ありがたいことに、8月は以下の勉強会・イベントで登壇させていただきます。 8/11（火）MLOps/LLMOps/AgentOps勉強会 8/31（月）BPStudy#228〜LLM・AIエージェントシステムベストプラクティス# どちらも8/20発売の『LLM・AIエージェントシステムベストプラクティス』についてお話します。 よろしくお願いします。

💡 Salesforce, Inc. $CRM Q2 FY2027決算 2026-08-26 💰 今四半期業績 - 🟢 EPS：$5.90 (予想$3.27) - 🟢 売上高：$11.35B (予想$11.33B) 📊 重要指標 - 🟢 cRPO（現在残存履行義務）：$33.5B (YoY+14% CC) - 🟢 Agentforce & Data 360 ARR：約$3.9B (YoY+210%超) - 🟢 Non-GAAP営業利益率：34.1% - 🟢 営業キャッシュフロー：$1.3B (YoY+71%) - 🟢 フリーキャッシュフロー：$1.1B (YoY+81%) - 🟢 サブスクリプション&サポート売上高：$10.8B (YoY+12%) - 🟢 RPO（残存履行義務合計）：$66.3B (YoY+11%) 📊 次四半期ガイダンス - 🟢 EPS：$3.43 (予想$3.37) - 🟢 売上高：$11.46B (予想$11.41B) 📊 通年ガイダンス - 🟢 EPS：$16.69 (予想$14.16) - 🟢 売上高：$46.25B (予想$46.11B) 📍決算内容の注目ポイント - Agentforce ARRが$1.5Bを超え、YoY+240%超の急成長。Agentic Work Units（AWU）は累計70億件に到達し、Q2単独で32億件（QoQ+97%）を処理 - Anthropicとの戦略的パートナーシップを拡大し、「Claudeforce」を発表。Salesforceが他社製品に「force」サフィックスを付与するのは初の事例 - Anthropic株式の評価益を含む戦略投資で$2.6Bの利益を計上し、GAAP EPSが前年同期比+119%の$4.29に急伸 - FY27通年売上高ガイダンスを$200M引き上げ（CC基準で$300M引き上げ）。うち$100Mがオーガニック成長、$200MがContentfulおよびFinの買収寄与 - $25BのASR（加速型自社株買い）の最終決済を2026年10月に予定。Q2では$364Mの配当を実施 🤵‍♂️CEO (Marc Benioff) コメント 「過去最高の四半期の一つを達成し、すべての主要指標で予想を上回りました。AIはプラットフォームの全レイヤーで価値を提供しており、AIおよびデータ製品への需要は驚異的で、ARRは間もなく$4Bを突破します。AIforce（当社の信頼性の高いエンタープライズハーネス）を通じて、Salesforce内のデータ、ワークフロー、ビジネスロジック、アクション、ガバナンスを解放し、あらゆるエージェント、モデル、インターフェースに提供しています。これが、前例のない規模でAIを顧客の成功に変換する方法です。」 🤵‍♂️CFO (Robin Washington) コメント 「AIがプラットフォームのパワー、リーチ、価値を増幅しています。NNAOV（純新規年間受注額）の成長率は過去4年間で最も強く、下半期のオーガニック売上再加速に向けて順調に推移しています。」 🔍 主要ファンダメンタルズ指標 - 時価総額: 168.55B - PER: 23.74 - Forward PER: 14.54 - PEG: 0.70 🎯市場評価 - 株価 (発表前): 📈$205.8 (0.05%) - 株価 (発表後): 📈$229.52 (11.53%) - 決算前アナリスト目標株価: $269.5 ($325 ~ $215) B+ - 決算総合サプライズ率 (AI推定): 🤩28.52% - 決算後目標株価 (AI推定): $246.91 🤖 決算まとめるくん(AI)コメント 「Salesforceの FY27 Q2決算は、主要指標が全面的に予想を上回る極めて強い内容でした。 Non-GAAP EPSは$5.90と予想の$3.27を大幅に超過しましたが、この乖離の大部分はAnthropic株式を含む戦略投資の$2.6B評価益に起因しており、営業ベースの実力を過大評価すべきではありません。一方、この評価益を除いても営業利益率34.1%を維持し、売上高も$11.35Bと予想を小幅に上回っています。 とりわけ注目すべきはAI関連事業の急成長です。Agentforce & Data 360のARRが約$3.9B（YoY+210%超）に到達し、Agentforce単体でも$1.5B超（YoY+240%超）と、AI収益化が本格化しています。AWUが四半期で32億件（QoQ+97%）処理されたことは、実際の利用拡大を裏付けています。 cRPOが14%成長（CC基準）に加速した点は、将来の売上パイプラインの健全性を示しています。Informatica買収による$456Mの売上寄与を含め、M&A戦略も着実に実行されています。 