【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？

Yahoo!ニュースは、「ヤフコメまとめ」で盛り上がっている話題を「Agent i」トップ画面上で探せる新機能を、2026年9月28日から開始しました。「注目の話題」や興味のあるカテゴリから気になる話題を見つけ、コメントの反応や論点を深掘りできます。

📢メッセージ募集中!! ⋱毎週月曜9:30~OA中📻⋰ Blue Ocean AI グッドライフ🤖 supported by Agent i 💬日々のちょっとした困りごと 💬暮らしの疑問 など… メッセージを送ってくれた方の中から抽選で4名様に、QUOカードPay5,000円分をプレゼント🎁 ご応募お待ちしています📮

【社内レストランで出会ったデンマーク料理を、 AIで再現してみた】 写真を見せただけで、隠し味の「しょうゆ」までわかる…？🍳 社内レストランで提供された「フレスケスタイ」を、Agent i のレシピエージェントで再現！ 実際に作って、シェフに見てもらいました🧑🏻‍🍳

# Cursorの機能と実践的な使い方 🤖 「authをJWTに置換して」と一言頼むだけで、検索から複数ファイルの編集、テスト実行まで一気に走る。それがCursorのAgentです。 🏷️ タイトル: 自律エージェント(Cmd+I) 🔗 URL: 📘 概要 AgentはCursorのAIアシスタントで、`Cmd+I`でサイドペインを開いて起動します。指示(プロンプト/ルール)・ツール・モデルの3要素を組み合わせ、コードベースを横断しながらタスクを自律的に進めます。Cursor側でフロンティアモデルごとにツールの使い方を最適化しているのが特徴です。 ⚙️ 機能の説明 Agentは多彩なツールを呼び出してタスクをこなします。ツール呼び出し回数に上限はありません。 ・セマンティック検索でインデックス済みコードを意味ベースで探索 ・ファイルの読み書き、ディレクトリ走査、キーワード検索 ・ターミナルコマンドの実行と出力の監視 ・Web検索、画像の読み取り(png/jpg/gif/webp/svg)、UIモックの画像生成 ・ブラウザ操作によるスクリーンショットや視覚的な動作確認 ・必要に応じてユーザーへ確認質問をしつつ作業を継続 🛠️ 実践的な使い方 ・`Cmd+I`でAgentを開き、自然文でゴールを伝えます。例:「認証をセッションからJWTに置き換えて、関連テストも通して」 ・作業中でも指示を積めます。`Enter`はキューに追加(現在のタスク完了後に実行)、`Cmd+Enter`はキューを飛ばして即時送信です。キューはドラッグで並べ替えできます。 ・大きな変更の前にチェックポイントが自動保存されます。チャットのタイムラインのチェックポイントをクリックするとその時点をプレビューでき、「Restore Checkpoint」で全変更ファイルを巻き戻せます。 ・ターミナルのプロファイルは`Cmd/Ctrl+Shift+P`の「Terminal: Select Default Profile」で指定します。 💡 ユースケース 「authをJWTに置換」と依頼し、Agentが検索で実装箇所を特定 → 複数ファイルを編集 → テストを実行して結果を確認、という一連を自走させる使い方が王道です。途中で「ログ出力も追加して」とキューに積んでおけば、現在の作業完了後に続けて処理してくれます。 ⚠️ 注意点 チェックポイントはローカル保存でGitとは別物です。あくまでAgentの変更を巻き戻す用途に限り、恒久的なバージョン管理は必ずGitで行ってください。ツール呼び出しに上限はないため、破壊的なターミナル操作には目視確認を挟むと安全です。 #Cursor# #AIコーディング#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 複数のエージェントをどう組み合わせるかで、システム全体の品質が決まります。 LLM駆動とコード駆動、2つのオーケストレーションパターンを使い分けましょう。 📌 タイトル：Agent orchestration 🔗 URL： 🧩 概要 マルチエージェントの連携には、LLMが動的に判断する「LLM駆動」パターンと、Pythonコードで明示的に制御する「コード駆動」パターンの2つがあります。さらに`as_tool`でエージェントをツール化するManagerパターンと、handoffによる制御移譲パターンを組み合わせることで、複雑なワークフローを柔軟に構築できます。 🛠 使い方 LLM駆動パターンでは、`Agent(name="researcher", handoffs=[web_search_agent, code_exec_agent])` のようにhandoffを持たせ、モデルが動的に判断します。コード駆動パターンでは、`researcher`, `outliner`, `writer`, `critic` の各エージェントを定義し、`blog_pipeline(topic)` 関数内で `await input=...)` → `await input= + [...])` → `await input=...)` と順に実行します。生成→評価ループは `for i in range(3)` で `critic` にレビューさせ、`"問題なし"` が含まれれば終了、なければ `writer` に改善させます。並列実行は `asyncio.gather(*[ input=data) for a in agents])` で感情分析・トピック抽出・要約を同時実行します。Managerパターンでは `Agent(name="manager", tools=[ のように子エージェントをツール化して統合します。 🏗 実践的な使い方 **LLM駆動 — オープンエンドなタスク** 調査エージェントにWeb検索・ファイル検索・コード実行・専門家handoffを持たせ、LLMが状況に応じて最適な手段を選択します。「この技術について調べて」のようなオープンエンドな質問に最適で、事前にフローを決定できない場合に使います。 **コード駆動 — 確定的なパイプライン** ブログ生成のようにステップが決まっている場合は、Pythonコードでリサーチ→アウトライン→執筆→批評→改善のパイプラインを明示的に記述します。各ステップの成果物をプログラムで検証・分岐できるため、品質管理がしやすくなります。 **生成→評価ループ** `while`ループで生成と評価を繰り返し、品質基準を満たすまで改善し続けるパターンです。批評エージェントが「OK」を返すまで繰り返すことで、一発生成では得られない品質を実現できます。ループ回数の上限は必ず設定してください。 **asyncio.gatherでの並列実行** 感情分析・トピック抽出・要約など、相互に依存しない複数のタスクを`asyncio.gather`で並列実行します。直列実行に比べてレイテンシが大幅に短縮されます。 **Managerパターン（as_tool）とhandoffの使い分け** `as_tool`はManagerエージェントが制御を保持したまま子エージェントを「ツールとして」呼び出します。制御がManagerに戻るため、複数の子エージェントの結果を統合する場合に適しています。handoffは制御を完全に移譲するため、専門エージェントに任せきりにする場合に向いています。 💡 ユースケース 🔬 研究調査（LLM駆動でWeb検索/論文検索/コード分析を動的選択） 📝 コンテンツ制作パイプライン（コード駆動でリサーチ→執筆→レビュー→改善） ⚡ 並列データ分析（asyncio.gatherで感情/トピック/要約を同時実行） 👔 Managerパターン（分析チームの結果を統合してレポート作成） ⚠️ 注意点 - LLM駆動パターンは柔軟ですが、モデルの判断ミスによる不要なhandoffやツール呼び出しが発生する可能性があります。重要なフローはコード駆動で制御してください。 - 生成→評価ループには必ず上限回数を設定してください。無限ループになるとトークンコストが際限なく増加します。 - `asyncio.gather`で並列実行する場合、1つのタスクの失敗が他のタスクに影響しないよう、`return_exceptions=True`の使用を検討してください。 - `as_tool`で呼ばれた子エージェントの結果はテキストとしてManagerに返されます。構造化データが必要な場合は`output_type`を指定してください。 ✨ LLM駆動とコード駆動を適材適所で使い分け、最適なマルチエージェントアーキテクチャを設計しましょう！ #OpenAIAgentSDK# #AIAgent#

