ボッテガ・ヴェネタが没入型アート展「INSIDE OTHER SPACES: ENVIRONMENTS BY WOMEN ARTISTS, 1956-76」を韓国ソウル・リウム美術館にて開催 会期は5月5日〜11月29日

# Learning Palantir Foundry 🚀 Put business logic right on the ontology. Functions cure the "numbers don't match across departments" problem by centralizing logic in one place. 📌 Title and Feature URL Title: ファンクション URL: 📝 Overview Functions let you write server-side logic that executes in isolated environments, powering operational apps like dashboards and decision-support tools. They are designed to work with Foundry ontologies, so they can read object properties, traverse links, and perform flexible ontology edits. 🔧 How It Works - Supported languages: TypeScript (full feature support) and Python (beta, with growing support especially for serverless and deployed execution). - Serverless execution: spins up on demand when invoked and bills only during execution, with a 60-second total wall-clock timeout (30s CPU plus a 30s network buffer). Multiple versions can run simultaneously, making upgrades safer. - Deployed execution: reserves dedicated resources for cases serverless cannot meet, runs a single version at a time, and bills continuously while deployed. - Capability differences: ontology read/write, Workshop integration, and external API calls work in both languages. Pipeline Builder is Python, while model embedding and semantic search are TypeScript. 🛠 Practical Usage - Derived properties: display function-computed values as table columns. - Function-backed Actions: implement complex edits spanning multiple objects. - Workshop integration: run functions to compute or display variables. - API gateway: invoke query functions programmatically to reuse the same logic everywhere. 🎯 Use Cases - Implement derived-KPI logic once and return identical results to Workshop, OSDK, and the API. - Query external systems to enrich ontology objects. - Build complex validation or bulk updates as function-backed Actions. ⚠️ Caveats - The 60-second timeout applies uniformly across execution modes, so optimize for efficiency. - Available capabilities depend on the invocation context (for example, model embedding and semantic search are TypeScript only), so decide on language early. #PalantirFoundry# #DataEngineering#

🎨 どのスタジオにも「final_final_v7.png」があります。過去作を探すより作り直す方が早い——そんな笑えない現実に、AIは別の角度から効きます。 クリエイティブの現場では、作品が整理の追いつかない速さで溜まっていきます。厄介なのは、キーワード検索が使えないこと。「blue environmental concept」で探しても、ファイル名が ENV_ALTSTYLING_DARK_V4 なら一件もヒットしません。言葉とファイル名の語彙が、そもそも噛み合っていないのです。 そこで発想を変えます。画像や映像を、意味を数値で表す「ベクトル埋め込み」に変換して保存する。すると「異なる言い回しでも意味が近ければベクトル空間で近くに並ぶ」ので、自然文で意味検索ができます。基盤にはWeaviateを使い、ベクトルの近さとメタデータのフィルタ（プロジェクト・日付・種別）を組み合わせるハイブリッド検索で、目的の素材にたどり着けます。数万点のコンセプト画像から「cold, forested biome that feels visually distinct」で探す、Bロールをショットの特徴で引く、過去のドラムの質感を掘り出す——命名規則を知らなくても。 ここでのAIは、新しいコンテンツを生成する主役ではなく、既存の作業をアクセスしやすくする「インフラ層」です。整理と検索に奪われていた時間を創作に戻す。Building Foundry: AI isn't replacing creativity, it's removing friction は、その地味だが本質的な価値を語っています。 🔗 #VectorSearch# #CreativeAI#

