🔄Loop Engineeringとはなにか？ もう「AIにプロンプトを打つ」作業は終わりにしませんか？これからは、エージェントを自律的に回す仕組みそのものを設計する時代です。AIコーディングのパラダイムシフトの正体に迫ります。 💡 1. プロンプトからシステム設計への転換 従来のAIコーディング（AI-assisted Coding）は、人間がループの「中心」にいました。 👨‍💻 これまでのアプローチ: 人間がコンテキストを考え、プロンプトを打ち、AIの出力を読み、手元でテストを実行し、エラーが出たら再度プロンプトを打つ。AIは「高機能な関数」や「道具」であり、制御の主体は常に人間です。 🔄 ループエンジニアリング: 人間はループの「外側」に出て、システム全体のデザイナー（作者）になります。仕事の検知、AIへのコンテキスト注入、出力の自動テスト、進捗の記録、次のステップの判断という一連のライフサイクルを小さなプログラムに実行させます。 ここで重要なのは、AIモデルがシステムにおける「サブルーチン（部品）」へと降格し、代わりに環境（テストスイートやリポジトリの状態）からのフィードバックをループ処理する構造へ進化したという点です。 ⚙️ 2. ループを駆動する5つのコアコンポーネント＋1つの記憶 抽象的な概念を動くシステムに落とし込むため、ループは以下のコンポーネントに分解されて設計されます。 ① ⚡ 自動化（Automations） ループの心臓部であり、発火トリガーと停止条件を定義します。 ツール（Claude CodeやCodexなど）では、単に定期実行する /loop だけでなく、明確な終了条件（例：「すべてのテストがパスするまで」）を満たすまでAIを回し続ける /goal コマンドなどがこれに該当します。条件が達成されるか、ハードストップ（予算や上限回数）に達するまで回り続けます。 ② 🌳 ワークツリー（Worktrees） 複数のAIエージェントが並列で動く場合、同じディレクトリで作業するとファイルの衝突（コンフリクト）が発生します。これを防ぐため、Gitの worktree 機能を使い、エージェントごとに独立した作業ディレクトリとブランチを隔離して自動生成します。機械的な衝突を回避し、並列性を担保する基盤です。 ③ 🧠 スキル（Skills） リポジトリのルールやコンテキストをカプセル化したものです。 通常、AIは実行ごとに前回の文脈を忘れますが、SKILL.md のようなファイルに「このプロジェクトのビルド手順」「命名規則」「過去の障害から得た注意点」を明文化しておくことで、AIは毎実行時にそれを読み込み、プロジェクト固有のシニアエンジニアのような振る舞いを固定化できます。 ④ 🔌 プラグイン／コネクタ（Connectors） filesystem（ローカルファイル）しか見えないAIを、本物の開発環境につなぐ架け橋です。 Model Context Protocol（MCP）などをベースに、GitHub（PR作成やIssue取得）、Linear/Jira（チケット更新）、Slack（人間への通知）、Sentry（エラーログの取得）と接続します。これにより、AIが「修正案を出す」だけでなく「Issueを読んで、コードを直し、PRを送り、Slackに報告する」というエンドツーエンドの行動が可能になります。 ⑤ 🤖 サブエージェント（Sub-agents） 役割を分担された独立したAIインスタンスです。「コードを書く役割（Maker）」と「コードを検証・レビューする役割（Checker）」を完全に分離します。 ➕ 💾 記憶：状態ファイル（State File） 地味ですが、ループの成否を分ける最も重要な要素です。STATE.md やJSONファイル、あるいは外部のチケット管理システムに「現在どのブランチが進行中で、何が完了し、次に何をすべきか」を永続化します。「エージェントは忘れるが、リポジトリは忘れない」という原則に従い、昨日の続きを今日のループが再開できるようにします。 🕰️ 3. なぜ「ただのcron（定期実行）」ではないのか？ 懐疑派から「1975年に発明されたcronジョブのリブランド（名前の付け替え）に過ぎないのではないか」という指摘があります。これは半分正解で、半分は間違いです。 スケジュールやトリガーのレイヤーは確かにcronそのものです。しかし、従来のcronは「固定されたスクリプトを機械的に実行するだけ」でした。 ループエンジニアリングが異なるのは、ループの真ん中に「状況を動的に判断する意思決定者（LLM）」がいる点です。 テストが落ちたとき、どのファイルをどう修正すべきか、コンテキストをどう組み立て直すかという分岐は、ハードコードされた if/else ではなく、AIの推論によって動的に決定されます。工学的な面白さは、この「崖から落ちるかもしれない不確実な意思決定者」の周りを、いかに硬牢な自動テストやガードレールで固めるかというシステムデザインにあります。 ⚠️ 4. コストと運用リスクの現実 熱狂的な議論で無視されがちなのが、経済性とセキュリティの現実です。 💸 膨大なトークン消費（コスト） コード生成自体は安価になりましたが、ループを回すと「コンテキストの再読み込み」「リトライの繰り返し」「探索パターンの実行」により、トークン消費量が爆発的に増加します。 実際に、米Uberではエンジニア1人あたり月1,500ドルの上限を設けたにもかかわらず、年間のAI予算をわずか4ヶ月で使い切った事例があります。「最大反復回数」「金額上限」「進捗ゼロ検知による強制終了」の3つのガードレール（ハードストップ）の設計が不可欠です。 🛡️ 攻撃面の拡大（セキュリティ） 無人で動くループは、無人で動く攻撃面（アタックサフェース）になります。AIコーディングツールに起因するCVE（脆弱性）が多数確認されており、コマンドインジェクションやSSRF、XSSのリスクがあります。また、外部から取り込んだ「スキル」の説明文がプロンプトインジェクションの経路になり、デバッグログ経由で認証情報（資格情報）が漏洩するケースも監査で報告されています。 🧩 理解の負債（Comprehension Debt） AIが高速でコードを書き、テストが通ってマージされ続けると、リポジトリ内のコードベースと「人間の理解度」の距離がどんどん離れていきます。これを「理解の負債」と呼びます。最も高くつくのはトークンの請求書ではなく、「チームの誰も読んだことがなく、構造を理解していないシステム」をある日突然人間がデバッグしなければならなくなるコストです。 🛠️ 5. 実践：4条件テストと最小実用ループ（MVL）の構築 ループエンジニアリングを実務に導入する際は、厳格な仕分けとステップが必要です。 📋 導入のための4条件テスト 1. タスクが繰り返されるか？（週1回未満なら、手動プロンプトや使い捨てスクリプトの方が早い） 2. 検証が完全に自動化されているか？（テスト、型チェック、Linter、ビルドが悪い出力を100%機械的に弾けるか。これがないと人間がレビューの椅子に縛り付けられる） 3. トークン予算が無駄を吸収できるか？（従量課金で予算に余裕がない場合は無謀） 4. エージェントが環境を操作する道具を持っているか？（ログ確認や再現環境など） 🚀 最小実用ループ（MVL）から始める手順 最初から複雑なマルチエージェントを組むとシステムは確実に崩壊します。以下の順番でボトムアップに構築します。 1. 手動実行の確実化: 1回の手動プロンプトと環境操作で、タスクが完全に完了することを確認する。 2. スキルの文書化: その際のコンテキストや制約を SKILL.md にまとめる。 3. ループのラップとゲート配置: AIが書いたものを自動テスト（ゲート）にかけ、失敗したらAIに戻すという1サイクルを組む。 4. スケジューリング: 最後にそれをcronやイベントトリガーで自動化する。 🎯 レバレッジの支点は「コードを書くこと」から「コードを書く仕組みを定義し、検証すること」へ移動しました。人間は、AIが自分の宿題を甘く採点しないよう、冷徹な「検証ゲート」を設計するエンジニアであり続ける必要があります。

# ADKの便利で実践的な使い方 📄 エージェントの定義をコードではなくYAMLファイルで行えたら、プロンプトの変更やモデルの切り替えが再デプロイなしでできますよね。ADKのAgent Configなら、宣言的なエージェント定義と環境ごとの設定切り替えが実現できます！ 📌 タイトル：Agent Config — YAML宣言によるコードレスエージェント定義 🔗 URL： 🧩 概要 Agent Configは、ADKワークフローをコードなしでYAMLファイルとして定義できる機能です。`name`、`model`、`description`、`instruction`といった基本プロパティに加え、`tools`でのツール定義や`sub_agents`でのサブエージェント参照もYAMLで記述できます。`adk create --type=config`でプロジェクトを生成し、`adk web`、`adk run`、`adk api_server`で実行可能です。Pythonからは`config_agent_utils.from_config()`でプログラマティックに読み込むこともできます。 🛠 使い方 基本的なAgent Config YAMLの構成です。 ```yaml # root_agent.yaml name: assistant_agent model: gemini-flash-latest description: ユーザーの質問に答えるヘルパーエージェント instruction: | あなたはユーザーの様々な質問に答えるエージェントです。 丁寧で正確な回答を心がけてください。 tools: - google_search sub_agents: - config_path: specialist_agent.yaml ``` プロジェクトの作成と実行は以下のコマンドで行います。 ```bash # プロジェクト作成 adk create --type=config my_agent # 実行方法 adk web # Webインターフェース adk run # ターミナル実行 adk api_server # APIサーバーモード ``` Pythonから読み込む場合は以下のとおりです。 `google.adk.agents.config_agent_utils` の `from_config()` メソッドにYAMLファイルのパス（例: `"my_agent/root_agent.yaml"`）を渡して、エージェントオブジェクトをプログラマティックに読み込みます。 🏗 実践的な使い方 **環境別の設定切り替え**: dev/staging/prodごとに異なるYAMLファイルを用意し、環境変数でどのファイルを読み込むかを制御します。 ```yaml # config/dev/root_agent.yaml name: assistant_agent model: gemini-flash-latest instruction: | [DEV] デバッグ情報を含めて回答してください。 # config/prod/root_agent.yaml name: assistant_agent model: gemini-2.5-pro instruction: | ユーザーの質問に正確かつ簡潔に回答してください。 ``` `os.getenv("ENVIRONMENT", "dev")` で環境名を取得し、`config_agent_utils.from_config(f"config/{env}/root_agent.yaml")` で環境に対応するYAMLファイルを動的に読み込みます。 **プロンプトバージョニング**: YAMLファイルをGitで管理し、プロンプトの変更履歴を追跡します。コードの変更なしにインストラクションを更新でき、ロールバックも容易です。 **A/Bテスト**: 異なるインストラクションやモデルを持つ複数のYAMLファイルを用意し、ランタイムで切り替えてパフォーマンスを比較します。 `get_ab_variant(user_id)` でユーザーごとのA/Bバリアント（`"a"` または `"b"`）を取得し、`config_agent_utils.from_config(f"config/variant_{variant}.yaml")` で対応するYAMLファイルを読み込むことで、ランタイムでのA/Bテストを実現します。 💡 ユースケース 🔄 コード変更なしのプロンプト・モデル切り替え（再デプロイ不要） 🌍 dev/staging/prod環境ごとの設定管理 📊 インストラクションのA/Bテスト 📝 プロンプト変更履歴のGit管理とロールバック 🧩 非エンジニアによるエージェント設定の更新 ⚠️ 注意点 - 現在はGeminiモデルのみサポートされています。他のモデルプロバイダーは今後のサポートを待つ必要があります。 - カスタムコードを含むツールの利用はPythonとJavaに限定されています。 - `LangGraphAgent`や`A2aAgent`はAgent Configではまだサポートされていません。 - `.env`ファイルでAPIキーやプロジェクト設定を管理しますが、シークレットのコミットには注意してください。 ✨ Agent Configは、エージェントの定義をコードから設定ファイルに分離することで、非エンジニアでも安全にプロンプトやモデルを変更でき、環境ごとの切り替えやA/Bテストを容易にします。運用フェーズでの柔軟性を高めたい場面でぜひ活用してください！ #ADK# #AIAgent#

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 エージェントが長時間タスクの途中でクラッシュしたとき、最初からやり直しになっていませんか？ 永続実行統合を使えば、障害を跨いでエージェントの進行状況を保持し、中断したところから再開できます。 📌 タイトル：永続実行統合 🔗 URL： 🧩 概要 OpenAI Agent SDKは、複数の永続実行オーケストレーターとの統合をサポートしています。**Temporal**（永続的な長時間ワークフロー）、**Dapr**（CNCFベンダー中立オーケストレーター、自動障害回復）、**Restate**（軽量な永続エージェントフレームワーク、プロセス/コンテナ/サーバーレス対応）、**DBOS**（SQLite/Postgresベースのエージェント進行状況保存）の4つが公式に統合されています。いずれも標準の `Runner` インターフェースと連携し、Human-in-the-Loopパターン（一時停止・承認・再開）をサポートします。 