【本日19時】 AIAgentプロダクト開発入門講座、本日（22日）19時スタートです。 申込155名となりました。 本分野に関するみなさまの関心の高さがうかがえます。 2時間という短い講座ですが、本講座でAIエージェントの技術的な全体像が理解し、実装可能かどうかを自分で判断するための一助になれたら嬉しいです。 申込は18時まで受け付けております。 またいつものように本講座の模様は録画⇒アーカイブ配信予定でおります。 📅 6/22（月）19:00〜 オンライン 💰 5,800円（先着50名） ▶ #AIエージェント# #起業# #副業# #新規事業#

【当日講義資料】 AIAgent-プロダクト開発入門講座、講師から当日の講義資料が届きました。 申込90名突破しました。 📅 6/22（月）19:00〜 オンライン 💰 5,800円 #AIエージェント# #起業# #副業# #新規事業#

Panel：DID/VC×AIエージェントが切り拓く次世代デジタルアイデンティティ デジタルアイデンティティは新たな段階へ。 DID、VC、AIエージェントの融合が、次世代の信頼基盤をどう築くのかが議論されました。 🎙️モデレーター： 樋口 雄哉 バイオメトリクス・ビジョンAI統括部 ディレクター 兼web3 Thought Leader
NEC 💎登壇者： 藤井 達人 執行役員 デジタル戦略部長Chief AI Officer 株式会社みずほフィナンシャルグループ 舘林俊平 オープンイノベーション推進本部 副本部長 Hashport社外取締役
KDDI 藤森 侃太郎 CEO / Founder VESS Labs 🌐 #TEAMZSummit2026# #DID# #AIAgents# #Web3#

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 ハンドオフ先のエージェントに、不要なツール呼び出し履歴まで渡していませんか？ input_filterとhandoff_filtersを使えば、ハンドオフ時の入力を整理し、受信側エージェントを関連コンテキストに集中させることができます。 📌 タイトル：handoff の input_filter と handoff_filters 🔗 URL： 🧩 概要 `handoff()` の `input_filter` パラメータに関数を指定すると、ハンドオフ時に渡される入力データを変換できます。`HandoffInputData`（`input_history` / `pre_handoff_items` / `new_items` / `input_items` / `run_context`）を受け取り、加工した `HandoffInputData` を返す関数を定義します。SDK組み込みの `handoff_filters.remove_all_tools` を使えば、会話履歴から構造化されたツール項目を全て除去できます。これにより、受信側エージェントが関連するコンテキストだけに集中でき、より的確な応答が可能になります。 🛠 使い方 ```python from agents import Agent, handoff, HandoffInputData from agents.extensions import handoff_filters # 組み込みフィルタ：ツール呼び出し履歴を除去 specialist = Agent(name="Specialist", instructions="専門的な回答を行います") handoff_to_specialist = handoff( agent=specialist, input_filter=handoff_filters.remove_all_tools, ) # カスタムフィルタ：直近N件のメッセージのみ渡す def keep_recent_messages(data: HandoffInputData) -> HandoffInputData: recent = data.input_history[-5:] # 直近5件のみ # clone() なら run_context などの他フィールドを保ったまま差し替えられます return data.clone(input_history=recent) handoff_to_specialist = handoff( agent=specialist, input_filter=keep_recent_messages, ) coordinator = Agent( name="Coordinator", handoffs=[handoff_to_specialist], ) ``` 🏗 本番システムへの組み込み方 ・`remove_all_tools` を使って、専門エージェントに不要なツール実行履歴を渡さない ・カスタムフィルタで機密情報を含むメッセージを除外してからハンドオフする ・コンテキスト量を制限することで、受信側エージェントのトークン消費を削減する ・フィルタの組み合わせで、エージェントごとに最適な入力を設計する 💡 ユースケース 🧹 ツール呼び出し履歴のクリーンアップで専門エージェントの精度向上 🔒 機密データを含む会話履歴のフィルタリング 📏 長い会話のコンテキストを要約・圧縮してハンドオフ 🎯 エージェントの専門領域に関連するメッセージだけを選択的に渡す ⚠️ 注意点 フィルタで必要な情報まで除去すると、受信側エージェントが文脈を失い適切に応答できなくなります。特に `remove_all_tools` は、ツールの結果が後続の会話に重要な場合は注意が必要です。なお `remove_all_tools` が取り除くのは構造化されたツール項目だけで、通常のメッセージやネスト履歴の要約にコピー済みの引数・結果は残るため、それらを消すには独自の input_filter が必要です。また、サーバー管理の会話（`conversation_id` / `previous_response_id` など）ではハンドオフの input_filter は利用できません。フィルタの適用結果をログで確認し、必要な情報が保持されているか検証しましょう。 ✨ input_filterで、各エージェントに最適なコンテキストだけを渡す洗練されたハンドオフを実現しましょう。 #OpenAIAgentSDK# #AIAgent#