# Claude Agent SDKの便利で実践的な使い方 ⏪ エージェントが行ったファイル変更を追跡し、いつでも安全な状態に巻き戻せます。 ファイルチェックポイントは、エージェントが Write/Edit で行った変更を追跡し、`rewind_files()` で任意の時点に巻き戻す機能です。 📌 タイトル：checkpointing でファイル変更を巻き戻す 🔗 URL： 🧩 概要 `enable_file_checkpointing=True` で有効化すると、各ターンの変更が追跡されチェックポイント UUID が発行されます。`rewind_files(checkpoint_id)` で指定時点のファイル状態に復元できます。 🛠 使い方 `enable_file_checkpointing=True` で有効化します。ストリーム中の `UserMessage.uuid` がチェックポイント ID になります。復元は `rewind_files(checkpoint_id)` を呼び出します（CLI では `--rewind-files` フラグ）。 🏗 実践的な使い方 ・リスク操作前に最新チェックポイント UUID を保持し、検証失敗時に直前の安全状態へ即巻き戻します。 ・ターン毎の UUID を配列保存し、「ターン 1 のリファクタは残しつつ、ターン 2 のテスト追加だけ元に戻す」といった選択的ロールバックを実現します。 ・ドキュメントコメント追加後にユーザーへ「巻き戻すか？」を確認する対話的承認フローを構築します。 💡 ユースケース 🛡 検証失敗時の安全な状態への即時復元 🎯 選択的ロールバック（特定ターンのみ巻き戻し） 🔄 試行錯誤サイクルの高速化 ⚠️ 注意点 Bash 経由（`echo >`, `sed -i`）の変更・ディレクトリ操作・リモートファイルは追跡対象外です。会話履歴は巻き戻されません（ファイルのみ）。 #ClaudeAgentSDK# #AI#