🛠 使い方 ```python # Temporal統合の例 # pip install temporalio from temporalio.contrib.openai_agents import openai_workflow # Dapr統合の例 # Dapr CLIとランタイムをセットアップ後 # dapr run -- python agent_workflow.py # Restate統合の例 # pip install restate-sdk # Restateのドキュメントに従いエージェントをデプロイ # DBOS統合の例 # pip install dbos from dbos import DBOS # 各オーケストレーターの詳細は公式ドキュメントを参照: # Temporal: # Dapr: # Restate: # DBOS: ``` 🏗 本番システムへの組み込み方 ・長時間実行エージェント（リサーチ、データ処理）の障害耐性を確保する ・Human-in-the-Loopパターンで、承認待ちの間エージェントを一時停止し、承認後に再開する ・既存のオーケストレーション基盤（Temporal/Dapr）がある場合は、その上でエージェントを実行する ・サーバーレス環境ではRestateやDBOSで軽量にエージェントの永続性を実現する 💡 ユースケース 🔄 障害時の自動再開が必要な長時間リサーチエージェント ✅ 人間の承認ステップを含むワークフロー自動化 🏗 マイクロサービスアーキテクチャでのエージェントオーケストレーション 💾 エージェントの進行状況のチェックポイント保存 ⚠️ 注意点 各オーケストレーターは独自のインフラ要件（Temporalサーバー、Daprランタイム、Restateサービス、DBOSのDB）を持つため、運用コストと複雑さを考慮して選択してください。ベンダー中立を重視するならDapr（CNCF）やRestate、既存のワークフロー基盤があるならTemporal、最小構成で始めるならDBOSが適しています。統合の成熟度はそれぞれ異なるため、本番導入前に十分な検証を行ってください。 ✨ 永続実行統合で、エージェントを「落ちても止まらない」堅牢なシステムに進化させましょう。 #OpenAIAgentSDK# #AIAgent#

號外！號外！參加TRE2026、ACT Entertainment的秘密武器「三咲麻友(三咲まゆ)」活動正式上線了！ . 才剛發表出道作，就能來到TRE，片商和事務所對「三咲麻友(三咲まゆ)」自然不用多說，為了讓大家都見識到她的實力，這次在ACT Entertainment特別用甜甜碎鑽價「10000紅鑽(約台幣650元)」超低價促銷，每天六場活動，上半場下半場不同玩法，想要拍立得合照或是獨拍攝影會都OK！ . 所以，走過路過不要錯過，馬上去JKFace預約▶ . #三咲まゆ# #三咲麻友# #MisakiMayu# #ACTEntertainment# #TRE2026# . Model @mayu_misaki0801 Agent @info_actent

# ADK 2.0の便利だけど知られていない機能 🌍 長時間かかるエージェントワークフローが途中で失敗したとき、最初からやり直さずに続きから再開できたら便利だと思いませんか？ ADK 2.0のResumabilityConfigは、ワークフローの実行状態をイベントログとして記録し、失敗時にinvocation_idを指定して途中から再開できる機能です。 📌 タイトル：ワークフローの再開 (ResumabilityConfig) 🔗 URL： 🧩 概要 ResumabilityConfig(is_resumable=True)をAppに設定すると、ワークフロー実行中に完了したタスクがイベントとして記録されます。失敗時にはinvocation_idを指定して再開でき、組み込みエージェントはそれぞれの状態を自動的に復元します。SequentialAgentはcurrent_sub_agentから再開し、LoopAgentはtimes_loopedの値を保持して残りの反復を実行し、ParallelAgentは未完了のサブエージェントのみを実行します。これにより、大規模なパイプラインで一部のステップが失敗しても、完了済みのステップを再実行する無駄を省けます。 🛠 使い方 AppにResumabilityConfigを設定し、再開時にinvocation_idを渡します。 ```python from adk import App, ResumabilityConfig app = App( agent=my_workflow, resumability_config=ResumabilityConfig(is_resumable=True) ) # 初回実行 result = await "process data") invocation_id = result.invocation_id # 失敗後の再開（同じinvocation_idを指定） resumed_result = await input="process data", invocation_id=invocation_id ) ``` カスタムエージェントで再開に対応する場合は、BaseAgentStateを拡張して独自の状態を保存します。 