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？

Agent Platform 経由でなかなか Gemini 3 系が使えるようにならないなと思っていたけど、グローバルエンドポイント導入により、Gemini 3系以降は 個別リージョンにデプロイされず、 Global 指定しないと使えないのね。

【Agent A｜Ahrefsデータで動くAIマーケティングエージェント】 世界最高クラスのマーケティングデータにアクセスし、自分専用のアプリやダッシュボードを構築・実行。あなたのマーケティングチーム加わる最高なAIエージェント。今すぐはじめよう。

【Agent A｜Ahrefsデータで動くAIマーケティングエージェント】 世界最高クラスのマーケティングデータに無制限にアクセスし、実際にあなたの代わりにマーケティングを実行できるAIエージェントです。今すぐ始めよう。

# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェントの「お財布事情」を可視化しましょう。トークン使用量の追跡で、テナント別課金もステップ別モニタリングも実現できます。 Usage API を使えば、実行全体のトークン消費量から、ツール呼び出し・ハンドオフごとの内訳まで、きめ細かくコストを把握できます。 📌 タイトル：Usage 🔗 URL： 🧩 概要 OpenAI Agent SDK の Usage 機能は、エージェント実行のトークン消費を追跡するための仕組みです。`result.context_wrapper.usage` で実行全体の合計トークン数を取得でき、`result.context_wrapper.usage.request_usage_entries` でステップごと（ツール呼び出し・ハンドオフ・ガードレール）の内訳を確認できます。さらに RunHooks の `on_agent_end` でリアルタイムにログを記録したり、サードパーティモデル使用時に `ModelSettings(include_usage=True)` で使用量レポートを有効化したりできます。 🛠 使い方 `Agent(name="Assistant", instructions="ユーザーの質問に回答してください。")` でエージェントを作り、`result = await "量子コンピュータについて教えてください")` を実行します。` で合計・入力・出力トークン数を取得できます。`result.context_wrapper.usage.request_usage_entries` をループすれば、各リクエストの `entry.input_tokens` と `entry.output_tokens` でステップごとの内訳も確認できます。 🏗 実践的な使い方 **テナント/ユーザー別コスト計算** SaaS で「テナントごとにいくら使ったか」を記録し、課金や予算管理に活用するパターンです。 `handle_request(tenant_id, user_id, message)` のような関数で `result = await message)` を実行し、`calculate_cost(model="gpt-4.1", input_tokens=result.context_wrapper.usage.input_tokens, output_tokens=result.context_wrapper.usage.output_tokens)` でコストを算出、`await billing_db.record(tenant_id=tenant_id, user_id=user_id, total_tokens= cost_usd=cost, timestamp= でテナント別に記録します。 **ステップ別モニタリング** `request_usage_entries` で、どのツール呼び出しやハンドオフがトークンを消費しているかを特定します。 `result = await "売上レポートを作成して")` の後、`result.context_wrapper.usage.request_usage_entries` を `enumerate` でループし、各ステップの `entry.input_tokens` と `entry.output_tokens` を確認します。`entry.input_tokens > 5000` のような閾値で警告を出せば、トークン消費の多いステップを特定できます。 **RunHooks でリアルタイムログ** `on_agent_end` フックでエージェント終了時に使用量をログに記録します。 `RunHooks` を継承した `UsageLoggingHooks` クラスを作り、`on_agent_end(self, context: RunContextWrapper, agent: Agent, output)` メソッドで `context.usage` からトークン使用量を取得し、`"agent_completed", agent_name= total_tokens= ...)` で構造化ログに記録します。`await "質問", hooks=UsageLoggingHooks())` のように `hooks` パラメータで渡します。 **サードパーティモデルでの使用量レポート有効化** OpenAI 以外のモデルアダプタを使う場合、明示的に使用量レポートを有効にする必要があります。 サードパーティモデルでは `Agent(name="ThirdPartyAgent", instructions="...", model=my_custom_model_adapter, model_settings=ModelSettings(include_usage=True))` のように `ModelSettings(include_usage=True)` を明示的に設定して、使用量レポートを有効化します。 💡 ユースケース 💰 テナント別・ユーザー別のトークン消費をDBに記録し、従量課金の基盤を構築 📊 request_usage_entries でステップ別のトークン消費を可視化し、コスト最適化のボトルネックを特定 🔔 RunHooks の on_agent_end で使用量を構造化ログに記録し、リアルタイムでダッシュボード監視 🔌 サードパーティモデル利用時に ModelSettings(include_usage=True) で使用量追跡を漏れなく有効化 ⚠️ 注意点 - ` はリトライやガードレール再実行分も含まれるため、表示上のステップ数より多くなる場合があります。 - サードパーティモデルでは `include_usage=True` を設定しないと使用量がゼロで返ることがあります。アダプタのドキュメントを確認してください。 - コスト計算はモデルの料金体系に依存します。モデルごとの入力/出力トークン単価を正確に反映させましょう。 ✨ トークン使用量を3つのレベル（合計・ステップ別・フック）で追跡すれば、コスト管理も品質監視も万全です。まずは result.context_wrapper.usage から始めて、必要に応じてステップ別やフックでの追跡を追加していきましょう！ #OpenAIAgentSDK# #AIAgent#

