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 AIタイムスリップ
AIタイムスリップ 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
AIタイムスリップ を含む検索結果
皆様、、聞いて下さい🙋‍♀️ 絶賛お稽古中の舞台「バック・トゥ・ザ・うんちゃん」のトラックが出来ました🫣✨ なんと! このトラックが町中を走りますよ🚚 こんなことまでして下さる啓和運輸さんの優しさに、心から感謝です🥹🩷 引き続き、精一杯稽古頑張ります🫡🫡🫡 啓和グループ60周年記念公演 『バック・トゥ・ザ・うんちゃん〜ドライバーの消える日〜』 脚本・演出︰奥山雄太(ろりえ) 監修:宮岡太郎 会場:中野 ザ・ポケット 2024年10月2日~6日(東京公演)※全7ステージ 10月 2日(水)19:00 3日(木)19:00 4日(金)14:00☆/19:00 5日(土)14:00/18:30☆ 6日(日)14:00 受付開始は開演の45分前。 客席開場は開演の30分前 ☆の回は出演者アフタートークを予定しております。 チケット料金(全席指定席) 一般(前売/予約):7,000円 25歳以下:3,000円(枚数限定・予約のみ・要証明書) 高校生以下:無料(枚数限定・予約のみ・要証明書) チケット発売日:8月24日(土)10:00~ 【出演者】 小川麻琴 太田奈緒 安藤理樹(PLAT-formance) 秋乃ゆに 岩田恵里 岡田帆乃佳(劇団4ドル50セント) 尾倉ケント 岡野康弘(Mrs.fictions) 小見美幸 加藤夏子 架乃ゆら 鈴木研 高畑裕太(ハイワイヤ) 中嶋海央(柿喰う客) 仲美海(劇団4ドル50セント) ヒロシエリ 陽和ななみ 七海ティナ 松原一郎 山岸拓生(拙者ムニエル) 岩井七世(声の出演) 【STORY】 20XX年、世界からドライバーが消える――― 2024年問題(働き方改革法案によりドライバーの労働時間に上限が課されることで生じる諸問題)を発端に、日本のドライバー不足が急激に加速。 大手物流会社は、輸送トラックの自動化、配送ルートのAI管理、そして、ロボットドライバーの開発を推進した。 それに伴い、国内の運送会社は次々に廃業していった。 人類最後のドライバーとなった《パコ》はそんな運命を変えるため、近所のマッドサイエンティスト《ドク》が開発中のデコトラタイムマシン《デコリアン》に乗り、問題の根本となる2024年へとタイムスリップする! しかし、パコの歴史改変を止めるため、未来から《ターミネーター》が追ってくる。 果たして、パコは迫りくる脅威を退け、物流の未来を変えることができるのか! 【STAFF】 舞台監督:土居歩(7th FIELD) 舞台美術:三井優子  音響:田中亮大(Paddy Field) 音響操作: 江口織都(SoundBusters) 照明:南香織(LICHT-ER)   衣装:今井由希 演出助手:岩狹舜 坂本沙季(明日は、寝たくない) 宣伝美術:安藤理樹 宣伝イラスト:あわい 当日運営:吉乃ルナ 制作:横井佑輔(PlayPlan) #バックトゥザうんちゃん# #ろりえ#
もっと見る
🎬 参照画像の被写体を保ったまま、実写⇔ファンタジーのドメインをまたいで動画化できる被写体駆動T2Vです。 タイトル: DomainShuttle: Freeform Open Domain Subject-driven Text-to-video Generation URL: 被写体の「忠実度」と「スタイル適応の柔軟性」を両立させたDomainShuttle。注目したい3点を紹介します。 🧬 Domain-MoT 動画と参照画像を独立2ブランチで処理し、参照側は時間に加えてドメイン属性(実在人物/物体/背景/ファンタジー)で変調するDomain-aware AdaLNを採用。テキストのクロスアテンションは凍結し、ベースモデルの言語誘導力を保ちます。 📐 Video-Reference DualRoPE 参照トークンを動画トークンとは別のRoPE空間に割り当て、被写体レベルの精密な空間制御を実現。動画は時間インデックス1から、参照は0固定で、複数被写体や同一被写体の複数画像を位置オフセットで整理します。 🔗 Cross-Pair Consistent Loss 同一タイムステップで2種類の参照セットを使って学習し、単一フレームへの過学習を抑制。無関係なビジュアル属性に左右されない被写体本来の特徴を抽出します。 クロスドメイン被写体一貫性はCD-Score 0.861でSOTA比+18.7%(Kling 1.6は0.725)。実写⇔ファンタジーの作風変換に強い、実用性の高い一本だと感じます。 #動画生成# #生成AI#
もっと見る