ガイダンスでは、FY27通年売上高を$200M引き上げ、Non-GAAP EPSガイダンスも$16.67〜$16.71と従来の$14.06〜$14.12から大幅に引き上げました。ただし、EPS引き上げの大部分は戦略投資益の反映であり、営業利益率ガイダンスは34.3%で据え置きです。 Anthropicとの「Claudeforce」発表は、エンタープライズAI市場における差別化戦略として注目に値します。$25BのASR最終決済が10月に予定されており、株主還元も継続しています。 Altman Zスコア2.36はInformatica買収に伴う債務増加を反映しており、財務健全性の観点では注視が必要です。総合的に、AI収益化の加速と堅調な売上成長が確認された好決算であり、決算後の株価上昇は市場の評価と整合的です。 評価は📈ポヨ」 🏢 Salesforce, Inc. 概要 - セクター: 情報技術 - 特徴: 世界最大のCRM（顧客関係管理）プラットフォームプロバイダー。エンタープライズ向けクラウドソフトウェアおよびAIソリューションを提供 🤘情報提供 Stock Slayer :

# ADKの便利で実践的な使い方 ⚡ Python関数をそのままツールに、エージェントもツールに、そして長時間タスクもノンブロッキングで実行 — ADKのFunction Toolsは、ツール定義の柔軟性を極限まで高めます。 📌 タイトル：Function Tools — 関数・エージェント・非同期タスクをツール化 🔗 URL： 🧩 概要 ADKのFunction Toolsでは、Python/TypeScriptの関数をそのままエージェントのツールとして利用できます。さらに、AgentToolを使えばエージェント自体をツールとして別のエージェントに提供できます。Long Running Function Toolsは、動画エンコードやバッチ処理のような長時間タスクをブロッキングせずに実行するための仕組みです。 🛠 使い方 基本的な関数ツールの定義とAgentToolの活用例です。 `google.adk`から`Agent`と`AgentTool`をインポートします。シンプルな関数ツールとして`calculate_price`を定義し、`base_price`（float）、`quantity`（int）、`discount_percent`（float、デフォルト0）を受け取り、合計金額を計算してdictで返します。 エージェントのツール化には`AgentTool`を使います。まず`analysis_agent`を`name="data_analyst"`、`tools=[query_database]`で定義し、次に`main_agent`の`tools`リストに`calculate_price`関数と`AgentTool(agent=analysis_agent)`を含めます。これにより、メインエージェントは価格計算関数とデータ分析エージェントの両方をツールとして呼び出せます。 Long Running Function Toolsの使い方です。 `google.adk`から`LongRunningFunctionTool`をインポートします。非同期関数`encode_video`は`video_url`（str）と`format`（str、デフォルト"mp4"）を受け取り、`start_encoding_job`でエンコードジョブを開始してジョブIDを返します。この関数を`LongRunningFunctionTool(func=encode_video)`でラップして`video_tool`を作成し、`Agent`の`tools=[video_tool]`に渡すことで、エージェントがブロッキングなしで長時間処理を実行できます。 🏗 実践的な使い方 **AgentToolによるモジュール化**: 複雑な処理を専門エージェントとしてカプセル化し、AgentToolで公開することで、メインエージェントのinstructionをシンプルに保てます。専門エージェントは独自のツールやプロンプトを持てるため、関心の分離が実現します。 `summarizer`（3行要約）と`translator`（英語翻訳）をそれぞれ`Agent`で定義し、メインの`content_manager`エージェントの`tools`リストに`AgentTool(agent=summarizer)`と`AgentTool(agent=translator)`として登録します。これにより、メインエージェントは要約と翻訳の専門エージェントをツールとして呼び出し、コンテンツ管理の依頼を処理できます。 **Long Running Toolsの活用場面**: バッチ処理、外部APIのポーリング待ち、ファイル変換など、完了まで数秒〜数分かかる処理に最適です。エージェントはジョブIDを受け取り、他のタスクを並行して進められます。 **型アノテーションの重要性**: 関数のパラメータ型と戻り値型を明確に定義することで、LLMが正確にツールを呼び出せます。