話題のHermes Agent、何がそんなに刺さってるのか整理すると ・タスク経験をMarkdownのスキルとして自己生成 ・セッションをまたいで記憶が残る ・モデルは好きなものに差し替え可能(200以上) ・$5のVPSでも動く、暇なら休眠 ・TelegramやSlackから話せる 自前サーバで育てる相棒、って感じでしょうか。

AIエージェントの「記憶」機能、過去の作業履歴だけを見て学習させると、間違った知識を覚え込んでしまうことがあります。それを防ぐ賢い工夫を紹介します。 タイトル: Grounding Agent Memory: Environment-Probing Curation for Enterprise Agents URL: ❓ 従来のエージェント記憶の何が問題だったの? 💡 完了した作業履歴だけを見て記憶を作ると、1回のたまたまの観察から間違った一般化をしたり、データベースのスキーマが変わった途端に記憶が使えなくなったりしていました。 ❓ この論文はどう解決するの? 💡 記憶を保存する前に、エージェントに読み取り専用で実際の環境を「プロービング（探査）」させ、保存しようとしている知識が本当に正しいかを検証してからコミットする仕組みを提案しています。 ❓ 効果はどれくらいあるの? 💡 データベース探索タスクでは合格率が39%から73%に向上し、報酬は約2.6倍に。しかもツール呼び出し回数は47%減、コストも約50%削減できています。 ❓ 実運用でも使えそう? 💡 モデルの再学習が不要で、タスク実行時のインターフェースも変えずに導入できるため、企業で長期運用するエージェントにそのまま組み込みやすい設計になっています。 #AIエージェント# #エージェントメモリ#

# Hermes Agentの機能と実践的な使い方 🚀 事実を覚えるだけでなく、「この人はどういう人か」を対話から推論し続けるメモリです。使うほど提案が的中する「自分を理解しているエージェント」を実現します。 📌 タイトルと機能のURL タイトル: Honcho Memory URL: 📝 概要 HonchoはAIネイティブなメモリバックエンドで、単純なキー・バリュー保存を超えます。会話のたびに「対話推論（dialectic reasoning）」を行い、ユーザーの好み・コミュニケーションスタイル・目標・行動パターンを自動的に導出して、時間とともに深まるユーザーモデルを構築します。 🔧 機能の説明 ・対話推論は多段解析です。Pass 0で初期評価、Pass 1で自己監査による抜け漏れの特定、Pass 2で矛盾を最終統合へ調整します（深さ1〜3）。 ・新規ユーザーには好みや目標を探るコールドスタート問い合わせ、既存ユーザーには現在の文脈を優先するウォームセッション問い合わせを使い分けます。 ・組み込み記憶が静的な事実の手動管理であるのに対し、Honchoはサーバー側プロファイルで自動推論を行い、結論に対するセマンティック検索やマルチエージェントのピア分離を可能にします。 ・honcho_profile（ピアの識別カード読み書き）、honcho_search（記憶・結論のセマンティック検索）、honcho_context（要約を含むセッション文脈の取得）、honcho_reasoning（指定深さでの統合推論）、honcho_conclude（結論の作成・削除、PII管理に有用）の5ツールが統合されます。 🛠 実践的な使い方 ・`hermes memory setup honcho` でガイド付き設定を行います。設定は `~/.honcho/config.json`（グローバル）または `$HERMES_HOME/honcho.json`（プロファイル単位）に作成されます。 ・主要な設定キーは、`contextCadence`（基本文脈の更新間隔）、`dialecticCadence`（LLM推論の間隔）、`dialecticDepth`（多段の深さ）、`recallMode`（hybrid / context / tools）、`writeFrequency`（async / turn / session）、`apiKey` / `peerName` / `aiPeer` / `workspace` です。 ・既定の hybrid モードでは、基本文脈と対話推論の補足が自動的にシステムプロンプトへ注入され、ツールも併用できます。 ・Honchoを有効化すると `hermes honcho status` などのサブコマンドが利用可能になります。 🎯 ユースケース ・長期アシスタントとして、数ヶ月にわたるユーザーの作業上の好みを追跡する。 ・コーディング用と個人秘書用のアシスタントが同じユーザーに対し独立したモデルを保ち、文脈の混線を防ぐ。 ・繰り返しの話題の再説明を減らし、セッションスコープの注入で提案精度を上げる。 ⚠️ 注意点 ・推論の深さに比例してコストが増えます（深さ2〜3はLLM呼び出しが増えるため、cadence設定で調整します）。 ・新規ピアはバックグラウンドのプリウォームが必要で、間に合わない場合は上限付きの同期フォールバックが働きます。 ・recallModeのtoolsモードはエージェントに制御を委ねますが明示的な推論呼び出しが必要で、contextモードはツールを隠すため柔軟性が下がります。サーバー側に状態を持つため、ファイル記憶からの移行にはデータエクスポートが必要です。 #HermesAgent# #Memory#