VPNの使い方を聞いただけなのに、エージェントがITチケットを切り始めた。そんな経験は、エージェント開発では珍しくありません。 チケット作成ツールを足した社内ドキュメントエージェントは、チケットの例はすべて通り、平均スコアも上がりました。ところが例ごとに比較すると、「VPNにはどう接続しますか？」が検索ではなくチケット作成になっていたのです。 トレースを見ると、ツール説明の「VPNとノートPCの問題」という書き方が、VPN関連の質問すべてに当てはまっていました。説明を「ITの対応が必要な依頼」に絞ると、全例が通りました。平均だけを見ていたら見逃していた退行です。 この流れを支えるのがEval-Driven Developmentです。テスト駆動開発のように、先に「良い状態」を仕様とevalで定義し、修正前のエージェントで失敗することを確かめ、変更のたびに実験を例ごとに比べます。保留セットで過学習を見張り、本番のトレースからevalを育てていく考え方です。 What Is Eval-Driven Development? How to Improve AI Agents #AIAgents# #LLMEvals#

# Claude Agent SDKの便利だけど知られていない機能 🌍 エージェントの実行中にメッセージを送りたいと思ったことはありませんか？ストリーミング入力で対話的なセッションが実現します！ ストリーミング入力モードを使えば、エージェント実行中にメッセージの追加、中断、画像送信が可能です。 📌 タイトル：ストリーミング入力モード 🔗 URL： 🧩 概要 ストリーミング入力モード（推奨）は、`AsyncGenerator` を使った永続的なインタラクティブセッションを提供します。通常のシングルメッセージ入力（ワンショット）と異なり、セッション中にメッセージのキューイング、画像の添付、実行の中断が可能です。`yield` でメッセージを順次送信し、条件に応じてフォローアップメッセージを動的に生成できるため、チャットインターフェースや複雑なワークフローに最適です。 🛠 使い方 ```python # Python - ストリーミング入力でインタラクティブセッション from claude_agent_sdk import ClaudeSDKClient, ClaudeAgentOptions, AssistantMessage, TextBlock import base64 async def message_generator(): # 最初のメッセージ yield { "type": "user", "message": {"role": "user", "content": "セキュリティの問題を分析してください"}, } # フォローアップ（画像付き） with open("diagram.png", "rb") as f: image_data = base64.b64encode( yield { "type": "user", "message": { "role": "user", "content": [ {"type": "text", "text": "このアーキテクチャ図もレビューしてください"}, {"type": "image", "source": {"type": "base64", "media_type": "image/png", "data": image_data}}, ], }, } options = ClaudeAgentOptions(max_turns=10, allowed_tools=["Read", "Grep"]) async with ClaudeSDKClient(options) as client: await client.query(message_generator()) async for message in client.receive_response(): if isinstance(message, AssistantMessage): for block in message.content: if isinstance(block, TextBlock): print(block.text) ``` ```typescript // TypeScript - AsyncGenerator でメッセージを逐次送信 import { query, type SDKUserMessage } from "@anthropic-ai/claude-agent-sdk"; async function* generateMessages(): AsyncGenerator { yield { type: "user", message: { role: "user", content: "Analyze this codebase for security issues" }, parent_tool_use_id: null, }; // 条件に応じてフォローアップ await new Promise((resolve) => setTimeout(resolve, 2000)); yield { type: "user", message: { role: "user", content: "Now focus on authentication" }, parent_tool_use_id: null, }; } for await (const message of query({ prompt: generateMessages(), options: { maxTurns: 10, allowedTools: ["Read", "Grep"] } })) { if (message.type === "result" && message.subtype === "success") { console.log(message.result); } } ``` 🏗 本番システムへの組み込み方 ・チャットUIのメッセージ送信をジェネレータの `yield` に接続して、ユーザー入力をリアルタイムでエージェントに渡します ・画像アップロードを `base64` エンコードしてメッセージに含めることで、ビジュアル分析が可能になります ・中断シグナルを送信してエージェントの方向転換を行えるため、長時間実行タスクの制御に活用できます ・セッション中のコンテキストが自然に維持されるため、複数ターンの会話を管理する手間が省けます 💡 ユースケース 💬 カスタムチャットボットでユーザーとエージェントの対話的なセッションを構築する 🖼 コードレビュー中にスクリーンショットや設計図を動的に送信して分析させる 🔄 長時間のコード分析中に追加の指示やフォーカスエリアの変更を送る ⚠️ 注意点 ・シングルメッセージ入力では画像添付、動的メッセージキューイング、リアルタイム中断がサポートされません ・ステートレス環境（Lambda関数など）ではシングルメッセージ入力を使用してください ・Python ではストリーミング入力に `ClaudeSDKClient` のコンテキストマネージャが必要です ✨ ワンショットで終わらない対話こそ、AIエージェントの本領発揮です。ストリーミング入力でリッチな体験を構築しましょう！ #ClaudeAgentSDK# #AIAgent#

