【#coldrain# 】 🚨イベント開催決定!!!🚨 coldrain「OPTIMIZE = OPTDEMISE」 リリース記念サイン会✍️ 📅2026年10月11日(日)18:00 START 🔗 ↓ご予約は「販売ページ」にて受付中💿✨ たくさんのご予約お待ちしております🤘❤️‍🔥(床) #OPTIMIZE_OPTDEMISE#

クローン勇者を育て，限界が来たら次世代へ。ちょっとブラックな都市建設RPG「Clone. Optimize. Sacrifice.」，Steamストアページを公開 育成したクローン勇者たちは，オートバトル形式のリーグ戦，PvPなどに送り出せる

Claude Code 2.1.247 (抜粋) - `SendFeedback`ツールを追加。セッション中に何か問題が起きた際、Claudeがフィードバックレポートを下書きし、`/feedback`からレビューして送信できるように（`feedbackDrafts`設定でオフにできる） - `spinnerTipsOverride`に`{id, text, cooldownSessions, priority}`形式のエントリ、`tipsFile`、`label`を追加。組織が独自のtipsを組み込みのtipsと一緒にローテーション表示できるようになった - Bash権限プロンプトにauto modeを案内するtipを追加。ワンキーで選べる「Yes, and switch to auto mode」オプション付き - `/claude-api cost-optimize`を追加。既存プロジェクトのClaude API利用コストをプロファイリングし、コストレバー（キャッシュ、トークンの節約、バッチ、effort、モデル選択）を1つずつ効果測定しながら検討可能 - `/claude-api`スキルを更新し、Admin API（組織メンバー、招待、ワークスペース、APIキー、rate limitレポート、workload identity federation、CMEK）をカバー - hookやbackground agentが数MBのエラー出力を出した際に会話がオーバーフローし、「Prompt is too long」でセッションが動かなくなる不具合を修正 - `--agent`付きで開始したセッションで`/compact`や「Summarize from here」が、その会話固有のシステムプロンプトではなくデフォルトのシステムプロンプトの下で要約してしまう不具合を修正 - SSH経由での`/install-github-app`を修正。コピーショートカットが常に成功したと表示するのではなく、サインインURLがどのようにコピーされたかを表示するようになり、ブラウザを開けない場合はURLが即座に表示される - self-hosted runnerセッションがClaude Code起動前に`running`と報告してしまい、Claudeデスクトップアプリから「Claude is waiting for your input」という通知が早すぎるタイミングで送られる可能性があった不具合を修正 - Sonnet 5のデフォルトauto-compactウィンドウをフルの1Mコンテキストに変更。1Mウィンドウのセッションは約934Kトークンではなく約967Kトークンでauto-compactするようになった - cross-sessionのpeer messageをデフォルトで`Message from @: `という1行プレビューに折りたたむよう変更。Ctrl+Oで全文を展開できる

