントメビウス　ヘリテージエディション02「闇雲那魅編」# 麻宮キクチ収蔵計画002「#コンパイラ# ・フェスタ絵コンテ集」 サイレントメビウス　へリテージエディション01（重版分） 東２ホールる-a.b「太陽系旅団」「パンドラボックス」でお待ちしております！

#自由民主先出し# 📌【#沖縄県知事選】##古謝げんた# 氏を推薦8月27日告示 9月13日投開票 わが党は8月27日告示の沖縄県知事選に古謝げんた氏を推薦しました。沖縄出身の古謝氏はこれまで那覇市副市長として約31万人の那覇市民の生活を支える政策を遂行し、国家公務員としても沖縄振興に深く携わってきました。新しい沖縄県政を切り開くには、ただ無為無策に声を上げ国との対立と分断を繰り返すだけでは何も変わりません。誰よりも故郷を思い、自治体と国での経験を生かし、国と連携、交渉することができる古謝氏だからこそ、国政と県民のかけ橋となり、県政を前に進める実力があります。古謝氏は「つながる県政」で新しい沖縄の未来を県民と共に作る決意です。わが党は沖縄の新しいリーダー誕生へ全力を挙げます。 新しい沖縄の未来を 「誰もが挑戦できる沖縄を作りたい」。古謝氏が8月14日の政策発表会で語った、20年前から故郷沖縄に抱いた志であり、今回の知事選挑戦の原点です。 沖縄で生まれ育った古謝氏は東京大学に進学後、東京大学沖縄県人会を立ち上げ、沖縄出身者と交流し、沖縄から離れても常に故郷に思いを馳せてきました。交流する中で働く場所や挑戦できる環境がないために帰郷を諦める仲間の姿を目の当たりにし、「誰もが挑戦できる環境があれば、沖縄はもっと面白くなる。それを本気で創れるのは、県政ではないか」と考え、この志を現実にする力を蓄えるため、総務省に入省。古謝氏は国の制度や予算を学び、沖縄振興に深く携わってきました。長崎県庁では財政課長等を歴任し、地方行政の最前線に立ってきました。 令和4年12月に那覇市副市長に就任。崇元寺跡保存整備促進、こども家庭センターなはの開設、那覇市立病院の建て替え、なはし社会地域課題解決型企業支援事業等、多くの実績を重ねてきたほか、副市長として初の産後パパ育休を取得しました。沖縄の声をダイレクトに国政に伝え、県民の声を反映する力に加えて、子供を育てる当事者としての視点は古謝氏ならではのものです。 数値目標を示しスピード感で県政進める 古謝氏は県内41市町村全てに足を運び、県民と対話を重ねてきました。低い1人当たりの県民所得や、第3次産業に依存して低迷する労働生産性、減り続ける道路や学校等への国からのハード交付金といった苦しい沖縄の現状に直面しました。古謝氏は沖縄の厳しい実情から脱し、前に進めるため、具体的な数値目標を盛り込んだ3つの政策を掲げました。1つ目は「手取りを2倍!」。社会保険料の引き下げや教育費等の無償化、既存産業の高付加価値化等を図り、1人当たりの県民所得を現在の231.5万円から2倍以上の500万円に増やします。2つ目は「子育て支援を2倍!」。保育料、教育費、給食費、出産費用、妊婦検診費用の無償化、子供の貧困対策等によって、子育て予算を現在の552億円から約2倍の1000億円に増やします。3つ目は「観光消費を2倍!」。観光の「量」に加えて「質」の向上と、アジア諸国との航空直通路線を誘致し、1人当たりの観光単価を上げることによって、観光収入を現在の1兆747億円から約2倍の2兆円に増やすことを約束します。 古謝氏はさらに細分化した120の政策も打ち出しました。観光・健康・環境・海洋・起業の「新5K経済」の振興で沖縄に稼ぐ経済を創出し県民の所得を向上させます。県政史上最も対話するリーダーを目指すため、「やんばる知事室」「宮古知事室」「八重山知事室」を設置し、地域の実情に応じた幅広い県民の声を取り入れる環境を整備。沖縄振興と基地負担軽減を政府全体の最優先課題として位置付けるため、「沖縄政策協議会」を早期に再開することを掲げました。沖縄が直面する課題に現実的に向き合い、国と県、国民をつなぎ、対話で沖縄の声を形にする県政でスピード感ある政策実行に踏み出す意気込みです。 @GentaKoja #ニュース#