TL;DR：「エージェント開発の難問は解決済み」という見方に、LangChainのHarrison Chaseが異を唱えています。常時稼働でゴールを追うエージェントには、6つの未解決課題があるそうです。 New context engineering challenges in late 2026 ポイント ・🔔 プロアクティブさ：役立つ通知と、うるさい通知のバランスが未解決 ・🧠 メモリ：難しいのは保存ではなく「何を覚えるか」を決める知能層 ・⏳ 非同期：長い作業を走らせつつ、メインのエージェントは応答し続ける必要がある ・🎯 ゴール追跡：同じ行動の繰り返しを避け、長期で一貫して進める ・⚠️ 仕様ゲーミング：「全バグを消せ」でコードベースごと消す例 ・🌐 ブラウザ：スクリーンショットかDOMか、両方が大きいときのコンテキスト管理 要約、オフロード、スキル、サブエージェントといった既知の技法の「次」を整理した論点集です。数値や解決策はなく、意見記事である点にご注意ください。 #ContextEngineering# #AIAgents#

# ADK 2.0の便利だけど知られていない機能 🌍 エージェントのプロンプトを手作業で調整する代わりに、自動で最適化してくれたら効率的だと思いませんか？ ADK 2.0の最適化機能は、サンプラーとエージェントオプティマイザーを組み合わせて、エージェントのインストラクションを自動的に改善する仕組みです。 📌 タイトル：最適化 (Optimization) 🔗 URL： 🧩 概要 最適化機能は、Samplers（候補の評価）とAgent Optimizers（インストラクションの改善）の2つのコンポーネントで構成されます。`LocalEvalSampler` は候補エージェントを評価データセットに対して実行しスコアを算出します。オプティマイザーとしては、GEPAアルゴリズムを用いてルートエージェントのプロンプトを最適化する `GEPARootAgentPromptOptimizer` と、「実行→評価→批評→書き直し」の反復サイクルで改善する `SimplePromptOptimizer` が用意されています。最適化の結果は `OptimizerResult` に格納され、スコア付きの最適化済みエージェントが得られます。 🛠 使い方 CLIから `adk optimize` コマンドで最適化を実行できます。 ```python import asyncio from google.adk.evaluation.eval_config import EvalConfig from google.adk.evaluation.local_eval_sets_manager import LocalEvalSetsManager from google.adk.optimization.local_eval_sampler import LocalEvalSampler from google.adk.optimization.local_eval_sampler import LocalEvalSamplerConfig from google.adk.optimization.simple_prompt_optimizer import SimplePromptOptimizer from google.adk.optimization.simple_prompt_optimizer import ( SimplePromptOptimizerConfig, ) # サンプラーの設定 sampler_config = LocalEvalSamplerConfig( eval_config=EvalConfig(criteria={"response_match_score": 0.75}), app_name="my_agent", train_eval_set="train_eval_set", ) sampler = LocalEvalSampler(sampler_config, LocalEvalSetsManager(agents_dir=".")) # オプティマイザーの実行 optimizer = SimplePromptOptimizer(config=SimplePromptOptimizerConfig()) result = sampler)) # 最適化されたエージェントとスコアを取得 best = result.optimized_agents[0] best_agent = best.optimized_agent print(f"Score: {best.overall_score}") ``` 🏗 本番システムへの組み込み方 ・定期的に最適化を実行し、評価データセットの更新に合わせてプロンプトを継続的に改善する ・`SimplePromptOptimizer` で素早くイテレーションし、`GEPARootAgentPromptOptimizer` で本格的な探索を行う ・最適化前後のスコアを比較し、改善が確認できた場合のみプロンプトを更新する ・評価データセットを実際のユーザーインタラクションから構築し、実用的な最適化を実現する 💡 ユースケース 📈 エージェントのプロンプトを評価スコアに基づいて自動改善する 🔬 複数のプロンプト候補を体系的に比較して最良のものを選定する 🔄 モデル変更やAPI仕様変更後に、プロンプトを新環境に最適化し直す 🎯 特定のタスク（コード生成、要約、分類など）に特化したプロンプトチューニングを行う ⚠️ 注意点 `GEPARootAgentPromptOptimizer` はルートエージェントのプロンプトのみを最適化対象とします。サブエージェントのプロンプト最適化には対応していないため、必要に応じて個別に最適化を行ってください。また、最適化には複数回の評価実行が必要となるため、LLMのAPI呼び出しコストに注意が必要です。 ✨ 最適化機能を活用すれば、試行錯誤に頼っていたプロンプト改善をデータ駆動で自動化できます。定期的な最適化サイクルで、エージェントの品質を継続的に向上させましょう。 #ADK# #AIAgent#