# ADK 2.0の便利だけど知られていない機能 🌍 エージェントのプロンプトを手作業で調整する代わりに、自動で最適化してくれたら効率的だと思いませんか？ ADK 2.0の最適化機能は、サンプラーとエージェントオプティマイザーを組み合わせて、エージェントのインストラクションを自動的に改善する仕組みです。 📌 タイトル：最適化 (Optimization) 🔗 URL： 🧩 概要 最適化機能は、Samplers（候補の評価）とAgent Optimizers（インストラクションの改善）の2つのコンポーネントで構成されます。`LocalEvalSampler` は候補エージェントを評価データセットに対して実行しスコアを算出します。オプティマイザーとしては、GEPAアルゴリズムを用いてルートエージェントのプロンプトを最適化する `GEPARootAgentPromptOptimizer` と、「実行→評価→批評→書き直し」の反復サイクルで改善する `SimplePromptOptimizer` が用意されています。最適化の結果は `OptimizerResult` に格納され、スコア付きの最適化済みエージェントが得られます。 🛠 使い方 CLIから `adk optimize` コマンドで最適化を実行できます。 ```python import asyncio from google.adk.evaluation.eval_config import EvalConfig from google.adk.evaluation.local_eval_sets_manager import LocalEvalSetsManager from google.adk.optimization.local_eval_sampler import LocalEvalSampler from google.adk.optimization.local_eval_sampler import LocalEvalSamplerConfig from google.adk.optimization.simple_prompt_optimizer import SimplePromptOptimizer from google.adk.optimization.simple_prompt_optimizer import ( SimplePromptOptimizerConfig, ) # サンプラーの設定 sampler_config = LocalEvalSamplerConfig( eval_config=EvalConfig(criteria={"response_match_score": 0.75}), app_name="my_agent", train_eval_set="train_eval_set", ) sampler = LocalEvalSampler(sampler_config, LocalEvalSetsManager(agents_dir=".")) # オプティマイザーの実行 optimizer = SimplePromptOptimizer(config=SimplePromptOptimizerConfig()) result = sampler)) # 最適化されたエージェントとスコアを取得 best = result.optimized_agents[0] best_agent = best.optimized_agent print(f"Score: {best.overall_score}") ``` 🏗 本番システムへの組み込み方 ・定期的に最適化を実行し、評価データセットの更新に合わせてプロンプトを継続的に改善する ・`SimplePromptOptimizer` で素早くイテレーションし、`GEPARootAgentPromptOptimizer` で本格的な探索を行う ・最適化前後のスコアを比較し、改善が確認できた場合のみプロンプトを更新する ・評価データセットを実際のユーザーインタラクションから構築し、実用的な最適化を実現する 💡 ユースケース 📈 エージェントのプロンプトを評価スコアに基づいて自動改善する 🔬 複数のプロンプト候補を体系的に比較して最良のものを選定する 🔄 モデル変更やAPI仕様変更後に、プロンプトを新環境に最適化し直す 🎯 特定のタスク（コード生成、要約、分類など）に特化したプロンプトチューニングを行う ⚠️ 注意点 `GEPARootAgentPromptOptimizer` はルートエージェントのプロンプトのみを最適化対象とします。サブエージェントのプロンプト最適化には対応していないため、必要に応じて個別に最適化を行ってください。また、最適化には複数回の評価実行が必要となるため、LLMのAPI呼び出しコストに注意が必要です。 ✨ 最適化機能を活用すれば、試行錯誤に頼っていたプロンプト改善をデータ駆動で自動化できます。定期的な最適化サイクルで、エージェントの品質を継続的に向上させましょう。 #ADK# #AIAgent#