# Claude Agent SDKの便利だけど知られていない機能 🌍 AIがファイルを変更しても、いつでも元に戻せる安心感。 ファイルチェックポイントを使えば、Write/Edit/NotebookEditによる変更を自動追跡し、任意の時点にロールバックできます。 📌 タイトル：ファイルチェックポイントとロールバック 🔗 URL： 🧩 概要 ファイルチェックポイントは、エージェントセッション中のファイル変更を追跡する機能です。enable_file_checkpointing=Trueを設定すると、Write・Edit・NotebookEditツールによるファイル変更前にバックアップが自動作成されます。各UserMessageのUUIDがチェックポイントとして機能し、rewind_files()でそのUUID時点の状態に復元できます。新規作成されたファイルは削除され、変更されたファイルは元の内容に戻ります。 🛠 使い方 ```python import asyncio from claude_agent_sdk import ( ClaudeSDKClient, ClaudeAgentOptions, UserMessage, ResultMessage, ) async def main(): # Step 1: チェックポイントを有効化 options = ClaudeAgentOptions( enable_file_checkpointing=True, permission_mode="acceptEdits", extra_args={"replay-user-messages": None}, # UUID取得に必須 ) checkpoint_id = None session_id = None async with ClaudeSDKClient(options) as client: await client.query("認証モジュールをリファクタリングして") # Step 2: UserMessageからチェックポイントUUIDを取得 async for message in client.receive_response(): if isinstance(message, UserMessage) and message.uuid and not checkpoint_id: checkpoint_id = message.uuid if isinstance(message, ResultMessage) and not session_id: session_id = message.session_id # Step 3: セッションを再開してロールバック if checkpoint_id and session_id: async with ClaudeSDKClient( ClaudeAgentOptions( enable_file_checkpointing=True, resume=session_id ) ) as client: await client.query("") # 空プロンプトで接続を開く async for message in client.receive_response(): await client.rewind_files(checkpoint_id) break print(f"チェックポイントに巻き戻しました: {checkpoint_id}") ``` 🏗 本番システムへの組み込み方 ・extra_args={"replay-user-messages": None}は必須です。これがないとUUIDがストリームに含まれません ・ロールバック時はセッションをresumeで再開し、空プロンプトで接続後にrewind_files()を呼びます ・チェックポイントUUIDとセッションIDを永続化しておけば、プロセス再起動後もロールバック可能です ・permission_mode="acceptEdits"と組み合わせることで、ファイル変更を自動承認しつつ安全にロールバックできます 💡 ユースケース 🔧 安全なリファクタリング：変更を試して、問題があれば即座にロールバック 🧪 実験的コード生成：AIの出力を検証し、品質が低ければ元に戻す 📝 ドキュメント自動生成：生成結果をレビューして、不要な変更だけ取り消し ⚠️ 注意点 ・Bashコマンド（echo > file.txt、sed -i 等）による変更は追跡されません ・チェックポイントはファイルの内容のみを追跡します。ディレクトリの作成・移動・削除は元に戻りません ・会話履歴はロールバックされません。ファイルのみが復元されます ・チェックポイントは作成したセッションに紐づいています ✨ 「取り消し」できるAI開発で、安心してコードを任せましょう！ #ClaudeAgentSDK# #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#

AIエージェントの性能はモデルだけで決まらない——ハーネスの設計次第で大きく変わります。 TL;DR JIT-Agentはタスクの特性に応じてエージェントハーネス（スキャフォールド）をジャストインタイムで自動生成・修復・進化させる専用モデルです。GLM-5.2で+7.7pt、DeepSeek-V4-Flashで+8.8ptの平均向上を達成し、9ベンチマーク中8つでGPT-5.6を含む全フロンティアモデルを上回りました。 タイトル: Scaling Harness Intelligence via Just-in-Time Harness Evolution URL: ポイント 🧩 ハーネスを「学習可能なアーティファクト」として定式化 メモリ・計画・アクション・能力オーケストレーションの4モジュールプロトコル h = (M, P, A, F) でハーネスを形式化。生成空間を制約しつつ13種類の既存ハーネスを全て表現できる設計です。 🎓 教師あり→修復→進化の3段階訓練 ステージIで教師生成ハーネスを学習、ステージIIで実行失敗時の修復を学習（最大2反復）、ステージIIIのEvo-GDPOでパレートフロンティアを前進させる新規ハーネスを進化的に探索します。 📊 精度向上とコスト削減を同時達成 xBench-DeepSearchでスコア78→82（+4pt）の一方、トークン消費は527K→212K（▲60%）、コストは$0.075→$0.039（▲48%）。9ベンチマーク平均で固定ハーネス比36%のトークン削減を実現しています。 ⚡ 複数モデルファミリーに転移可能 JIT生成ハーネスはDeepSeek V4（+10.2pt平均）、Mimo V2.5（+8.6pt）、Qwen 3.6（+4.0pt）でいずれもReActを上回り、ハーネス生成器を再訓練せずに転移できます。 🔄 ストリーミングモードで運用中も進化 デプロイ後もタスクシーケンスをまたいでハーネスを蓄積・更新する「オンライン進化」を実装。静的生成より全評価ベンチマークで上回ります。 ベースモデルのスケーリングと独立した「ハーネス知性」という新たなスケーリング軸の提案として注目です。 #AIエージェント# #LLMスケーリング#