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 エージェントの会話履歴に機密情報が含まれているのに、平文で保存していませんか？ EncryptedSessionを使えば、会話データをFernet暗号化で保護し、TTLによる自動失効も設定できます。 📌 タイトル：暗号化セッション (EncryptedSession) 🔗 URL： 🧩 概要 `EncryptedSession` は、任意のセッションバックエンドを `underlying_session` としてラップし会話データを暗号化するドロップインラッパーです。Fernet暗号化を採用し、HKDF（info 文字列 `"agents.session-store.hkdf.v1"`、salt は session_id）によるセッションごとの鍵導出でセッション間の暗号分離を実現します。`ttl`（既定 600 秒）を超えた項目は取得時に自動的にスキップされます。マスターキーには `Fernet.generate_key()` などの高エントロピーな値を使います（生の文字列も互換性のため受け付けますが、パスワードのような低エントロピーの秘密は不適切です）。 🛠 使い方 ```python import os from cryptography.fernet import Fernet from agents import SQLiteSession from agents.extensions.memory import EncryptedSession # 基底セッションを暗号化でラップ base_session = SQLiteSession("chat-001", "sessions.db") # マスターキーは Fernet.generate_key() などの高エントロピーな値を使う encryption_key = Fernet.generate_key().decode("ascii") encrypted = EncryptedSession( session_id="chat-001", underlying_session=base_session, encryption_key=encryption_key, ttl=3600, # 1時間で失効（既定は 600 秒） ) # 永続化する場合は同じキーを Secret Manager 等から読み込んで再利用する encrypted = EncryptedSession( session_id="chat-001", underlying_session=base_session, encryption_key=os.environ["SESSION_ENCRYPTION_KEY"], ttl=7200, ) # 通常のセッションと同じインターフェースで利用可能 items = await encrypted.get_items() ``` 🏗 本番システムへの組み込み方 ・医療・金融など規制業界のコンプライアンス要件に対応する ・HKDFによりセッションごとに異なる暗号鍵が導出されるため、1セッションの漏洩が他に波及しない ・TTLを設定して、一定期間後に復号不能にする「暗号学的データ消去」を実現する ・既存のSQLiteSession / RedisSession等をそのままラップでき、移行コストが極めて低い 💡 ユースケース 🏥 医療情報を含む会話の暗号化保存 🏦 金融データを扱うエージェントのセキュリティ強化 🔐 GDPRの「忘れられる権利」対応（TTL失効） 🛡 マルチテナント環境でのセッション間データ分離 ⚠️ 注意点 利用には `pip install 'openai-agents[encrypt]'` で `encrypt` extra をインストールしてください。暗号化されたデータに対しては `find_turns_by_content()` などの内容検索が機能しません。検索が必要な場合は検索用のインデックスを別途管理する必要があります。また、暗号鍵を紛失するとデータが復元不能になるため、鍵の安全な管理（Secret Manager等）が必須です。`encryption_key` を変更しても既存レコードは再暗号化されないため、古いデータの復号には元のキーが必要です。 ✨ EncryptedSessionで、会話データの保護をコード1行で実現しましょう。 #OpenAIAgentSDK# #AIAgent#

