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。

# Claude Agent SDKの便利で実践的な使い方 📊 OpenTelemetry でエージェントの全動作を Datadog / Grafana / Langfuse に一元可視化できます。 OpenTelemetry を使用した可観測性は、エージェントのトレース・メトリクス・ログを OTLP で外部監視ツールにエクスポートする機能です。 📌 タイトル：OpenTelemetry を使用した可観測性 🔗 URL： 🧩 概要 `CLAUDE_CODE_ENABLE_TELEMETRY=1` でトレース・メトリクス・ログを有効化し、OTLP プロトコルで Honeycomb / Datadog / Grafana / Langfuse 等にエクスポートします。W3C トレースコンテキストの自動伝播でアプリのトレースと統合できます。 🛠 使い方 ```bash export CLAUDE_CODE_ENABLE_TELEMETRY=1 export CLAUDE_CODE_ENHANCED_TELEMETRY_BETA=1 # 詳細スパン export OTEL_EXPORTER_OTLP_ENDPOINT=https://your-collector:4318 ``` 🏗 実践的な使い方 ・「どのツールを呼び、何秒かかり、トークンをいくつ使い、どこで失敗したか」を Datadog で一元監視します。 ・`CLAUDE_CODE_ENHANCED_TELEMETRY_BETA=1` で `claude_code.interaction` / `llm_request` / `tool` / `hook` のスパンを取得し、サブエージェントの委譲チェーン全体を1トレースで可視化します。 ・`OTEL_RESOURCE_ATTRIBUTES` に ` / ` を注入し、ユーザー毎の監査証跡を構築して SIEM へ転送します。 💡 ユースケース 🔍 エージェント実行の詳細トレース分析 👥 ユーザー毎の監査証跡 🚨 障害発生時のボトルネック特定 ⚠️ 注意点 `console` エクスポーターは SDK のメッセージチャネルと衝突するため使用できません。短命プロセスでは `OTEL_*_EXPORT_INTERVAL` を短縮してフラッシュ漏れを防いでください。 #ClaudeAgentSDK# #AI#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェント間の引き継ぎで、理由やメタデータも一緒に渡したいことはありませんか？ Handoff inputsとon_handoffを使えば、構造化されたデータとともにスムーズな引き継ぎが実現できます。 📌 タイトル：Handoffs – Handoff inputs 🔗 URL： 🧩 概要 Handoff inputsは、handoff時にモデルが生成する構造化データを引き継ぎ先エージェントに渡す仕組みです。`on_handoff`コールバックと組み合わせることで、引き継ぎ理由のログ記録、メタデータの事前取得、引き継ぎ先エージェントへのコンテキスト注入が可能になります。 🛠 使い方 Pydanticモデル `EscalationData(BaseModel)` で `reason: str`, `priority: str = "normal"`, `customer_tier: str = "standard"` を定義し、handoff時の構造化データとします。`on_escalation(ctx: RunContext, input_data: EscalationData)` コールバックでは、`input_data.reason` や `input_data.priority` をログ出力し、`ctx.context["customer_id"]` から顧客データを事前取得して `ctx.context["customer_data"]` に格納します。エスカレーション先の `Agent(name="escalation", instructions="...")` と、トリアージ用の `Agent(name="triage", handoffs=[Handoff(agent=escalation_agent, input_type=EscalationData, on_handoff=on_escalation, handoff_description="複雑な問い合わせや緊急対応が必要な場合")])` を定義します。`await input="二重請求されました。すぐに対応してほしいです。", context={"customer_id": "C-12345"})` で実行します。 🏗 実践的な使い方 **エスカレーション理由の構造化** `EscalationData(reason, priority)`のようにPydanticモデルで引き継ぎ理由を型安全に定義できます。モデルが自由文で理由を生成するのではなく、構造化されたデータとして受け取れるため、後続処理やログ分析が容易になります。 **on_handoffでのデータ事前取得** `on_handoff`コールバック内で、引き継ぎ先エージェントが必要とするデータをDBやAPIから事前に取得できます。