# AIエージェント開発の意思決定ポイント # タイムアウト|Timeout 🎯 ポイント 「全部30秒」のタイムアウト、まだ使っていませんか? AIエージェントでは、ツール呼び出しは数秒、LLM推論は数十秒、セッション全体は数十分。レイテンシ特性が全く異なる操作が組み合わさるため、一律のタイムアウトでは機能しません。層ごとに分けるのが第一歩です。 📋 概要 タイムアウトは、エージェントが特定の操作の完了を待つ最大時間を制御するダイヤルです。従来のWebサービスではHTTPリクエストに30秒程度を設ければ済みましたが、AIエージェントでは1リクエストが長く、レイテンシのばらつきが大きく、プロバイダの可用性も不安定です。 タイムアウトが短すぎると一時的な遅延で正常な処理を殺し、長すぎると障害を隠蔽してリソースを無駄に占有します。操作クラスごとにタイムアウトを分け、さらに観測データに基づいて動的に調整する仕組みが理想です。 🔍 意思決定のポイント タイムアウトの値はlatency_budget(ユーザーや下流システムがどれだけ待てるか)を最も強く反映します。少なくとも3層に分けて設定するのが基本です 📐 1. ツール呼び出し層 — 外部API・DB・ファイル操作。ツール種別ごとにさらに細分化も 2. LLM推論層 — 入力トークン数とモデル負荷で大きく変動。小型/大型モデルで応答時間が10倍異なることも 3. セッション全体層 — 「ユーザーがこのタスクに何分待てるか」から逆算 各操作のP99(99パーセンタイル)を観測し、安全係数1.5〜2.0倍を掛けた値が出発点です。P99がまだない立ち上げ初期は目安値から始め、1〜2週間の運用データで切り替えます。 💡 要点と詳細 目安値 📊 - ツール呼び出し(一般) → 10〜30秒。DBクエリは5秒でも長い場合あり - LLM推論(全体) → 60〜120秒。長文生成タスクは上限引き上げ - LLM推論(トークン間) → 5〜15秒。ストリーミング時のプロバイダ障害早期検出に有効 - LLM推論(TTFT) → 15〜30秒。入力が長いほど延びる - セッション全体 → 数分〜数十分。対話型は短く、調査・分析型は長く ストリーミングを使う場合は、全体タイムアウトよりトークン間タイムアウトの方が本質的な監視指標です 🔍 正常な推論では数百ミリ秒〜数秒間隔でトークンが返るため、15秒の無応答はプロバイダ側の異常を強く示唆します。 ⚖️ トレードオフ タイムアウトが短すぎると、複雑な推論タスクでLLMが高品質な回答を生成している途中で処理が中断されます ⏱️ Chain of Thoughtが深くなる正当なケースや、大量コンテキストの入力処理中にタイムアウトすることも。ピーク時のプロバイダ遅延で断続的に失敗し、リトライの連鎖が始まります。 タイムアウトが長すぎると、プロバイダが応答しないまま数分間スレッドが占有され、他のリクエストが詰まります 🚫 ハングしたツール呼び出しが放置され、ユーザーは「いつ終わるか分からない」最も苦痛な状態に。障害の検出も遅れます。 タイムアウト値の変更はリトライ戦略に直結します。短くすれば発火頻度が上がり、リトライが増えます。リトライ予算やセッション全体の予算と一体で調整する必要があります。 🛠️ ユースケース 対話型チャットアシスタント 💬 ユーザーが数秒以内の応答を期待。ツール3〜5秒、LLM推論15〜30秒(ストリーミングで即座にトークンを返し始める)、セッション全体60〜120秒。体感レイテンシの短縮にストリーミングが効果的です。 調査・分析エージェント 🔬 数分の処理が許容される。ツール10〜60秒、LLM推論60〜180秒、セッション全体5〜30分。タイムアウトよりコスト・ステップ数の予算が主要な制約に。 自動コードレビューエージェント 💻 大きな差分では入力トークンが数万に達し、TTFTが延びる。入力トークン数に応じてTTFTタイムアウトを動的に調整する仕組みが有効です。 タイムアウトとキャンセルは異なります ⚠️ タイムアウトはクライアント側で待つのを止めるだけで、プロバイダ側の処理は続行されている可能性があります。課金はプロバイダ側の処理量に基づくため、キャンセルリクエストも送信することを推奨します。 #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エージェントをソフトウェアに組み込むプラクティス # Short DB Transaction, Long Agent Session|長セッション・短トランザクション 🎯 LLMの推論中にDBトランザクションを開いたままにしていませんか?数秒〜数十分の待機でコネクションプールが枯渇し、システム全体が止まります。 🔥 解決する課題 従来のWebアプリではリクエスト処理がミリ秒で完結するため、トランザクション=リクエストスコープで問題ありませんでした。