# Claude Agent SDKの便利だけど知られていない機能 🌍 複雑なタスクの進捗、見失っていませんか？構造化タスクトラッキングで可視化できます！ Claude Agent SDKには、エージェント実行中のタスク管理と進捗表示を行う組み込み機能があります。 📌 タイトル：構造化タスク(Todo)トラッキング 🔗 URL： 🧩 概要 `TaskCreate`、`TaskUpdate`、`TaskGet`、`TaskList` の4つのツールを使って、エージェント実行中の構造化タスク管理が可能です。これらのタスクトラッキングツールは Claude 3.x 系、Opus 4〜4.7、Sonnet 4〜4.6、Haiku 4.5 でのみデフォルトで提供され（Claude Code v2.1.268 以降、TypeScript SDK は v0.3.268 以降がこの既定を同梱）、それ以外のモデルではオプトインが必要です。エージェントは複数ステップの作業を自動的にタスクとして登録し、`pending` → `in_progress` → `completed` のライフサイクルで進捗を管理します。従来の `TodoWrite` は全リストを毎回上書きしていましたが、新しい Task ツールでは個別のタスク単位で作成・更新できるため、より細かい進捗追跡が実現できます。 🛠 使い方 ```python # Python - TaskCreate/TaskUpdate のストリームを監視 from claude_agent_sdk import query, ClaudeAgentOptions, AssistantMessage, ToolUseBlock async for message in query( prompt="React アプリのパフォーマンスを最適化してください", # 既定で Task ツールが提供されないモデルでも有効化する options=ClaudeAgentOptions(env={"CLAUDE_CODE_ENABLE_TODO_TOOLS": "1"}), ): if not isinstance(message, AssistantMessage): continue for block in message.content: if not isinstance(block, ToolUseBlock): continue if == "TaskCreate": print(f"+ {block.input['subject']}") elif == "TaskUpdate" and block.input.get("status"): # ストリーム上のキー名は修復前の生の形（id / task_id の場合がある） task_id = ( block.input.get("taskId") or block.input.get("id") or block.input.get("task_id") ) print(f" {task_id} -> {block.input['status']}") ``` ```typescript // TypeScript - タスクの作成と更新をリアルタイム表示 import { query } from "@anthropic-ai/claude-agent-sdk"; for await (const message of query({ prompt: "Optimize my React app performance", // 既定で Task ツールが提供されないモデルでも有効化する options: { env: { ...process.env, CLAUDE_CODE_ENABLE_TODO_TOOLS: "1" } }, })) { if (message.type !== "assistant") continue; for (const block of message.message.content) { if (block.type !== "tool_use") continue; if ( === "TaskCreate") { console.log(`+ ${block.input.subject}`); } else if ( === "TaskUpdate") { // ストリーム上のキー名は修復前の生の形（id / task_id の場合がある） const taskId = block.input.taskId ?? ?? block.input.task_id; if (taskId && block.input.status) console.log(` ${taskId} -> ${block.input.status}`); } } } ``` 🏗 本番システムへの組み込み方 ・タスクの進捗をUIのプログレスバーやチェックリストに反映して、ユーザーに作業状況を可視化します ・`TaskCreate` の結果から `taskId` を取得し、マップで管理することで完全なタスク一覧を構築できます ・`TaskList` のツール結果を監視してスナップショットを取得し、ダッシュボードに表示します ・3ステップ以上の複雑なタスクで自動的にタスクが作成されるため、長時間実行の監視に活用できます 💡 ユースケース 📋 大規模リファクタリングの進捗をリアルタイムでチームに共有する 🔄 CI/CDパイプラインでエージェントの各ステップの完了状況を追跡する 📊 マルチステップのコード分析で、どの分析が完了したかをダッシュボードに表示する ⚠️ 注意点 ・`TaskCreate` の入力には `taskId` は含まれません。対応する `tool_result` ブロックから `{ task: { id, subject } }` として取得する必要があります ・既定でツールが提供されないモデルでは、`allowed_tools` にツール名を挙げる、`tools` オプションに列挙する、`env` で `CLAUDE_CODE_ENABLE_TODO_TOOLS=1` を設定する、のいずれかでオプトインが必要です（オプトインしないと該当の `tool_use` ブロックはストリームに現れません）。逆に `CLAUDE_CODE_ENABLE_TASKS=0` を設定すると、4つの Task ツールの代わりに旧 `TodoWrite` が提供されます ・`status` を `"deleted"` に設定するとタスクを削除できます ✨ 複数ステップの作業を「何をやっているか分からない」状態で待つのはストレスフルです。タスクトラッキングを活用して、エージェントの作業をガラス張りにしましょう！ #ClaudeAgentSDK# #AIAgent#

「大きいほど良い」はもう常識ではないのかもしれません。小さなモデルを、訓練の自動化だけでフロンティア級に引き上げようという挑戦です🔬 タイトル: Tiny AutoScientist: Supersized Intelligence for Small Models URL: 🔬 概要 Tiny AutoScientistは、0.8B〜8Bといった本番でよく使われる小さなモデルの、訓練とアライメントのプロセス全体を自動化する自動研究システムです。小さなモデルでも、フロンティア級の品質で動くようにすることを目指します。 ❓ 解決する課題 実運用では、レイテンシ・コスト・デバイス制約から、小さなモデルを使いたい場面が多くあります。 ・しかし小さなモデルの訓練は、ハイパーパラメータに敏感で、過学習に陥りやすく、扱いが難しいです ・そのため、「制約に収まる小さなモデル」か「十分な能力を持つ大きなモデル」かの、つらい二者択一を迫られがちでした 💡 方法論と仕組み ・データと、モデル訓練のレシピを自動で共最適化（co-optimize）します ・品質が目標に収束するまで、両者を自己改善し続けます ・これまでフロンティアAIラボだけが回せていた研究開発のループ全体を自動化し、小さなモデル訓練につきまとうハイパーパラメータ感度や過学習の課題を引き受けます 📊 実験結果 / 実績 ・人間が設定した訓練に対し、相対で35%の改善を達成しました ・5,000〜100,000サンプルのデータセットサイズにわたって一貫した向上を示しました ・複数のモデルアーキテクチャで機能します ・フロンティア級の性能を、数ヶ月ではなく数日で提供します 🌍 ユースケース エッジでのデプロイ、オンデバイス推論、レイテンシに厳しいアプリ、データの境界が厳格な規制業界など、これまで現実的でなかった用途を解放します。小型モデルの訓練はハイパラ調整が職人芸になりがちなので、それを自動化して人手設定を上回れるのは、実務的に大きな意味があります。 #小型モデル# #AutoML#

