# 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#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 ガードレールで、エージェントの入出力を安全に制御しましょう！ 安価な高速モデルで事前チェックを行い、不適切なリクエストをブロックしてコストを削減できます。 📌 タイトル：Guardrails 🔗 URL： 🧩 概要 Guardrailsは、エージェントの入力と出力に対してチェックを実行する仕組みです。入力ガードレール（Input guardrails）はユーザー入力を検証し、出力ガードレール（Output guardrails）はエージェントの応答を検証します。安価な高速モデルをガードレールに使い、高価なモデルの不要な実行を防ぐことで、コスト最適化を実現できます。トリップワイヤー方式で、問題を検出した時点で実行を即座に中断します。 🛠 使い方 `agents`から`Agent`, `InputGuardrail`, `OutputGuardrail`, `GuardrailFunctionOutput`をインポートします。ガードレール関数`check_homework_request(context, agent, input_data)`を定義し、内部で` input_data)`を呼び出して分類結果を取得します。戻り値は`GuardrailFunctionOutput(output_info= tripwire_triggered="TutorBot", instructions="You are a tutoring assistant.", input_guardrails=[InputGuardrail(guardrail_function=check_homework_request)])`のように定義します。 🏗 実践的な使い方 **安価モデルによる事前フィルタリング（コスト削減）** 高価なメインモデルを実行する前に、安価な高速モデルで「宿題の代行」「不正利用」などを検出してブロックします。トリップワイヤーが発動すると、メインモデルの実行がスキップされるためコスト削減になります。 安価な分類用エージェント`Agent(name="Classifier", model="gpt-4o-mini", output_type=ClassificationResult)`を定義し、`abuse_check`関数内で` input_data)`を実行します。`tripwire_triggered="Assistant", model="gpt-4o", input_guardrails=[InputGuardrail(guardrail_function=abuse_check)])`に設定します。 **出力ガードレールによるコンテンツチェック** エージェントの応答に機密情報や不適切な内容が含まれていないかを検証します。 出力ガードレール関数`check_sensitive_output(context, agent, output)`を定義し、` f"Check this output for sensitive content: {output}")`で機密情報の有無を判定します。`tripwire_triggered="SupportBot", output_guardrails=[OutputGuardrail(guardrail_function=check_sensitive_output)])`のように設定します。 **サポートボットの関連性チェック** ユーザーの質問がサポート範囲内かを事前に判定し、範囲外の質問には早期に対応します。 関連性チェック関数`relevance_check(context, agent, input_data)`で` input_data)`を実行し、`tripwire_triggered=not "SupportBot", instructions="Answer customer support questions about our product.", input_guardrails=[InputGuardrail(guardrail_function=relevance_check)])`として設定します。 💡 ユースケース 🛡 宿題代行・不正利用リクエストのブロック（コスト削減） 🔍 機密情報の出力防止（PII、社内情報の漏洩防止） 📋 サポートボットの対応範囲制御 ⚡ 安価モデルによる事前スクリーニングでAPI費用を最適化 ⚠️ 注意点 - ガードレールのトリップワイヤーが発動すると`InputGuardrailTripwireTriggered`例外が発生します。適切にキャッチして処理してください - 入力ガードレールはメインモデルと**並列**で実行されるため（デフォルト）、ガードレールが間に合わない場合はメインの実行が進む可能性があります - ガードレール自体のモデル呼び出しコストも考慮してください - 複数のガードレールを設定でき、いずれかが発動すれば中断されます ✨ ガードレールを活用して、安全性とコスト効率を両立したエージェントを構築しましょう！ #OpenAIAgentSDK# #AIAgent#

# ADKの便利で実践的な使い方 🔀 プロンプトだけでエージェントの実行フローを制御するのは不安定になりがちです。ADKのGraph Workflowsなら、ノードとエッジでワークフローを明示的に定義し、AIノードと関数ノードを自在に組み合わせられます！ 📌 タイトル：Graph Workflows — ノードとエッジによる明示的なワークフロー定義 🔗 URL： 🧩 概要 Graph Workflowsは、`Workflow`クラスの`edges`パラメータでノードの接続関係を定義し、実行フローを構築する仕組みです。AIエージェントノード、関数ノード、ツールノード、ネストされたWorkflowを混在させることができます。ルーターノードが`Event(route=...)`を返すことで辞書ベースの条件分岐が可能になり、「プロンプトに頼らない予測可能な制御フロー」を実現します。 🛠 使い方 基本的なGraph Workflowの構成です。 `google.adk` から `Workflow` と `Event` をインポートします。ルーター関数 `process_message` は `node_input` の内容に応じて `Event(route="BUG")`、`Event(route="LOGISTICS")`、または `Event(route="CUSTOMER_SUPPORT")` を返します。各ルートに対応する関数（`response_bug`、`response_support`、`response_logistics`）はそれぞれ `Event(output=...)` で応答メッセージを返します。 `Workflow` の `name="support_router"` で、`edges` に2つのタプルを定義します。1つ目は `("START", process_message)` で開始ノードからルーターへ接続し、2つ目は `process_message` の出力を `{"BUG": response_bug, "CUSTOMER_SUPPORT": response_support, "LOGISTICS": response_logistics}` の辞書で各ハンドラーに振り分けます。 順次実行のシンプルなチェーンも定義できます。 `Workflow` の `edges` にタプル `("START", agent1, function1, agent2, function2)` を1つ渡すことで、ノードを順次接続するシンプルなチェーンを定義できます。 🏗 実践的な使い方 **AIフリー関数チェーン + AIノードの混在**: データの前処理や後処理はPython関数で行い、判断が必要な部分だけAIエージェントノードを使います。これによりLLMの呼び出し回数を最小限に抑え、コストと遅延を削減できます。 関数ノード `extract_data` は `json.loads(node_input)` でデータを解析し `Event(output=parsed["content"])` を返します（AI不要）。`LlmAgent` の `analyzer` がデータの分析と要約を行い、関数ノード `format_output` が `Event(output=f"## 分析結果\n{node_input}")` でフォーマットします（AI不要）。 `Workflow` の `name="hybrid_pipeline"` で `edges=[("START", extract_data, analysis_agent, format_output)]` と定義し、関数ノードとAIノードを混在させたハイブリッドパイプラインを構築します。 **カスタマーサポートの自動振り分け**: 問い合わせ内容をルーター関数で分類し、適切な対応エージェントに振り分けます。分類ロジックがコードで明示されているため、動作の予測と検証が容易です。 💡 ユースケース 📨 問い合わせの自動分類・振り分け（バグ/サポート/配送） 🔧 前処理（関数）→ 分析（AI）→ 後処理（関数）のハイブリッドパイプライン 🏭 ETLパイプラインのAI組み込み（抽出は関数、変換にAIを活用） 🔀 ルーティングロジックの明示化によるテスタビリティ向上 ⚠️ 注意点 - ライブストリーミング機能はGraph Workflowsと互換性がありません。 - 一部のサードパーティ連携はGraph Workflowsをサポートしていない場合があります。 - ルーターの辞書にないrouteキーが返された場合のエラーハンドリングを考慮してください。 - ノードは1回の実行で1つの`Event.output`のみを出力できます。 ✨ Graph Workflowsは、AIノードと関数ノードをノードとエッジで明示的に結合し、プロンプトだけに頼らない予測可能なエージェントパイプラインを構築します。コスト効率と信頼性を両立したい場面でぜひ活用してください！ #ADK# #AIAgent#