しかしAIエージェントのLLM呼び出しは数秒〜数十分に及びます。その間トランザクションを開いたままにすると、コネクションプール枯渇・デッドロック・ロック競合・トランザクションタイムアウトが同時多発します。P99レイテンシがP50の数倍になることもあり、「平均的には問題ない」設計でもテール側で障害が発生します。 💡 提案パターン LLM推論の間はトランザクションもコネクションも保持しません。DB読取を短トランザクションで行いコミット・コネクション返却した後にLLMを呼び出し、推論結果を再び短い独立トランザクションで書き込みます。ステップ間の中間状態は外部ステートストア(Redis、DynamoDB等)に永続化し、クラッシュ後の再開を可能にします。楽観的ロック(versionカラム等)でLLM推論中のデータ競合に対処し、悲観的ロックの長時間保持は避けます。 ✅ 選定条件 使うとき: - エージェントがLLM呼び出しの前後でDB読み書きを行う - LLM呼び出し1回あたりの所要時間が概ね1秒を超える - 同時セッション数がコネクションプールサイズの半分に達しうる 使わないとき: - LLMを使わない従来のCRUD処理 - 単一トランザクションでアトミックに完結しなければならない操作(銀行間送金等) ⚠️ 落とし穴 - 読取と書込の間に他プロセスが同じ行を更新する可能性があります。楽観的ロックを必ず併用してください - コネクションプールサイズは「同時セッション数」ではなく「同時トランザクション実行中のステップ数」で計算します。本パターンにより同時セッション数の10-20%で運用可能です - 不可逆な操作を含むセッションでは、ステートストアにディスク永続化を持つストアを選んでください 🔧 実装方針 - DB読取→コミット→コネクション返却→LLM呼び出し→再取得→結果書込の順で、LLM推論中はトランザクションもコネクションも保持しません - 楽観的ロック(versionカラムやupdated_at)を書込トランザクションに含め、LLM推論中のデータ競合をリトライで解決します - ステップ間の中間状態は外部ステートストア(Redis、DynamoDB、RDB上のセッションテーブル等)に永続化し、クラッシュ後の再開を可能にします - コネクションプールサイズは同時セッション数ではなく同時トランザクション実行中のステップ数で設計します(概ね同時セッション数の10-20%) - 不可逆性が高いセッションではディスク永続化を持つステートストアを選定し、耐久性要件に合わせます #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
# 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 # Streaming with Progressive Commit|進捗ストリーミング+遅延コミット 🎯 トークンは即座に見せたい、でも副作用は検証してからコミットしたい。 「見せる」と「実行する」を分離すれば、体感レイテンシの短縮と副作用の安全性を両立できます。 🔥 解決する課題 エージェントの応答はレイテンシのばらつきが大きく、全トークン生成まで待たせると体感が悪化します。一方でツール呼び出しの副作用を生成途中で確定すると、ガードレール検証で棄却された際にロールバックが必要になります。「全部待ってから返す」か「生成と同時に確定する」かの二択では、体感か安全性のどちらかを犠牲にしてしまいます。 💡 提案パターン Streaming with Progressive Commit(進捗ストリーミング+遅延コミット)は、生成中のトークンやツール実行結果をSSE/WebSocketでクライアントへストリーミングしつつ、副作用(外部API書き込み・DB更新など)は検証完了までコミットバッファに留めます。ストリーム上ではpreview(未確定)→ committed/rejected(確定/棄却)とイベントが遷移し、クライアントUIは中間状態を明示的に表示します。failure_costが高いほどバッファを深く取り、全ステップ完了後にまとめて確定します。 ✅ 選定条件 使うとき: - ユーザー向けUIがあり、first-token-timeの短縮が体験に直結する - エージェントがツール呼び出しで書き込み副作用を持ち、誤った副作用の取消しが困難 - 生成結果にガードレール検証やドライランを挟みたい 使わないとき: - 処理が常に数秒以内で、ストリーミングの恩恵がほぼ無い場合 - クライアントがSSE/WebSocketに対応できない場合 - 副作用が無い読取専用の質問応答(遅延コミットが不要) ⚠️ 落とし穴 - previewとcommitted/rejectedをクライアント側で区別しないと、未確定の結果を確定済みとして表示してしまいます。