# 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#

雪葬❄️ パトロンさんになるとBETA版が遊べます🥰 今回、誰でも遊べるくらい軽くしました！ Become a patron to play the Snowed Under beta! 💜 This time, we’ve optimized it so most anyone can run it!

# Snowflakeの機能と実践的な使い方 🚀 「サイズを1段上げると速くなるけど、コストは大丈夫?」——Snowflakeのコスト最適化は、この問いに正しく答えられるかで決まります。Virtual Warehouseのサイズと自動停止の仕組みを押さえましょう。 📌 タイトルと機能のURL タイトル: Working with Virtual Warehouses URL: 📝 概要 Virtual Warehouseは、SQLクエリやINSERT/UPDATE/DELETE/COPYなどのデータ操作に必要なCPU・メモリ・一時ストレージを提供する計算リソースのクラスタです。起動中のみクレジットを消費し、サイズ変更や自動停止を柔軟に設定できます。ワークロードごとにサイズと自動停止を設計することが、Snowflakeコスト最適化の第一歩です。 🔧 機能の説明 ウェアハウスのサイズと課金の特徴は次の通りです。 ・サイズはX-Smallから6X-Largeまであり、1段大きくするごとに計算リソースとクレジット消費が2倍になります。X-Small=1、Small=2、Medium=4、Large=8、X-Large=16、2X-Large=32…6X-Large=512クレジット/時です。 ・課金は秒単位で、起動・再開のたびに最低60秒分が課金されます。例えばX-Largeを61秒動かすと約0.271クレジット、1時間フルで動かすと16クレジットです。 ・サイズが大きいほど大規模・複雑なクエリは速くなりますが、小さく単純なクエリは必ずしも速くなりません。 ・標準ウェアハウスのほか、ML学習など大きなメモリを要する処理向けにSnowpark-optimizedウェアハウスもあります。 🛠 実践的な使い方 ・`AUTO_SUSPEND`(既定で有効)で一定時間アイドルなら自動停止、`AUTO_RESUME`(既定で有効)でクエリ到着時に自動再開させ、待機中のクレジット浪費を防ぎます。 ・`CREATE WAREHOUSE etl_wh WAREHOUSE_SIZE = XLARGE` のように作成し、アドホック分析用は `WAREHOUSE_SIZE = SMALL AUTO_SUSPEND = 60` で「使った分だけ課金」にします。 ・`INITIALLY_SUSPENDED = TRUE` を付けると、作成直後は停止状態にできます。 ・ウェアハウスは稼働中でもサイズ変更でき、重い処理の直前だけ一時的に大きくする運用も可能です。 🎯 ユースケース ・日次バッチをX-Largeで一気に終わらせる。1段上げると速度約2倍・所要時間半分になるため、同じクレジットでも処理時間を短縮できます。 ・アドホック分析用ウェアハウスをSmall + AUTO_SUSPEND=60秒にし、誰も使っていない時間は課金ゼロにする。 ・データロード用は小〜中サイズで十分なケースが多く、ファイル数・サイズに応じて見直す。 ⚠️ 注意点 ・再開のたびに最低60秒課金されるため、極端に短いAUTO_SUSPEND(数秒)はかえって起動・停止を頻発させ非効率になることがあります。 ・大きいサイズは小さなクエリには無駄です。「遅いクエリにはサイズアップ」が基本で、すべてを大きくすればよいわけではありません。 ・データロード性能はウェアハウスサイズよりファイルの数とサイズに依存します。サイズアップ前に並列化を検討します。 #Snowflake# #DataEngineering#