🏗 本番システムへの組み込み方 ・invocation_idをデータベースやメッセージキューに保存し、リトライ時に参照できるようにする ・ツールの冪等性を担保する（ツールは少なくとも1回実行され、再開時に再実行される可能性がある） ・カスタムエージェントではBaseAgentStateを拡張し、再開に必要な中間状態を明示的に定義する ・長時間ワークフローでは定期的にチェックポイントとなるステップを設け、再開の粒度を細かくする 💡 ユースケース 📊 数十ステップの大規模データ処理パイプラインで、途中失敗からの効率的な復旧 💰 外部API呼び出しを含むワークフローで、API課金の無駄な再実行を回避 🔄 不安定なネットワーク環境での長時間エージェント実行の信頼性向上 🏭 バッチ処理ジョブで一部アイテムの処理失敗時に残りを継続処理 ⚠️ 注意点 ツールは再開時に少なくとも1回実行されるため、副作用を持つツール（データベース書き込み、外部API呼び出しなど）は必ず冪等に設計してください。同じ入力で複数回実行しても結果が変わらないことを保証する必要があります。また、ParallelAgentの再開では完了判定がサブエージェント単位であるため、サブエージェント内部の途中状態は保持されない点に留意してください。 ✨ ResumabilityConfigにより、長時間ワークフローの運用が劇的に楽になります。特にコストのかかるステップを含むパイプラインでは、導入効果が大きいです。 #ADK# #AIAgent#

💡 CrowdStrike Holdings, Inc. $CRWD Q2 FY2027決算 2026-08-26 💰 今四半期業績 - 🟢 EPS：$0.31 (予想$0.29) - 🟢 売上高：$1.47B (予想$1.44B) 📊 重要指標 - 🟢 年間経常収益 (ARR)：$5.84B (YoY+25%) - 🟢 純新規ARR：$332.8M (YoY+51%) - 🟢 Non-GAAPサブスクリプション粗利率：81% (前年同期80%) - 🟢 Non-GAAP営業利益：$371.6M (前年同期$255.0M) (YoY+46%) - 🟢 フリーキャッシュフロー：$377.4M (Est. $353M) (YoY+33%) - 🟢 営業キャッシュフロー：$530.3M (前年同期$332.8M) (YoY+59%) - 🟢 モジュール採用率 (6モジュール以上)：51% (7以上: 35%, 8以上: 26%) 📊 次四半期ガイダンス - 🟢 EPS：$0.31 (予想$0.31) - 🟢 売上高：$1.53B (予想$1.51B) 📊 通年ガイダンス - 🟢 EPS：$1.26 (予想$1.23) - 🟢 売上高：$6.0B (予想$5.94B) 📍決算内容の注目ポイント - 純新規ARRが$332.8Mと過去最高を記録し、YoY+51%の加速成長を達成。通年FY27の純新規ARR成長見通しを630bps引き上げ、中間値で34%成長へ上方修正。 - Falcon Flex（柔軟なサブスクリプションモデル）のARRが$2.29Bを超え、YoY+101%と倍増。新規ロゴからの純新規ARRも過去最高を記録。 - XM Cyber（Schwarz Digits傘下、攻撃経路可視化・攻撃シミュレーション技術）の技術資産取得を発表。欧州市場への展開を強化する複数年ロードマップを策定。 - Cerebras Systemsとの戦略的協業を発表し、大規模AI推論環境におけるセキュリティ基盤を構築。AI Agent向けのContinuous Identity機能を公開。 - 自社株買いを$175.6M実施（H1 FY27）。現金及び現金同等物は$5.01Bに増加し、強固な財務基盤を維持。 🤵‍♂️CEO (George Kurtz) コメント 「Q2はCrowdStrike史上最高の四半期でした。Falcon Flexの過去最高の成果、過去最高の純新規ARR、そして成長の加速を達成しました。通年FY27の純新規ARR成長見通しを630bps引き上げます。Mythosの瞬間がAI導入にはセキュリティが必要であるという大衆市場の認識に変わり、それこそがCrowdStrikeです。すべての企業がAI上で稼働する時代が来ます。AIのセキュリティ確保は当社史上最大の市場機会です。」 🤵‍♂️CFO (Burt Podbere) コメント 「Q2は記録破りの四半期でした。$333Mの過去最高の純新規ARRに加え、新規ロゴからの純新規ARRも過去最高を達成し、ドルベースのグロス及びネットリテンション率も上昇しました。