UIに「確認中」の中間状態を必ず設けてください - 長時間のマルチステップ実行ではコミットバッファが肥大化します。ステップ単位でチェックポイントを切り、確定済みバッファを解放しましょう - SSE接続が切れてもコミットバッファは残ります。再接続時の復元かタイムアウト破棄かのポリシーを事前に決めておく必要があります 🔧 実装方針 - LLMからのトークンはStream Buffer経由でSSE/WebSocketチャネルへ即座にプッシュし、ツール呼び出し結果はCommit Bufferに蓄積してpreviewイベントとしてクライアントに通知します - 全生成完了後にCommit Buffer内の各ツール呼び出しをガードレール検証し、パスすればcommittedイベント、棄却すればrejectedイベントをクライアントに送ります - ツール実行はまずドライランで結果をプレビューし、検証通過後に本コミットする二相構成を採ります - SSEイベント設計ではtoken・preview・committed・rejectedの各イベントタイプを明確に分離し、クライアントUIが中間状態(確認中)を適切に表示できるようにします - failure_costが高いワークフローではコミットバッファを深く取り、全ステップ完了後にまとめて確定します。低リスクの場合は単一ツール呼び出し単位で確定します #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
🏢 司令塔を置かずに1,024体のAIエージェントを協働させたら、誰も指示していない「組織」が自然に立ち上がりました。 タイトル: Agensh: Scaling Organizational Intelligence to 1,024 Agents URL: 📋 概要 Microsoft Researchによる、中央オーケストレーターを持たない自己組織化マルチエージェントハーネスです。ワーカーが並行・非同期に動き、軽量なインフラ越しに進捗を共有します。 🔥 解決する課題 既存のマルチエージェント基盤の多くはオーケストレーターがタスクを分解して割り当てる構造です。そのため全体のスケーラビリティが、司令塔1体の管理能力と統合能力に縛られてしまいます。 🛠 方法論と提案手法 各ワーカーが同じ5ステップのループを回します。文脈を集める、サブタスクを自分で宣言する、実行する、受け入れ基準で検証する、共有ワークスペースにマージする、の繰り返しです。支えるのは3つのインフラだけで、Giteaによる共有ワークスペース、Mattermostによるメッセージ、観測と事実と失敗と宣言を型付きで溜める追記専用の共有コンテキストです。協調プロトコルはランタイムではなくプロンプトに書かれているため、Claude CodeやCopilotの上に薄く載せられます。 📊 実験結果 インターネット遮断・6時間予算でソフトウェアをゼロから再現するProgramBenchの最難5タスクで検証しました。 ・5タスク平均のテスト通過率は1体の19.31%から128体の28.78%へ、相対で約49%改善 ・pandocでは1体の33.89%から1,024体で55.06%に到達 ・到達速度も変わり、pandocで通過率30%を超えたのは128体なら30分、32体は60分、8体は90分。1体は2時間かけても届きませんでした 🌱 創発した協調 全員が同じプロンプトなのに、規模が増すと協調の形が変わります。8体ではインターフェースを決めて分担し、32体では承認の撤回と再レビューが回り始め、128体ではレビュー相手を経験で選び統合手順を標準化し、1,024体では「統合担当」という役割が生まれて複数候補に打診し最速の相手を選ぶようになりました。 #マルチエージェント# #AIエージェント#
もっと見る
# ADK 2.0の便利だけど知られていない機能 🌍 AIエージェントが外部APIの一時的な障害で止まってしまい、手動で再実行した経験はありませんか? ADK 2.0のRetryConfigは、エージェントの失敗時に自動リトライを行うフレームワークレベルの機能です。手動のtry-catchを書かずに、宣言的にリトライ戦略を定義できます。 📌 タイトル:自動リトライ (RetryConfig) 🔗 URL: 🧩 概要 RetryConfigは、エージェントやツールの実行中に発生した一時的なエラーに対して、フレームワークが自動的にリトライを管理する仕組みです。max_attemptsでリトライ回数を指定するだけで、ネットワークタイムアウトやAPIのレート制限など、一過性の障害からの復旧を自動化できます。開発者がリトライロジックを個別に実装する必要がなくなり、エージェントの堅牢性が大幅に向上します。 🛠 使い方 RetryConfigをエージェントに設定するだけで、自動リトライが有効になります。 ```python from adk import Agent, RetryConfig agent = Agent( name="api_caller", model="gemini-2.0-flash", instruction="外部APIからデータを取得してください", retry_config=RetryConfig(max_attempts=3), ) ``` フレームワークがエラーを検知すると、指定回数まで自動的にリトライを実行します。手動でのtry-exceptブロックは不要です。 🏗 本番システムへの組み込み方 ・外部API呼び出しを含むエージェントには必ずRetryConfigを設定する ・max_attemptsは対象APIのレート制限やSLAに合わせて適切に設定する ・リトライでは回復できない永続的なエラーと一時的なエラーを区別して設計する ・リトライ回数やエラー内容のログを監視し、根本原因の特定に活用する 💡 ユースケース 🌐 外部APIのレート制限やタイムアウトからの自動回復 🗄️ データベース接続の一時的な切断への対応 ☁️ クラウドサービスの瞬断に対する耐障害性の確保 🔄 マルチステップワークフローの中間ステップでの安定性向上 ⚠️ 注意点 広範な`except Exception:`ブロックでエラーを捕捉すると、フレームワークのリトライ機構が正しく動作しなくなります。また、`BaseException`を捕捉すると、HITL(Human-in-the-Loop)で使用されるNodeInterruptedErrorまでトラップしてしまい、人間の介入フローが壊れます。リトライで回復が見込めないエラー(認証エラーなど)に対しては、リトライを無駄に繰り返さないよう注意が必要です。 ✨ RetryConfigを活用することで、手動のエラーハンドリングから解放され、本番環境でも安定して動作する堅牢なエージェントを構築できます。 #ADK# #AIAgent#
もっと見る
# Claude Agent SDKの便利で実践的な使い方 💰 エージェントのコストをステップ単位・モデル別に追跡し、予算を最適化しましょう。 コストと使用状況の追跡は、`total_cost_usd` や `modelUsage` でエージェント実行のトークン消費とコストをリアルタイムに把握する機能です。 📌 タイトル:コストと使用状況の追跡 🔗 URL: 🧩 概要 ` で呼び出しごとの累積推定コストを取得し、`modelUsage` でモデル別のトークン内訳を確認できます。プロンプトキャッシュの最適化で大幅なコスト削減も可能です。 🛠 使い方 `ResultMessage` の `total_cost_usd` フィールドを読み取ります。`AssistantMessage` の `id` でデデュプリケーションしてステップ単位の正確な集計が可能です。 🏗 実践的な使い方 ・`total_cost_usd` で `query()` 呼び出しごとのコストを監視し、閾値を超えたらアラートを発行します。 ・`modelUsage` でサブエージェント用 Haiku とメイン用 Opus のコストを分解し、どこにコストがかかっているか可視化します。 ・`ENABLE_PROMPT_CACHING_1H=1` で TTL を 5 分→1 時間に延長し、短いセッションを多数回す場合のキャッシュ切れを防止します。 ・複数 `query()` の `total_cost_usd` をアプリ側で累積し、セッション横断のコスト管理を実現します。 💡 ユースケース 📊 ステップ単位のコスト可視化ダッシュボード 🔔 予算超過アラートの自動発行 ⚡ プロンプトキャッシュによるコスト最適化 ⚠️ 注意点 `total_cost_usd` は概算推定値です。権限ある請求管理には Usage and Cost API / Console を使用してください。SDK はセッション合計を提供しないため、アプリ側で累積する必要があります。 #ClaudeAgentSDK# #AI#
もっと見る
# Claude Agent SDKの便利だけど知られていない機能 🌍 エージェントがファイルを勝手に削除しようとしたら?実行時承認で安全にコントロールできます! `canUseTool` コールバックを使えば、ツール実行前にリアルタイムで承認・拒否・入力変更が可能です。 📌 タイトル:canUseTool コールバックによる実行時承認 🔗 URL: 🧩 概要 `canUseTool` はクエリオプションに渡すコールバック関数で、権限評価フローの最終ステップ(6番目)で呼び出されます。先行するステップ(allow ルールや `acceptEdits`・`bypassPermissions` モードなど)で自動承認されたツール呼び出しではコールバックは呼ばれないため、すべてのツール呼び出しに適用したいチェックは `PreToolUse` フックを使ってください。