⚽サッカー？出来るよ！プロンプト⚽ 画像を添付すれば、あなたのキャラクターが華麗にリフティング！✨ でも途中で…あー！！🤣👍 ⏬改造自由！遊んでみてね🎶🤭  { "format": { "duration": "15s", "bpm": 120, "total_shots": 4, "sync_type": "アクション同期ルーチン" }, "subject": { "reference": "添付画像", "description": "参照画像のキャラクター。声色は参照画像から推察する。「サッカー？できるよ？」と発言する口の動き。" }, "environment": { "setting": "朝の繁華街", "background": "人通りが多いが、リフティングが始まると周囲の人々が注目して静かになる演出。", "lighting": "朝の明るい自然光" }, "mood": "自信満々, スポーティー, コミカル, 驚き", "music": "ガヤガヤした環境音から始まり、リフティング開始と共にテンポの良いストリート風のビートがフェードイン", "style": "Ultra-Realistic, Handheld Smartphone Camera POV Style", "logic_rule": "【POV視点による物理ガード】足が大きく上がるリフティングの瞬間、スマホを持っている撮影者（友達）の大きな人差し指がレンズの手前に現れ、画面中央（被写体の腰回り）を物理的に覆い隠す演出を行う。AIには『カメラの極端な手前にあるピントのボケた指が画面を遮る』という構図で指定する。", "storyboard": [ { "shot": 1, "camera": "スマホ画面いっぱいのクローズアップ。手持ちの微かな揺れ。", "action": "カメラ目線で余裕たっぷりに微笑み、「サッカー？できるよ？」と発言する。", "sfx": "朝の繁華街のガヤガヤ音" }, { "shot": 2, "camera": "素早くフルショット（全身）まで引き、少しローアングルになる。", "action": "画面外から飛んできたボールを足でキャッチし、ボールが跳ね上がる。", "sfx": "ボールを蹴る「トンッ」という音" }, { "shot": 3, "camera": "ローアングルを維持。足が大きく上がる瞬間、カメラの極端な手前に撮影者の『人差し指』が大きく現れ、画面中央を意図的に隠す。", "action": "被写体はアラウンド・ザ・ワールドなどの高難易度な足技を行う。撮影者の指がレンズの手前を塞ぐため、視聴者からは肝心な部分がピントのボケた指で隠され、見えそうで見えないコミカルな演出となる。", "sfx": "リズミカルなボールのバウンド音と、撮影者の『おっと』という焦った息遣い" }, { "shot": 4, "camera": "指がどいて、少し引いて全身が見えるアングル。", "action": "首の後ろでボールをピタッと止める（ネックストール）。そのままボールを手でキャッチし、カメラに向かって笑顔でポーズを決める。", "sfx": "歓声と拍手" } ] } #SeaArt# #Seedance2#

# Weaviateの機能と実践的な使い方 🚀 「テストのためにベクトルDBサーバを立てるのが面倒」を解決するのがEmbedded Weaviateです。スクリプトから一行で起動し、終われば消える使い捨てDBとして、CIやノートブックに組み込めます。 📌 タイトルと機能のURL タイトル: Embedded Weaviate URL: 📝 概要 Embedded Weaviateは、独立したサーバを立てる代わりに、アプリケーションのコードからWeaviateインスタンスを起動する実験的なデプロイ方式です。インスタンスのライフサイクルはクライアントアプリに紐づき、アプリが終了するとインスタンスも終了します(ただし永続化したデータは残ります)。インフラ準備ゼロで実験を回せるのが最大の利点です。 🔧 機能の説明 ・Pythonでは weaviate.connect_to_embedded(version=..., headers=..., environment_variables=...) でインスタンスを起動します。 ・クライアントは binary_path のキャッシュにバイナリがあるか確認し、無ければGitHubリリースから適切なバイナリ(linux/macOS向け)をダウンロードしてキャッシュします。 ・初回起動時に persistence_data_path に永続データストアが作られ、次回以降は同じデータストアを再利用するため、セッション間でデータが残ります。 ・ライフサイクルはスクリプト終了・アプリ終了・ノートブックの非アクティブ化で終了します。 🛠 実践的な使い方 ・主なパラメータは version(latest・バージョン文字列・バイナリURL)、port(既定8079)、persistence_data_path(既定 ~/.local/share/weaviate)、binary_path(既定 ~/.cache/weaviate-embedded)です。 ・詳細設定は EmbeddedOptions を使い、additional_env_vars={"ENABLE_MODULES": "..."} のようにモジュールやAPIキーを渡します。設定後 client.connect() で接続します。 ・ログが多い場合は environment_variables={"LOG_LEVEL": "error"} で抑制できます。 ・TypeScriptでは別パッケージ weaviate-ts-embedded をインストールして利用します。 🎯 ユースケース ・CIのユニットテストで、検索ロジックの回帰テストを「インフラ準備ゼロ」で実行する。 ・Jupyterノートブックでのプロトタイピングや実験。 ・ローカルでの単一ユーザー向けの軽量な検証用途。 ⚠️ 注意点 ・実験的ステータスであり、APIやパラメータが変更される可能性があります。 ・単一ノード専用で、クラスタリングや分散デプロイには対応しません。本番用途向けではありません。 ・対応OSはLinuxとmacOSのみです。 ・XDG_DATA_HOME や XDG_CACHE_HOME は他のアプリでも広く使われるため、変更すると他に影響が出る恐れがあります。 #Weaviate# #VectorDatabase#