# 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#

リブ・コンサルティング様のYouTube「AIジダイ」に弊社AI Ops Managerの荒木が登壇しました！ ・商談準備は3時間が5分に！ ・営業の立ち上がりは半分に！ ・Webページ制作は10日が1日に！ AIを具体的にどうやって現場に定着させたか、初めて本格的に話しています💪 ぜひご覧ください！🎥 <要点> １） 商談準備は3時間から5分になりました。 最初はDeep Researchに会社調査をさせていましたが、20ページのレポートは読まれませんでした。 トップ営業の思考をヒアリングして要素に割り、20体のエージェントに1つずつ調べさせて集約する形に変えたら、やっと使われるようになりました。 ２） 営業のロープレもAIで自作しました。 先輩やマネージャーの時間を使わずに無限に練習できるので、立ち上がりが大体半分になりました。 時間をかけたのはツールではなく、「どうなったら合格か」の言語化です。 ３） Webページは社内のものを全部Vercelに移して、GitHubで管理するようにしました。 10日かかっていたページが1日で終わるようになりました。 効率化して余裕ができたから、前からやりたかったことに高度化に着手することができました！ ４） 組織への広げ方ですが、個人の活用が浸透しきる前に、組織で解こうとしても入りません。 「これチームで共有した方がよくない？」に自分でぶち当たる人が半分を超えて、やっと組織の話になります。 一気にやろうとして失敗した話もしています。 ５） AI推進は、実はAIがあまり関係ないです。 「課題を見つけて設計する。理想と現実のギャップを言語化する」 これをやっていない会社は、うまくいかないです！ 続きは動画をご覧ください！

# AIエージェント開発の意思決定ポイント # 温度（Temperature） 🎯 ポイント 温度パラメータ、全部のタスクに同じ値を設定していませんか？ エージェントシステムにおける温度は「創造性のつまみ」ではありません。構造化出力、ツール呼び出し、ユーザー応答 -- 経路ごとに最適な温度は全く違います。1つのエージェント内でも使い分けるのが基本です。 📋 概要 温度はLLMが次のトークンを選ぶ際の確率分布の「尖り具合」を制御するパラメータです。温度0に近いほど最も確率の高いトークンが選ばれやすくなり、出力は決定論的で安定します。温度を上げると確率分布が平坦化し、低確率のトークンも選ばれるようになるため、出力の多様性と創造性が増します。 AIエージェントでは、構造化出力を生成する場面、ツール呼び出しの引数を組み立てる場面、自由形式のテキストを生成する場面で求められる温度が異なります。温度は単一の固定値ではなく、タスクの種別に応じて動的に切り替えるべき変数です。 🔍 意思決定のポイント 温度の設定は主にtask_variability（タスクの定型度）で決まります。判定フローは明快です 🧭 1. 構造化出力（JSON/関数呼び出し）か？ → 0.0〜0.3 2. 正確性が最優先（事実抽出・分類・要約）か？ → 0.2〜0.5 3. 対話・説明・コミュニケーションか？ → 0.5〜0.7 4. 創作・ブレインストーミング・候補生成か？ → 0.7〜1.0 加えて、failure_cost（失敗コスト）が高いほど温度の上限を下げ、cost_sensitivity（コスト感度）が高い環境ではリトライによるコスト増を見込んで温度を抑えます。 💡 要点と詳細 タスク別の目安値 📊 - 構造化出力（JSON / function calling） → 0.0〜0.3。スキーマ違反の最小化が最優先 - 分類・抽出・データ変換 → 0.0〜0.2。正確性と再現性が命 - 要約・説明・カスタマー対応 → 0.5〜0.7。自然さと正確性のバランス - 創作・ブレスト・候補生成 → 0.7〜1.0。多様性が価値の源泉 - ツール引数の生成 → 0.0〜0.2。関数名・引数名の正確性が不可欠 - 計画・推論 → 0.3〜0.6。多少の探索は有益だが論理の一貫性を保つ 構造化出力の温度はまず0から始めてください。0でもスキーマ違反が出る場合はプロンプトかスキーマの問題です。温度を上げて「偶然正しい出力が出る」ことに依存してはいけません 🚫 ⚖️ トレードオフ 温度が低すぎると対話が機械的で紋切り型になります 🤖 同じ質問に毎回同じ回答を返し、「テンプレート応答」の印象を与えます。Best-of-Nサンプリングも候補がほぼ同一になり、N倍のコストだけかかって実質N=1と同じ結果に。 温度が高すぎると構造化出力が壊れ始めます 💥 JSONのフィールド名が揺れたり、型が合わなくなったり。ハルシネーションも増加し、固有名詞・数値・日付の正確性が崩壊します。ツール呼び出しの不安定化、再現性の喪失も深刻な問題です。 温度によるリトライコストの増加も計測してください。スキーマ違反率が概ね5%を超えたら温度を下げることを検討しましょう。 🛠️ ユースケース エージェント内の経路ごとに温度を変えるのが基本 🔀 計画ステップは0.3〜0.5、ツール呼び出しの引数生成は0.0〜0.2、ユーザー向け応答は0.5〜0.7。モデルを切り替える際に温度も同時に切り替えると自然です。 Best-of-Nを使うなら温度を上げる必要があります。温度0でN=5を生成しても、ほぼ同一の候補が5つ返るだけです。N>1のときは0.5〜0.8に設定し、多様な候補の中からJudgeが最良を選ぶ構成にします。 top_pとの併用には注意 ⚠️ 温度とtop_pを両方変更すると効果が掛け算になり、予測困難な挙動を示します。原則としてどちらか一方だけを調整してください。 #AIエージェント# #ソフトウェアアーキテクチャ#