コールバックはツール名と入力パラメータを受け取り、`allow`(許可)または `deny`(拒否)を返します。許可時には入力を変更することも可能で、例えばパスをサンドボックス内に書き換えたり、危険なコマンドをブロックしたりできます。`dontAsk` モードでは呼び出されません。 🛠 使い方 ```python # Python - ツール実行の承認コールバック from claude_agent_sdk import ClaudeAgentOptions, query from claude_agent_sdk.types import PermissionResultAllow, PermissionResultDeny, HookMatcher async def can_use_tool(tool_name, input_data, context): print(f"\nツール: {tool_name}") if tool_name == "Bash": print(f"コマンド: {input_data.get('command')}") # rm コマンドをブロックしてアーカイブを提案 if "rm" in input_data.get("command", ""): return PermissionResultDeny( message="削除の代わりにアーカイブしてください" ) response = input("許可しますか? (y/n): ") if response.lower() == "y": return PermissionResultAllow(updated_input=input_data) return PermissionResultDeny(message="ユーザーが拒否しました") # ダミーフック(Python のストリーミングモードで必要) async def dummy_hook(input_data, tool_use_id, context): return {"continue_": True} ``` ```typescript // TypeScript - 入力を変更して許可する例 import { query } from "@anthropic-ai/claude-agent-sdk"; for await (const message of query({ prompt: "Clean up temporary files", options: { canUseTool: async (toolName, input) => { if (toolName === "Bash") { // パスをサンドボックス内に書き換え const sandboxed = { ...input, command: input.command.replace("/tmp", "/tmp/sandbox") }; return { behavior: "allow", updatedInput: sandboxed }; } return { behavior: "allow", updatedInput: input }; } } })) { /* ... */ } ``` 🏗 本番システムへの組み込み方 ・Web UIでツール実行の承認ダイアログを表示し、ユーザーの判断を返します ・`context.suggestions` から `PermissionUpdate` を取得し、「今後も許可」の永続化ルールを設定できます ・危険な操作(`rm`、`DROP TABLE` など)は自動的にブロックし、安全な代替案をメッセージで提案します ・入力のサニタイズ(パスの制限、パラメータの上書き)で、エージェントの行動範囲を動的に制御します 💡 ユースケース 🔒 本番データベースへの書き込みコマンドを承認制にする 📁 ファイル操作を特定のディレクトリに制限する(パスの動的書き換え) 👥 マルチユーザー環境で、ユーザーの権限レベルに応じてツール利用を制御する ⚠️ 注意点 ・Python では `canUseTool` を使うにはストリーミングモードと `PreToolUse` フックの設定が必要です ・`dontAsk` モードではコールバックがスキップされるため、セキュリティ上の制限にはフックを使用してください ・コールバックは回答まで無期限に実行を一時停止します。長時間のケースには `defer` フック決定を利用してください ✨ 「全部おまかせ」か「全部手動」かの二択ではなく、canUseTool で「要所だけ人間が判断する」スマートな運用を実現しましょう! #ClaudeAgentSDK# #AIAgent#
もっと見る