これにより、引き継ぎ先エージェントが改めてデータ取得ツールを呼ぶ必要がなくなり、レイテンシを削減できます。 **メタデータの伝達** 返金エージェントに`{"reason": "duplicate_charge", "priority": "high"}`を渡すことで、返金ポリシーの判断に必要な情報を構造化された形で引き継げます。自由文の会話履歴からモデルが推測するよりも正確です。 **監査ログの記録** `on_handoff`内で引き継ぎの理由・タイミング・優先度を監査ログに記録できます。カスタマーサポートのSLA管理や、エスカレーション傾向の分析に活用できます。 💡 ユースケース 🔄 カスタマーサポートのエスカレーション（理由と優先度を構造化して引き継ぎ） 💳 返金処理への引き継ぎ（二重請求/商品不良/キャンセルなどの理由を明示） 📊 引き継ぎ理由の集計・分析（on_handoffでログ記録→ダッシュボード化） ⚡ 引き継ぎ先エージェントのレイテンシ削減（on_handoffでデータプリフェッチ） ⚠️ 注意点 - `input_type`に指定したPydanticモデルのフィールドが多すぎると、モデルが正確にデータを生成できなくなります。必須フィールドは最小限にし、オプショナルフィールドにはデフォルト値を設定してください。 - `on_handoff`内で例外が発生するとhandoff全体が失敗します。外部API呼び出しにはtry-exceptを入れ、フォールバック処理を用意してください。 - `on_handoff`は同期的に実行されます。重い処理を入れるとhandoffのレイテンシが増加するため、必要最小限の処理に留めてください。 - `input_type`を指定しない場合、`on_handoff`のコールバックは`input_data`引数を受け取りません。 ✨ Handoff inputsで構造化されたコンテキストを引き継ぎ、エージェント間の連携をスムーズにしましょう！ #OpenAIAgentSDK# #AIAgent#

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 エージェントが「人間の承認待ち」で止まったとき、その状態を保存して後から再開できることをご存知ですか？ `to_state()` と interruptions を使えば、承認フローを含むエージェント実行を中断・再開できます。 📌 タイトル：to_state() と interruptions による中断/再開 🔗 URL： 🧩 概要 ツールが人間の承認を必要とする場合、`result.interruptions` に保留中の承認リクエストが格納されます。` で現在の実行状態を `RunState` としてスナップショット化し、`state.approve()` / `state.reject()` で各中断を処理した後、` state)` で実行を再開できます。直接ツール・ネストされたハンドオフ・` のいずれから発生した中断にも対応します。 🛠 使い方 ```python from agents import Agent, Runner agent = Agent(name="Assistant", instructions="Use tools when needed.") result = await "Delete temp files...") # 中断があるか確認 if result.interruptions: # 実行状態をスナップショット化 state = # 各中断を承認または拒否 for interruption in result.interruptions: state.approve(interruption) # state.reject(interruption) # 拒否する場合 # 承認済みの状態で再開 result = await state) ``` 🏗 本番システムへの組み込み方 ・`RunState` をシリアライズして DB に保存すれば、非同期の承認ワークフローを実現できる ・Slack ボタンや管理画面と連携し、人間の承認後に `approve()` → ` で再開する ・ストリーミング実行時は `stream_events()` を最後まで消費してから interruptions にアクセスする ・複数の中断を個別に承認/拒否でき、きめ細かいアクセス制御が可能 💡 ユースケース 🔐 ファイル削除やデータ変更など破壊的操作の事前承認 💳 決済処理前の人間によるダブルチェック 📋 ワークフローの段階的承認（上長エスカレーション） 🔄 長時間処理の途中保存と後日再開 ⚠️ 注意点 ストリーミング実行の場合、`stream_events()` を完全に消費する前に interruptions へアクセスすると正しい結果が得られません。また、`RunState` は実行時のエージェント構成と紐づいているため、エージェントの定義を変更した後に古い state で再開すると予期しない動作になる可能性があります。 ✨ to_state() で、人間の判断を挟む安全なエージェントワークフローを構築しましょう。 #OpenAIAgentSDK# #AIAgent#