docstringもツールの説明として使われるため、簡潔で明確に書きましょう。 💡 ユースケース 🧮 計算・変換関数のツール化（価格計算、単位変換） 🤖 専門エージェントのAgentTool化による再利用 🎬 動画エンコード・画像処理の非同期実行 📊 バッチデータ処理のノンブロッキング実行 ⚠️ 注意点 - 関数のdocstringがツールの説明になるため、LLMが理解しやすい説明を書いてください。docstringがないとツールの用途が不明確になります。 - AgentToolで呼び出されたエージェントは、親エージェントのコンテキストとは別のセッションで動作します。状態の共有には注意が必要です。 - Long Running Function Toolsは完了通知の仕組みを別途実装する必要があります。ポーリングや Webhook での通知を検討してください。 ✨ Function Toolsを使えば、既存のコード資産をそのままエージェントに統合でき、AgentToolでエージェントの再利用も自在。開発効率を大幅に向上させましょう！ #ADK# #AIAgent#

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 ネストしたエージェントツールの実行中、進捗をリアルタイムにストリーミングしたいと思いませんか？ `on_stream` コールバックを使えば、子エージェントの実行イベントを親側でリアルタイムに受け取れます。 📌 タイトル：ネストしたエージェント実行のストリーミング 🔗 URL： 🧩 概要 エージェントを `as_tool()` でツール化する際、`on_stream` パラメータにコールバック関数を設定できます。このコールバックは `AgentToolStreamEvent` を受け取り、子エージェントの実行中に発生するイベント（`raw_response_event`、`run_item_stream_event` など）をリアルタイムで処理できます。イベントの種類は通常のストリーミングと同じ形式なので、既存のストリーミングハンドラを再利用できます。 🛠 使い方 ```python from agents import Agent, Runner research_agent = Agent( name="researcher", instructions="トピックについて詳細に調査してください", ) # ストリーミングコールバック async def handle_stream(event): # raw_response_event: モデルのレスポンス # run_item_stream_event: ツール呼び出し等 if hasattr(event, 'data'): print(f"[研究中] {") parent = Agent( name="coordinator", tools=[ research_agent.as_tool( tool_name="research", tool_description="トピックを調査する", on_stream=handle_stream, ), ], ) # ストリーミング実行 async for event in "AIの最新動向を調査して"): print(event) ``` 🏗 本番システムへの組み込み方 ・子エージェントの処理進捗をUIにリアルタイム表示し、ユーザーに待機感を与えない ・`raw_response_event` で生成テキストを逐次表示する ・`run_item_stream_event` でツール実行状況をログに記録する ・既存のストリーミングUIコンポーネントをそのまま再利用できる 💡 ユースケース 🖥 マルチエージェントの処理進捗をリアルタイムUI表示 📝 子エージェントの応答をタイプライター風に逐次表示 🔍 調査エージェントの検索・分析プロセスの可視化 📊 長時間処理の途中経過をユーザーにフィードバック ⚠️ 注意点 `on_stream` コールバックは子エージェントの実行スレッド内で呼ばれるため、重い処理を行うとエージェント全体のパフォーマンスに影響します。イベントハンドラは軽量に保ち、必要に応じて非同期キューに渡すなどの工夫をしてください。また、すべてのイベント型に対応できるよう、未知のイベントを無視するガード処理を入れておくと安全です。 ✨ ストリーミングで、マルチエージェントの「中身が見える」体験をユーザーに届けましょう。 #OpenAIAgentSDK# #AIAgent#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェントの内部で何が起きているか、可視化できていますか？ライフサイクルフックを使えば、ロギング・監査・パフォーマンス最適化をエージェントの動作に透過的に組み込めます。 RunHooks と AgentHooks で、エージェントの開始/終了、LLM 呼び出し、ツール実行、ハンドオフの各イベントにカスタムロジックを差し込めます。 