🌐 強いAIエージェントを作る鍵は、実は「エージェントが動く環境の設計」かもしれません。環境エンジニアリングという視点を体系化した、全63ページのサーベイです。 タイトル: Agentic Environment Engineering for Large Language Models: A Survey of Environment Modeling, Synthesis, Evaluation, and Application URL: 📝 概要 LLMエージェントは単独でなく、相互作用する「環境」の中で動きます。本サーベイは、その環境そのものを工学的に設計・構築する「環境エンジニアリング」という観点から、研究の全体像を体系化しています。 ❓ 解決する課題 これまで「環境の作り方」は断片的に語られてきました。エージェント能力の向上が良い環境設計に大きく依存するにもかかわらず、それを統一的に整理する枠組みがなかったのです。 💡 方法論と提案手法 環境を開発ライフサイクルに沿って4つの柱で分類します。 ・環境モデリング：代表的な環境の特徴づけとコア能力の評価 ・環境合成：シンボリック合成とニューラル合成の2パラダイム ・環境評価：合成パラダイムに整合したドメイン固有の評価 ・環境応用：記憶中心・ワークフロー中心・軌跡中心・探索中心という、エージェントと環境の共進化4経路 🎯 ユースケース エージェント研究者が自分の取り組みを地図上に位置づけ、抜けている観点を見つける指針になります。環境合成・評価・自己進化の設計を考える際の出発点としても有用です。 📊 トレンドと展望 ・進化のアプローチを、ニューラル駆動・難易度駆動・スケーリング駆動の3系統で整理しています ・8つの属性と8つの応用ドメインを軸に分析しています ・今後の方向性として、Environment-as-a-Service、マルチエージェント、ニューラル・シンボリック統合を挙げています #AIエージェント# #LLM#

【背景プロンプト紹介(その2)】 みなさん、午前お疲れ様です！ 今回は背景プロンプトの提供PART2でございます💪 そのまま使うも良し、アレンジするも良し、ご自由にどうぞ✨ ※もし衣装の方が気になる方は、記事の方もぜひチェックしてみてください👍 ---- 【背景プロンプト】 ① 燃える炎の風景 fire-themed abstract aura, flowing flame-like forms, glowing embers and sparks drifting, intense red, orange and gold gradients, heat distortion, soft smoke wisps, scorched landscape silhouettes, distant burning horizon, flickering light illuminating the environment, layered depth with haze, dramatic sky glow, volumetric lighting, high contrast, cinematic fiery landscape, high detail fantasy background　 --- ② 凍てつく氷の風景 ice-themed abstract aura, crystalline structures and shard-like forms, layered translucent ice surfaces, floating ice particles, pale blue and white gradients, frozen landscape stretching into the distance, icy plains and distant frost-covered formations, soft mist, cold light reflections, serene and silent atmosphere, atmospheric perspective, volumetric lighting, high detail fantasy background --- ③ 荒ぶる雷の風景 lightning-themed abstract aura, branching electric arcs, glowing plasma streaks, vibrant blue, violet and white gradients, energy pulses, stormy sky dominating the scene, vast open landscape under dark thunderclouds, distant horizon with lightning strikes, illuminated clouds and terrain, strong atmospheric depth, volumetric light, high contrast, high detail fantasy background --- ④ 流れる水の風景 water-themed abstract aura, flowing liquid-like forms, layered translucent waves, hydro particles drifting, refracted light patterns, caustics, glowing aqua and deep blue gradients, vast reflective water surface stretching into the distance, faint horizon line dissolving into mist, gentle ripple distortions, atmospheric perspective, volumetric light rays, soft bloom, dreamy and tranquil landscape, high detail fantasy background

