new show info!! 2026/11/14(土) correkt presents 「HYPERCURRENT」 OP/ST 18:00 ¥2500+1drink -BAND- correkt 旗魚鮪倶楽部 現-ututu LFQ dimensions of chord -DJs- ロイヤルコペンハーゲン(FORCE OUT) あきにゃん(KCHC) -FOOD- MOSH&TACOS

# AIエージェント開発の意思決定ポイント # 自己修正リトライ｜Self-Correction Retry 🎯 ポイント LLMの出力が壊れた時、「もう一回！」と同じプロンプトを投げ直していませんか？ 自己修正リトライは「何が間違っていたか」をLLMにフィードバックして再生成させる仕組みです。ただし闇雲に回数を増やしても改善しません。3回目以降のリトライで品質が上がることは、ほとんどありません。 📋 概要 自己修正リトライは、LLMの出力がスキーマ違反や品質不足だった場合に、エラー内容をコンテキストに追加して再生成を試みる回数を制御するダイヤルです。ネットワークリトライ（同じリクエストをそのまま再送）とは本質的に異なります。「何が間違っていたか」を具体的にフィードバックすることで、次の生成で正しい出力を得ることを期待します。LLMの出力は確率的であり、JSONの閉じ括弧が足りない、値の範囲が逸脱しているといったエラーは日常的に発生します。こうしたエラーへの対処戦略として、自己修正リトライは非常に実用的です。 🔍 意思決定のポイント 最大の判断基準は「出力のエラーが下流にどれだけの損害を与えるか」（failure_cost）です。すべてのエラーに同じリトライ回数を適用するのは非効率なので、エラーの種類に応じて対応を分けるのが鉄則です。 構文レベルのエラー（JSON構文不正、型の不一致）はフィードバック1回でほぼ直ります。意味レベルのエラー（値の範囲逸脱、存在しないIDの参照）は2回目で直らなければ構造的な問題です。品質レベルのエラー（不完全な回答、情報の欠落）は主観的で改善が読みにくいため、リトライよりプロンプト改善に投資すべきです。 💡 要点と詳細 目安値として覚えておくと便利です 📊 - 一般的なケース → 1〜3回。2回目で改善しなければ構造的問題の可能性大 - 構造化出力（JSONスキーマ） → 1〜2回。response_formatを使えば初回成功率が高い - 高failure_cost領域（金銭・法務・医療） → 2〜3回。品質が上がらなければ人間エスカレーション - 低failure_cost領域 → 0〜1回。フォールバックで対応できるなら即諦める方が効率的 エラーメッセージは短く具体的に 🎯 「出力が不正です」ではなく「delivery_dateフィールドが過去の日付です。未来の日付を指定してください」のように、何が間違っていて何が期待されるかを明示します。ただしエラーメッセージ自体がトークンを消費するため、概ね200トークン以内に収めましょう。 ⚖️ トレードオフ リトライしなさすぎると、修正可能なエラーでも即失敗として扱われます。JSONの閉じ括弧が1つ足りないだけの出力を捨ててしまうのは、もったいないですよね。 一方でリトライしすぎると、コストとレイテンシが急膨張します ⚡ 1回のLLM呼び出しが30秒なら、5回リトライで2.5分以上。リトライのたびにエラーメッセージをコンテキストに追加するためトークン消費が累積的に増大し、最悪の場合コンテキスト長超過という別の問題に遷移します。 2回連続で同じ種類のエラーが出たら、3回目を試すよりプロンプトを疑ってください。同じエラーの反復は、LLMがそのプロンプトとスキーマの組み合わせで正しい出力を生成できないことを示しています。 🛠️ ユースケース JSON出力のスキーマ違反 → エラー内容を具体的にフィードバックし、リトライ1回でほぼ修正可能。response_format（Structured Outputs）を使えばこの種のリトライ自体が不要に。 ビジネスルール違反（配送日が過去の日付など） → 具体的な制約と現在の状態を含めたフィードバックが重要。2回で改善しなければプロンプト改善へ。 品質不足（「5つの観点から分析」に3つしか返らない） → 1回リトライして改善しなければ、部分結果を受け入れるかプロンプト分割の方が効果的。 繰り返し同じエラーが出る場合 → 温度を下げる、プロンプトを簡素化する、別のモデルで試行する、人間にエスカレーションするなどの代替手段を検討 🔄 #AIエージェント# #ソフトウェアアーキテクチャ#

🧠 コードは変わるのに、Wikiの説明は変わらない。そんな「ドキュメントの陳腐化」を自動で検出し、自己修正するメモリの仕組みが登場しました。 タイトル: Building Self-Correcting Memory in OpenWiki URL: OpenWikiは、Wikiの各主張をソースコードのエビデンスと紐付け、コード変更を起点に陳腐化を検出・修正する「自己修正メモリ」を導入しました。注目ポイントは次の3つです。 📎 クレーム単位のエビデンス紐付け Wikiの主張ひとつひとつを「statement（内容）」と「evidence（裏付けとなるコード箇所）」のペアとして明示的に記録します。主張と根拠が常にセットで管理される点が特徴です。 🔍 決定的な陳腐化検出 エビデンスとして参照したソースのバージョンと現在のバージョンを比較し、差分があればモデル呼び出しなしでクレームを「陳腐化」とフラグ付けします。陳腐化は誤りではなく「再確認が必要な状態」として扱われます。 📈 実証された自己修正効果 2,000件のクレームを評価したところ、陳腐化クレームは80件から9件へ約89%削減、幻覚的なクレームは15件から0件に完全解消しました。あるチェックポイントでは陳腐化率が17%から次の更新で0%まで回復しています。 「何を信じていて、なぜ信じているのか」を語れるメモリシステムへ。忘れることを削除ではなく信頼性の再評価として捉え直す発想が印象的です。 #AIエージェント# #ナレッジ管理#