# Claude Agent SDKの便利で実践的な使い方 ✅ 危険な操作の前にユーザー承認を求め、6 種類の応答パターンで柔軟に制御できます。 承認とユーザー入力の処理は、`canUseTool` コールバックで危険操作を検知してユーザーに確認を求め、`AskUserQuestion` で要件収集を行う機能です。 📌 タイトル：承認とユーザー入力を処理する 🔗 URL： 🧩 概要 `canUseTool` で各ツール呼び出しをインターセプトし、承認/拒否/代替案提案など 6 パターンの応答が可能です。`AskUserQuestion` ツールでは、Claude がユーザーに複数選択肢の質問を投げて要件を収集できます。 🛠 使い方 `canUseTool` コールバックを定義し、ツール名・引数に基づいて `PermissionResultAllow` / `PermissionResultDeny` を返します。 🏗 実践的な使い方 ・ファイル削除や Bash 実行を検知して y/n を問う対話的承認 UI を構築します。「全 Bash コマンドを `/tmp/sandbox` にスコープ」のように変更を加えて承認することも可能です。 ・「承認して記憶」パターンで `updated_permissions` を使い、`.claude/settings.local.json` に永続化します。 ・`AskUserQuestion` で「モバイルアプリのテックスタック」について選択肢を提示し、`plan` モードと組み合わせて変更前に要件収集する対話ワークフローを実現します。 💡 ユースケース 🛡 危険操作の対話的承認 UI 📋 複数選択肢による要件収集 🔐 承認ルールの永続化による学習 ⚠️ 注意点 サブエージェントでは AskUserQuestion は使用できません。質問は 1〜4 個、選択肢は 2〜4 個の制限があります。Python では `can_use_tool` にストリーミングモードとダミー PreToolUse フックが必要です。 #ClaudeAgentSDK# #AI#

スライド修正で「1枚だけ直したいのに全部作り直されて崩れる」問題、ありますよね。それをメモリの階層化と局所修正で解いた研究です🗂️ タイトル: MemSlides: A Hierarchical Memory Driven Agent Framework for Personalized Slide Generation with Multi-turn Local Revision URL: ❓ 何が新しいの? 💡 スライド生成エージェントに「階層的メモリ」を入れ、恒久的な好み（プロファイル）・セッション単位の作業記憶・再利用可能なツール経験を明確に分離します。さらにデッキ全体を作り直さず、対象スライドだけを直す局所修正を採用しています。 ❓ どうやって局所修正の暴走を防ぐ? 💡 Plan–Act–Guardの3段で進めます。Planで修正を「実行契約」（対象パス・適用ルール・カバレッジ要件）に変換し、Actで共通セレクタのバッチCSSやパッチ操作を使い分け、Guardでコンテンツのハッシュに束縛して全対象が直るまで早期確定をブロックします。 ❓ 一時的な指示が恒久的な好みに化けない? 💡 ジョブ終了時に意図を考慮した統合を行い、安定した信号だけをプロファイルへ書き戻します。「この回だけ」の要求が永続化するのを防ぐ仕組みです。 ❓ 効果は? 💡 ブラインド審査でパーソナライズはDeepPresenter比で全次元改善（Visual +1.66など）。ツール記憶ありだと修正の完了率0.963、初回正答までの時間は609.5→242.5秒で約60%短縮でした。 エージェントのメモリを「種類ごとに役割分担」する設計思想が、多ターン編集タスク全般に効きそうだと感じます。 #AIエージェント# #LLM#