エージェントのツール待ちでGPUが遊ぶなら、復帰タイミングまで見てスケジューリングすればよいはずです。 TAO: Tool-Aware Joint Scheduling for LLM-Based Agentic Serving 🔎 概要 LLM推論とツール実行を繰り返すエージェント向けに、ツールの復帰時刻とKVキャッシュ再利用を合わせて評価し、受け入れるセッションを組合せ最適化で決めるスケジューラです。 ⚠️ 解決する課題 ・既存のスケジューラはツール復帰のタイミングを直接使わない ・セッション単位の貪欲な判断で、容量を奪い合う別の組合せを塞いでしまう 🛠 方法論 ・セッションごとに「減衰するキャッシュ価値（半減期10秒）」「ツール復帰の準備完了」「トークン数」の3つを順に比較 ・容量状態の動的計画法で、待機セッションの選択とノード割当を同時に決定 ・DPは非同期ワーカーで走り、適用前に実際の状態と照合。オーバーヘッドは実行時間の0.12%未満 📊 実験結果 ・DeepSeek-V4 Flash、SWE-Lite、64ワーカーで、最良ベースライン比で遅延最大26.8%減、TTFT最大36.3%減、デコード最大29.5%増 ・DPをBFDに替えると、デコードは1417.97から1233.72 tok/sへ低下 ・一方、AutomationBenchの128ワーカーではTTFTが悪化するなど、全条件で勝つわけではありません #LLMServing# #AIAgents#

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 トレースデータをOpenAI以外の観測基盤にも送りたいと思ったことはありませんか？ カスタムトレースプロセッサを使えば、W&B、Arize、DataDogなど好みのプラットフォームにトレースを送信できます。 📌 タイトル：カスタムトレースプロセッサ 🔗 URL： 🧩 概要 `add_trace_processor()` を使うと、デフォルトのトレースプロセッサに加えて独自のプロセッサを追加できます。一方、`set_trace_processors()` を使うとデフォルトのプロセッサを完全に置き換えることができます。これにより、Weights & Biases、Arize、DataDog、独自のログ基盤など、任意のバックエンドにトレースデータを送信するカスタム連携が実現できます。 🛠 使い方 ```python from agents.tracing import ( add_trace_processor, set_trace_processors, TracingProcessor, ) # カスタムプロセッサを定義 class DataDogProcessor(TracingProcessor): def on_trace_start(self, trace): dd_tracer.start_span( def on_trace_end(self, trace): dd_tracer.finish_span() def on_span_start(self, span): dd_tracer.start_child_span( def on_span_end(self, span): dd_tracer.finish_child_span() # shutdown と force_flush も抽象メソッドなので実装が必要 def shutdown(self): dd_tracer.shutdown() def force_flush(self): dd_tracer.flush() # デフォルトに追加（OpenAIとDataDog両方に送信） add_trace_processor(DataDogProcessor()) # または、デフォルトを置き換え（DataDogのみに送信） set_trace_processors([DataDogProcessor()]) ``` 🏗 本番システムへの組み込み方 ・`add_trace_processor()` で既存のOpenAIトレースを維持しつつ、社内の観測基盤にも並行送信する ・障害調査用に独自のログストレージにトレースを保存するプロセッサを追加する ・環境変数でプロセッサの切り替えを制御し、開発/本番で送信先を変える ・プロセッサ内でのエラーが本体処理に影響しないよう、例外ハンドリングを適切に行う 💡 ユースケース 📊 Weights & Biasesでエージェント実行のメトリクスを可視化 🔍 Arize AIでLLM出力の品質モニタリング 📈 DataDogでエージェントのパフォーマンスダッシュボードを構築 🗄 社内データレイクへのトレースデータのアーカイブ ⚠️ 注意点 `set_trace_processors()` を使うとデフォルトのOpenAIトレースプロセッサが無効になります。OpenAIダッシュボードでのトレース確認も必要な場合は `add_trace_processor()` を使いましょう。カスタムプロセッサのパフォーマンスがエージェント全体の速度に影響する可能性があるため、軽量な実装を心がけてください。 ✨ カスタムトレースプロセッサで、既存の観測基盤とシームレスに統合しましょう。 #OpenAIAgentSDK# #AIAgent#