# ADKの便利で実践的な使い方 📄 エージェントの定義をコードではなくYAMLファイルで行えたら、プロンプトの変更やモデルの切り替えが再デプロイなしでできますよね。ADKのAgent Configなら、宣言的なエージェント定義と環境ごとの設定切り替えが実現できます！ 📌 タイトル：Agent Config — YAML宣言によるコードレスエージェント定義 🔗 URL： 🧩 概要 Agent Configは、ADKワークフローをコードなしでYAMLファイルとして定義できる機能です。`name`、`model`、`description`、`instruction`といった基本プロパティに加え、`tools`でのツール定義や`sub_agents`でのサブエージェント参照もYAMLで記述できます。`adk create --type=config`でプロジェクトを生成し、`adk web`、`adk run`、`adk api_server`で実行可能です。Pythonからは`config_agent_utils.from_config()`でプログラマティックに読み込むこともできます。 🛠 使い方 基本的なAgent Config YAMLの構成です。 ```yaml # root_agent.yaml name: assistant_agent model: gemini-flash-latest description: ユーザーの質問に答えるヘルパーエージェント instruction: | あなたはユーザーの様々な質問に答えるエージェントです。 丁寧で正確な回答を心がけてください。 tools: - google_search sub_agents: - config_path: specialist_agent.yaml ``` プロジェクトの作成と実行は以下のコマンドで行います。 ```bash # プロジェクト作成 adk create --type=config my_agent # 実行方法 adk web # Webインターフェース adk run # ターミナル実行 adk api_server # APIサーバーモード ``` Pythonから読み込む場合は以下のとおりです。 `google.adk.agents.config_agent_utils` の `from_config()` メソッドにYAMLファイルのパス（例: `"my_agent/root_agent.yaml"`）を渡して、エージェントオブジェクトをプログラマティックに読み込みます。 🏗 実践的な使い方 **環境別の設定切り替え**: dev/staging/prodごとに異なるYAMLファイルを用意し、環境変数でどのファイルを読み込むかを制御します。 ```yaml # config/dev/root_agent.yaml name: assistant_agent model: gemini-flash-latest instruction: | [DEV] デバッグ情報を含めて回答してください。 # config/prod/root_agent.yaml name: assistant_agent model: gemini-2.5-pro instruction: | ユーザーの質問に正確かつ簡潔に回答してください。 ``` `os.getenv("ENVIRONMENT", "dev")` で環境名を取得し、`config_agent_utils.from_config(f"config/{env}/root_agent.yaml")` で環境に対応するYAMLファイルを動的に読み込みます。 **プロンプトバージョニング**: YAMLファイルをGitで管理し、プロンプトの変更履歴を追跡します。コードの変更なしにインストラクションを更新でき、ロールバックも容易です。 **A/Bテスト**: 異なるインストラクションやモデルを持つ複数のYAMLファイルを用意し、ランタイムで切り替えてパフォーマンスを比較します。 `get_ab_variant(user_id)` でユーザーごとのA/Bバリアント（`"a"` または `"b"`）を取得し、`config_agent_utils.from_config(f"config/variant_{variant}.yaml")` で対応するYAMLファイルを読み込むことで、ランタイムでのA/Bテストを実現します。 💡 ユースケース 🔄 コード変更なしのプロンプト・モデル切り替え（再デプロイ不要） 🌍 dev/staging/prod環境ごとの設定管理 📊 インストラクションのA/Bテスト 📝 プロンプト変更履歴のGit管理とロールバック 🧩 非エンジニアによるエージェント設定の更新 ⚠️ 注意点 - 現在はGeminiモデルのみサポートされています。他のモデルプロバイダーは今後のサポートを待つ必要があります。 - カスタムコードを含むツールの利用はPythonとJavaに限定されています。 - `LangGraphAgent`や`A2aAgent`はAgent Configではまだサポートされていません。 - `.env`ファイルでAPIキーやプロジェクト設定を管理しますが、シークレットのコミットには注意してください。 ✨ Agent Configは、エージェントの定義をコードから設定ファイルに分離することで、非エンジニアでも安全にプロンプトやモデルを変更でき、環境ごとの切り替えやA/Bテストを容易にします。運用フェーズでの柔軟性を高めたい場面でぜひ活用してください！ #ADK# #AIAgent#

エージェントの本番運用で開発者を消耗させるのは、サンドボックスやセッション永続化といった「差別化にならない土台」でした🏗️ それをまるごと肩代わりするプラットフォームの登場です。 タイトル: The evolution of agentic surfaces: building with Claude Managed Agents URL: 🏗️ 概要 Claude Managed Agentsは、本番品質のAIエージェントを大規模にデプロイするためのAnthropicのプラットフォームです。最適化されたエージェントハーネスとホスト型インフラを組み合わせたコンポーザブルなAPIで、プロトタイプから本番への移行を素早く行えます。 ❓ 解決する課題 エージェントを本番運用するチームは、多くのインフラ課題に直面してきました。 ・サンドボックスのホスティングとスケーリング、中断をまたぐセッション永続化 ・認証情報の安全な管理、実行の隔離、包括的な可観測性 これらは製品の差別化に直結しないのに開発リソースを消費します。 💡 方法論とアーキテクチャ ・核心は、エージェントの推論エンジンとコード実行環境を分離すること ・セッションは追記専用のイベントログとして、コンテナとは独立にサーバー側で永続化されます ・この分離で、サンドボックス初期化と並行してClaudeがすぐ推論を開始でき、レイテンシを削減します ・3つのコアリソース：Agents（設定）、Environments（隔離実行コンテキスト）、Sessions（個々の実行） 🌍 主な機能 ・クレデンシャルボールト：トークンをサンドボックスと別にエンベロープ暗号化で保管 ・永続的なセッション：完全なイベント履歴の再構成で再開可能 ・柔軟なホスティング：Anthropic管理または自社VPC内のセルフホスト ・Memory & Dreaming：セッションログからパターンを抽出 ・タイムライン可視化とステップ単位のデバッグ #AIエージェント# #Claude#