# Cursorの機能と実践的な使い方 📏 「APIは必ずzodで検証」——その方針、毎回プロンプトに書く必要はありません。CursorのRulesがAIに永続的な記憶を与えます。 🏷️ タイトル: 永続指示(Project/Team/AGENTS.md) 🔗 URL: 📘 概要 RulesはCursorのエージェントへ、システムレベルの永続的な指示を与える仕組みです。LLMは補完間で記憶を保持しないため、Rulesがプロンプトレベルで再利用可能な文脈を供給します。プロンプト・スクリプト・ガイダンスを束ね、チーム横断で再利用できます。 ⚙️ 機能の説明 Cursorは複数の種類のRulesをサポートします。 ・Project Rules: `.cursor/rules`配下の`.mdc`ファイル。バージョン管理され、コードベースにスコープされます。 ・User Rules: Cursor設定で定義する全プロジェクト共通の好み。 ・Team Rules: ダッシュボードで管理する組織全体のルール(Team/Enterpriseプラン)。 ・AGENTS.md: プロジェクトルートやサブディレクトリに置くプレーンなMarkalternative。フロントマター不要で、ネスト配置も可能(より具体的な指示が親より優先)。 Project Rulesのフロントマターは挙動を制御します。`alwaysApply: true`で全チャットに適用、`globs`指定+`alwaysApply: false`でマッチ時に自動添付、`description`のみならエージェントが関連時に賢く適用、いずれも無ければ`@`メンション時のみ適用されます。 🛠️ 実践的な使い方 ・globsでファイル種別にスコープします。例:`src/**/*.tsx`、複数指定はカンマ区切り。これで「APIは必ずzodで検証する」を該当ファイル編集時に自動適用できます。 ・ルール生成はチャットで`/create-rule`、または`Cursor Settings > Rules, Commands`の「+ Add Rule」から行います。 ・`.mdc`の例として、フロントマターに `globs: src/api/**/*.ts` と `alwaysApply: false` を書き、本文に「受信ペイロードは必ず zod スキーマで検証」「検証失敗時は 400 と統一エラー形を返す」といった規約を記します。 ・チームでは適用順「Team Rules → Project Rules → User Rules」を踏まえ、Team Rulesで全社的な規約を強制します。 💡 ユースケース 「APIはzod検証」「コミットはConventional Commits」「ログはJSON構造化」といった反復方針をRules化し、globsで該当ファイルだけに自動適用。Gitにチェックインすればチーム全員が同じ規約の恩恵を受けられます。 ⚠️ 注意点 ルールは1ファイル500行以内に保ち、大きければ分割します。スタイルガイドの丸写しは避け(リンターに任せる)、内容の重複より「ファイル参照」を優先します。まれなエッジケースより頻出パターンを狙いましょう。User RulesはAgent(チャット)にのみ効き、Inline Editやその他のAI機能、Cursor Tabには影響しない点に注意してください。 #Cursor# #AIコーディング#

「なぜその判断をしたのか？」にAIエージェントが答えるには、フラットなチャットログではなく“つながった記憶”が必要でした🕸️ それを1コマンドで丸ごと立ち上げるツールの登場です。 タイトル: Introducing Create Context Graph URL: 🕸️ 概要 Create Context Graphは、グラフベースのメモリを備えたフルスタックのAIエージェントアプリを、たった1コマンドで生成するNeo4j LabsのCLIスキャフォールディングツールです。生成されるアプリには、FastAPIバックエンド、Next.jsフロントエンド、AIエージェントフレームワーク、Neo4jグラフデータベースが一式含まれます。 ❓ 解決する課題 AIエージェントは作りやすくなりましたが、関係性や因果を理解するのは依然として苦手です。 ・フラットなチャットログやベクトルストアでは、「なぜその判断をしたのか」「何がこの作業をブロックしているのか」といった構造的な問いに答えられません ・つまり、エージェントには関係を捉える「高度な記憶」が欠けていました 💡 方法論と仕組み ・データを「コンテキストグラフ」（つながったナレッジ構造）に変換し、チャット履歴・ベクトルコンテンツ・推論トレースの3種のメモリを整理します ・エンティティモデルはPOLE+O（Person, Organization, Location, Event, Object）に、ドメイン固有の型を重ねます ・エージェントが判断を下すと、その推論チェーンがDecisionTraceノードとして記録され、紐づくTraceStepで構成されるため、クエリ可能な来歴（provenance）が生まれます ・PydanticAI・LangGraph・Claude Agent SDKなど複数フレームワークに対応し、22の組み込みドメイン、Linear・Claude Code・GitHubのコネクタ、推論経路のリアルタイム可視化、シークレット自動リダクションを備えます 🌍 ユースケース ・課題の依存関係やチームのワークフローを開発者がクエリする ・Claude Codeのセッション履歴から個人の開発分析を行う ・判断・コミット・作業項目を組み合わせたマルチツールの相関分析 判断の来歴をクエリ可能にできるため、エージェントの説明可能性やデバッグ、チーム横断の知識統合に役立ちます。 #GraphRAG# #Neo4j#