営業キャッシュフローとフリーキャッシュフローもQ2として過去最高です。強力なQ2実績と過去最高のQ3パイプラインを踏まえ、通年FY27の純新規ARR成長見通しを中間値34%に引き上げ、持続的かつ収益性の高い成長を継続する態勢を整えています。」 🔍 主要ファンダメンタルズ指標 - 時価総額: 192.63B - PER: -3982.74 - Forward PER: 153.66 - PEG: 90.61 🎯市場評価 - 株価 (発表前): 📈$189.45 (2.2%) - 株価 (発表後): 📈$209.27 (10.46%) - 決算前アナリスト目標株価: $207.55 ($256 ~ $103.25) C - 決算総合サプライズ率 (AI推定): 😊8.72% - 決算後目標株価 (AI推定): $215.42 🤖 決算まとめるくん(AI)コメント 「CrowdStrikeのQ2 FY2027決算は、EPS・売上高・ガイダンスの全項目でアナリスト予想を上回る、極めて力強い内容でした。 最大の注目点は純新規ARRの$332.8M（YoY+51%）という記録的な数値です。前年同期のJuly 19 Incident（2024年7月のFalconセンサー障害）の影響からの回復を超え、成長が明確に加速しています。Falcon Flex（モジュール横断型の柔軟なサブスクリプション）のARRがYoY+101%と倍増し、プラットフォーム戦略の浸透が顕著です。6モジュール以上の採用率が51%に到達した点も、顧客あたりの収益拡大を裏付けています。 収益性の面では、Non-GAAP営業利益が$371.6M（営業利益率25%）と前年同期の$255.0Mから大幅に改善。営業キャッシュフローも$530.3M（YoY+59%）と過去最高を記録し、高成長と収益性の両立が実現されています。 通年ガイダンスの上方修正も重要です。売上高を$5.99B-$6.01B、Non-GAAP EPSを$1.25-$1.26とし、いずれもコンセンサスを上回りました。純新規ARR成長見通しの630bps引き上げは、Q3パイプラインの強さに対する経営陣の自信を示しています。 一方、GAAP営業損失が依然として$33.2M存在し、SBC（株式報酬費用）が$399Mと売上高の27%を占める点は構造的な課題です。PEG比率90.61倍、Piotroskiスコア3と、バリュエーション面での割高感と財務健全性指標の低さには留意が必要です。 AIセキュリティ市場の拡大を背景に、Cerebras Systemsとの協業やXM Cyber技術資産の取得など、戦略的な事業拡張も着実に進行しています。サイバーセキュリティ領域におけるプラットフォーム・コンソリデーションの恩恵を最も受ける企業の一つとして、成長の持続性が注目されます。 評価は🚀ポヨ」 🏢 CrowdStrike Holdings, Inc. 概要 - セクター: テクノロジー - 特徴: クラウドネイティブのサイバーセキュリティプラットフォーム「Falcon」を提供し、エンドポイント・クラウド・アイデンティティ保護を統合的に展開するサイバーセキュリティリーダー 🤘情報提供 Stock Slayer :

Agentを扱ううえで、「違う。そうじゃない」と修正を繰り返す方法は、あまり効果的ではないと感じている。 否定や追加指示を重ねるほど、コンテキストには失敗した経路や場当たり的な制約が蓄積していく。一方で、何を基準に正しいと判断するのかは、必ずしも明確にならない。結果として、Agentは目的そのものではなく、直近の修正指示に過適合しやすくなる。 だから、「違う。そうじゃない」と伝える前に、まず取り得る候補を列挙させるべきだと思う。 そのうえで、各候補についてPoCの計画を立て、評価基準とテストゲートを設ける。小さく検証し、結果を比較しながら、最も有望な案を選ぶ。そして、十分に見込みのある方向性が確認できてから、本格的な実装へ進む。 このプロセスを踏まなければ、「違う。そうじゃない」という状態は根本的には解消されない。 Agentのうまい扱い方とは、誤った出力を何度も修正することではない。最初から候補、評価基準、検証方法を設計し、「そうそう、その通り」と言える方向へ進みやすい道筋を整えることだ。 試行錯誤そのものが不要なのではない。重要なのは、試行錯誤を会話上の押し問答として行うのではなく、管理された仮説検証として行うことである。 最近は、Agent Engineeringの本質は、指示を細かく書くことではなく、探索と検証のプロセスを設計することにあると考えている。

【Agent i 責任者が考える、AIパートナーとの「自分らしい、ご機嫌な距離」】 レシピの「塩少々」ってどれくらい？ そんな日常の小さな困りごとに、一人ひとりの状況に合わせて寄り添うAIを目指す、AIエージェント「#Agent_i」。# 開発を率いる葭沢の思い、描く未来とは？