# 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コスト、ちゃんと把握できていますか？詳細なトラッキングで可視化しましょう！ Claude Agent SDKは、クエリごとにトークン使用量とコストの詳細な内訳を提供します。 📌 タイトル：詳細なコスト・使用量トラッキング 🔗 URL： 🧩 概要 `ResultMessage` には `total_cost_usd`（推定コスト）、`usage`（トークン内訳）、`num_turns`（ターン数）が含まれており、成功・エラーを問わずすべての結果で取得可能です。さらに `model_usage`（Python）/ `modelUsage`（TypeScript）を使えば、モデルごとのコスト・トークン内訳も確認できます。並列ツール実行時は同一メッセージIDで重複するため、IDベースの重複排除が正確なカウントに必要です。 🛠 使い方 ```python # Python - クエリの総コストを取得 from claude_agent_sdk import query, ResultMessage async for message in query(prompt="プロジェクトを要約してください"): if isinstance(message, ResultMessage): print(f"総コスト: ${ or 0}") # モデルごとの内訳 if message.model_usage: for model, usage in message.model_usage.items(): print(f" {model}: ${usage['costUSD']:.4f}") print(f" 入力トークン: {usage['inputTokens']}") print(f" キャッシュ読取: {usage['cacheReadInputTokens']}") ``` ```typescript // TypeScript - 複数クエリのコストを累積 import { query } from "@anthropic-ai/claude-agent-sdk"; let totalSpend = 0; for (const prompt of prompts) { for await (const message of query({ prompt })) { if (message.type === "result") { totalSpend += // モデルごとの内訳 for (const [model, usage] of Object.entries(message.modelUsage)) { console.log(`${model}: $${usage.costUSD.toFixed(4)}`); } } } } console.log(`合計: $${totalSpend.toFixed(4)}`); ``` 🏗 本番システムへの組み込み方 ・`total_cost_usd` を監視システムに送信して、コスト傾向をリアルタイムで可視化します ・`model_usage` でモデル別コストを分析し、サブエージェントのコスト配分を最適化します ・`resume` で同一セッションを再開した呼び出しの結果には、そのセッションの過去の利用分も含まれます（Claude Code v2.1.277 以降）。この場合は最新の結果を読み、合算すると二重計上になります。セッションを共有しない独立した呼び出しはアプリケーション側で合算ロジックを実装します ・エラー時もコストは発生するため、失敗した `ResultMessage` からも必ずコストを記録します 💡 ユースケース 💰 マルチテナント環境でユーザーごとの利用コストをレポートする 📊 モデル別のコスト内訳を分析して、最適なモデル構成を見つける 🔍 キャッシュトークン（`cache_read_input_tokens`）の割合を監視して、プロンプトキャッシュの効果を測定する ⚠️ 注意点 ・`total_cost_usd` はクライアント側の概算値であり、実際の請求額とは異なる場合があります。正確な請求情報は Usage and Cost API を利用してください ・並列ツール呼び出し時は同一IDのメッセージが重複するため、IDで重複排除しないとトークン数が膨らみます ・`ENABLE_PROMPT_CACHING_1H` を設定すると1時間TTLのキャッシュが有効になりますが、書き込みコストが高くなります ✨ コストの可視化なくしてコスト最適化なし。まずはトラッキングを組み込んで、エージェントの「お財布事情」を把握しましょう！ #ClaudeAgentSDK# #AIAgent#