📌 タイトル：Agents -- Lifecycle events (hooks) 🔗 URL： 🧩 概要 OpenAI Agent SDK には、エージェントのライフサイクルの各段階でカスタムコードを実行するためのフック機構があります。`RunHooks` はワークフロー全体に適用され、`AgentHooks` は特定のエージェントに適用されます。利用可能なフックには `on_agent_start`/`on_agent_end`、`on_llm_start`/`on_llm_end`、`on_tool_start`/`on_tool_end`、`on_handoff` があります。これらを使って、ロギング、メトリクス収集、監査証跡、データのプリフェッチなどを実装できます。 🛠 使い方 `RunHooks` を継承した `LoggingHooks` クラスを定義し、`async def on_agent_start(self, context, agent)` と `async def on_agent_end(self, context, agent, output)` をオーバーライドしてエージェントの開始・終了時にログを出力します。`Agent` を作成し、` "こんにちは", run_hooks=LoggingHooks())` の `run_hooks` 引数にフックインスタンスを渡して実行します。 🏗 実践的な使い方 **on_llm_end でアウトプットアイテム数ロギング、on_agent_end でトークン使用量ロギング** ワークフロー全体の RunHooks と特定エージェントの AgentHooks を組み合わせて、包括的な監視を実現します。 `RunHooks` を継承した `MetricsRunHooks` クラスでは、`on_agent_end` でワークフロー全体の `total_tokens` や `prompt_tokens` をロギングします。`AgentHooks` を継承した `DetailedAgentHooks` クラスでは、`on_llm_end` で `response.output` のアイテム数を記録します。`Agent` の `hooks=DetailedAgentHooks()` で特定エージェントにフックを適用し、` ..., run_hooks=MetricsRunHooks())` でワークフロー全体のフックも同時に適用して包括的な監視を実現します。 **on_tool_start の ToolContext で監査ログ・分散トレーシング** ツール実行の前後でトレース情報を記録し、問題発生時の調査を容易にします。 `AgentHooks` を継承した `AuditHooks` クラスで、`on_tool_start` では `context.context.trace_id` を取得し、` ` タイムスタンプを構造化ログに記録します。`on_tool_end` では同じ `trace_id` と ` に加え、`result is not None` で成功判定を記録し、分散トレーシングと監査ログを実現します。 **on_handoff でデータプリフェッチによるレイテンシ削減** ハンドオフ先のエージェントが必要とするデータを事前に取得しておくことで、応答速度を改善します。 `RunHooks` を継承した `PrefetchHooks` クラスの `on_handoff` で、` が `"OrderSupportAgent"` の場合に `await db.fetch_orders( と `await db.fetch_payment_methods( を事前取得し、ユーザーコンテキストに格納します。ハンドオフ先が必要なデータを先読みすることでレイテンシを削減します。 💡 ユースケース 📊 on_llm_end で LLM レスポンスのアウトプットアイテム数を記録し、出力品質の監視に活用 💰 on_agent_end でトークン使用量をロギングし、コスト管理ダッシュボードに連携 🔍 on_tool_start/end でツール実行の監査ログと分散トレーシングを自動記録 ⚡ on_handoff でハンドオフ先が必要なデータをプリフェッチし、応答レイテンシを削減 ⚠️ 注意点 - フック内で例外が発生すると、エージェントの実行自体に影響を与える可能性があります。フック内ではtry/exceptで確実にエラーを処理してください。 - フック内で重い処理を行うとエージェント全体のレイテンシが増加します。非同期 I/O やバックグラウンドタスクの活用を検討してください。 - RunHooks と AgentHooks の使い分けを意識しましょう。ワークフロー横断の監視は RunHooks、特定エージェントの詳細監視は AgentHooks が適切です。 ✨ ライフサイクルフックは、エージェントの動作を「ブラックボックス」から「完全可視化」に変えてくれます。本番運用に欠かせない監視・監査・最適化を、エージェントのロジックを汚さずに実現しましょう！ #OpenAIAgentSDK# #AIAgent#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 1つのエージェントで全てをこなすのは無理がありますよね？ Handoffsを使えば、専門エージェントへの引き継ぎを自然に実現できます。 📌 タイトル：Handoffs 🔗 URL： 🧩 概要 Handoffsは、あるエージェントから別のエージェントへ会話の制御を引き渡す仕組みです。トリアージエージェントがユーザーの意図を判断し、適切な専門エージェントに振り分けるパターンを宣言的に構築できます。`handoff_description`でモデルにヒントを与え、`tool_name_override`でビジネスロジックに合った命名ができます。 🛠 使い方 カスタマーサポートのトリアージ例です。`Agent(name="order-status", instructions="注文状況の問い合わせに回答...")`, `Agent(name="refund", instructions="返金リクエストを処理...")`, `Agent(name="faq", instructions="よくある質問に回答...")` の3つの専門エージェントを定義します。トリアージエージェントは `Agent(name="customer-support", handoffs=[...])` として、`Handoff(agent=order_agent, handoff_description="注文状況や配送に関する問い合わせ", tool_name_override="transfer_to_order_team", tool_description_override="...")` のように詳細設定付きのhandoff、`Handoff(agent=refund_agent, handoff_description="返金・返品に関するリクエスト", tool_name_override="transfer_to_refund_team")` のようなシンプルなhandoff、`Handoff(agent=faq_agent)` のような最小構成のhandoffを組み合わせて定義します。`await input="先週注文した商品がまだ届きません")` で実行すると、モデルが適切な専門エージェントに振り分けます。 🏗 実践的な使い方 **カスタマーサポートのトリアージ** フロントのトリアージエージェントが顧客の意図を判定し、注文確認・返金処理・FAQ回答など専門エージェントに振り分けます。各専門エージェントは自分のドメインに集中した指示を持つため、回答品質が向上します。 **handoff_descriptionによるモデルへのヒント** `handoff_description`はモデルがhandoff先を選択する際の判断材料になります。「注文状況や配送に関する問い合わせ」のように具体的に記述することで、誤った振り分けを防げます。曖昧な記述だとモデルが判断に迷い、不適切なhandoffが発生します。 **ビジネスに合った命名（tool_name_override）** デフォルトでは`transfer_to_{agent_name}`というツール名になりますが、`tool_name_override`でビジネスの用語に合わせた名前に変更できます。ログやトレースを確認する際に、技術用語ではなくビジネス用語で表示されるため可読性が向上します。 **段階的な専門化** トリアージ→専門エージェント→さらに細分化した専門エージェントという多段handoffも可能です。返金エージェントから「クレジットカード返金」と「ポイント返還」に分岐させるなど、組織構造をそのままエージェント構造にマッピングできます。 💡 ユースケース 🏢 カスタマーサポート（トリアージ→注文確認/返金/FAQ） 🏥 医療相談（受付→内科/外科/予約管理） 📚 教育プラットフォーム（質問分類→数学/英語/プログラミング担当） 🔧 IT ヘルプデスク（初期対応→ネットワーク/アカウント/ソフトウェア） ⚠️ 注意点 - handoff先のエージェントが多すぎるとモデルの選択精度が低下します。1つのエージェントに5個以上のhandoff先がある場合は、中間のトリアージ層を設けることを検討してください。 - `handoff_description`が曖昧だと誤振り分けが増えます。「何でも対応」のような記述は避け、明確な判断基準を記述してください。 - handoffは一方向です。引き継ぎ先から元のエージェントに戻るには、引き継ぎ先にも元のエージェントへのhandoffを定義する必要があります。 - handoffされると`run_config`のモデル設定は引き継がれません。各エージェントに個別に設定してください。 ✨ Handoffsで専門エージェントのチームを構築し、それぞれが得意分野に集中できる設計にしましょう！ #OpenAIAgentSDK# #AIAgent#