# ADK 2.0の便利だけど知られていない機能 🌍 エージェントが「先週の会話の内容」を覚えていてくれたら、もっと自然なやり取りができると思いませんか？ ADK 2.0のメモリ機能は、セッションを超えた長期的な知識をエージェントに提供するための仕組みです。過去の会話や学習した情報を記憶し、必要に応じて呼び出すことができます。 📌 タイトル：メモリ 🔗 URL： 🧩 概要 メモリはStateとは異なり、セッション横断の長期的な知識を管理します。3つのメモリサービス実装が用意されています。InMemoryMemoryServiceは開発・テスト用のインメモリ実装、VertexAiMemoryBankServiceはセマンティック検索ベースの本番向け実装、VertexAiRagMemoryServiceはベクトルベースのRAG実装です。メモリの取得にはPreloadMemory（セッション開始時に自動ロード）とLoadMemory（オンデマンドでロード）の2つのビルトインツールが用意されており、プログラムからはtool_context.search_memory()でアクセスできます。 🛠 使い方 メモリサービスを設定し、エージェントにメモリツールを組み込みます。 ```python from google.adk.memory import InMemoryMemoryService from import PreloadMemory, LoadMemory # 開発用：インメモリ実装 memory_service = InMemoryMemoryService() # エージェントにメモリツールを追加 agent = Agent( name="assistant", tools=[PreloadMemory(), LoadMemory()], ... ) # Runnerにメモリサービスを設定 runner = Runner( agent=agent, memory_service=memory_service, ... ) ``` ツール内からプログラム的にメモリを検索する場合は以下のようにします。 ```python def my_tool(query: str, tool_context: ToolContext) -> str: results = tool_context.search_memory(query="過去の会話") return str(results) ``` 複数のメモリサービスを組み合わせる場合は、カスタムツールを作成して統合できます。 🏗 本番システムへの組み込み方 ・開発時はInMemoryMemoryServiceで素早くプロトタイプし、本番ではVertexAI系に切り替える ・PreloadMemoryで頻繁に必要な情報を自動ロードし、レスポンス品質を向上させる ・メモリに保存するデータの範囲を適切に設計し、不要なデータの蓄積を防ぐ ・カスタムツールで複数のメモリソースを統合し、包括的な知識ベースを構築する 💡 ユースケース 🧠 過去の会話履歴をもとに、ユーザーの好みに合わせた応答を生成 📚 プロジェクトの過去の議論や決定事項を長期記憶として保持 🔍 セマンティック検索で関連する過去のやり取りを自動的に取得 🤝 複数のエージェント間で共有知識ベースとしてメモリを活用 ⚠️ 注意点 InMemoryMemoryServiceはプロセス終了時にデータが失われるため、本番環境では使用しないでください。VertexAI系のサービスはGCPのセットアップが必要です。また、メモリに保存されるデータ量が増えると検索のレイテンシに影響するため、適切なデータ管理戦略を検討してください。 ✨ メモリ機能により、エージェントはセッションを超えた文脈を持つことができます。長期的なユーザー体験の向上に大きく貢献する機能です。 #ADK# #AIAgent#

🏛 要件仕様書を入れると、4+1ビューのアーキテクチャ図から本番品質のドキュメント、ATAM相当の評価レポートまで自動生成。4つの専門エージェントが要件と設計の橋渡しをします。 タイトル: Bridging Requirements and Architecture: Multi-Agent Orchestration with External Knowledge and Hierarchical Memory URL: 📝 概要 MAADは、ソフトウェア要件仕様（SRS）からアーキテクチャ設計までを、役割特化の4エージェントでオーケストレーションするフレームワークです。外部知識（RAG）と3層の階層メモリで、一貫性とトレーサビリティを担保します。 ❓ 解決する課題 アーキテクチャ設計は複雑で知識集約的なため、アーキテクトに大きく依存していました。単一LLMは出力が一貫せず要件カバレッジが不完全で、既存のマルチエージェントもアーキ固有のワークフローや知識統合を欠いていました。 💡 方法論と提案手法 ・Analystが要件（FR/NFR/ASR）を抽出し、Modelerが4+1ビューのUML図へ、Designerが本番品質ドキュメントへ変換します ・EvaluatorがトレーサビリティとATAMベースの分析で各段に品質ゲートを設けます ・ISO/IEC/IEEE 42010などの標準や定番書籍をベクトルDBに埋め込み、クエリごとに上位3件を参照します ・作業記憶・エピソード記憶・意味記憶の3層メモリで、反復的な洗練と知識再利用を支えます 🎯 ユースケース 要件からの素早いアーキテクチャ設計、要件変更に追従する一貫性維持、暗黙知に頼らない知識移転、自動検証によるレビュー負荷削減などに使えます。 📊 実験結果 ・実世界のSRS 10件で、MetaGPTより完全・モジュール性が高く・トレーサブルなアーキテクチャを生成 ・結合度や凝集度など7つのアーキテクチャ指標で評価し、Evaluatorが品質レポートを自動生成 ・評価LLMではGPT-5.2とQwen3.5が多くの設定で他を上回りました ・現役アーキテクト6名が「原則に整合し実開発に適する」と評価しました #SoftwareArchitecture# #AIエージェント#