登録して招待リンクを共有すると、動画再生報酬と紹介報酬を獲得できます。

検索結果 Open
Open コミュニティ
1つのキーワードが1つのコミュニティです。
コミュニティ作成
アカウント
見つかりません
Open を含む検索結果
# OpenCodeの機能と実践的な使い方 🧘 「どのプロバイダーのどのモデルがコーディングに向くの?」——OpenCode Zenは、その悩みを肩代わりします。検証済みモデルだけを集めたAIゲートウェイです。 🏷️ タイトル: 厳選モデルリスト 🔗 URL: 📘 概要 OpenCode Zenは、コーディングエージェント向けに検証・最適化されたモデルだけを提供するAIゲートウェイです。「とりあえず使えるか試す」のではなく、OpenCodeチームがモデルとプロバイダーの組み合わせをベンチマークし、各チームと相談して最適な設定で動かしたものを選別しています。プロバイダー選定に迷う人が、設定の手間なく良質なモデルへアクセスできます。 ⚙️ 機能の説明 ・利用開始: でサインアップ→請求情報を登録→APIキーを取得。TUIで `/connect` を実行しOpenCode Zenを選んでキーを貼り付けます。 ・モデル指定: モデルIDは `opencode/` 形式です。例えば設定ファイルで `opencode/gpt-5.5` のように指定します。TUIの `/models` で一覧を確認できます。 ・ラインナップ: OpenAI(GPT 6系・GPT 5.x系)・Anthropic(Claude Opus/Sonnet/Haiku)・Google(Gemini)・Qwen/DeepSeek/Kimi/GLM など50以上。期間限定の無料モデルもあります。 ・課金: 100万トークン単位の従量課金。残高が$5を下回ると$20を自動チャージ(変更/無効化可)。ワークスペースや個人ごとの月次上限も設定できます。 🛠️ 実践的な使い方 設定ファイルでZenのモデルを既定にするには、`opencode.json` に `"model": "opencode/gpt-5.5"` と書きます。 まずは無料モデル(Big Pickle など)で挙動を確かめ、用途に応じて高品質モデルへ切り替える運用が手軽です。組織利用ではAdmin/Memberのロールで、有効モデルや支出上限を一元管理できます。 💡 ユースケース ・モデル選定の経験が浅いチームが、検証済みリストから外れずに安定した品質でコーディングを始める。 ・タスクに応じて安価なモデルと高性能モデルをZen内で切替え、コストと品質のバランスを取る。 ・既存のOpenAI/Anthropicキーを持ち込み(BYOK)、課金は各プロバイダー直、モデル管理はZenで統一する。 ⚠️ 注意点 ・データ保持ポリシーはモデルにより異なります。多くはゼロ保持ですが、無料モデルや一部プロバイダー(OpenAI/Anthropicは30日保持など)は学習・ログ利用される場合があります。機密データでは要確認です。 ・無料モデルはフィードバック期間の「期間限定」提供です。恒常運用の前提にしないでください。 ・旧世代モデルは2026年中頃に廃止予定のものがあります。利用中モデルの廃止日を監視してください。 #OpenCode# #LLM#
もっと見る
# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェントに「自分だけの作業場」を与える。サンドボックスでファイル編集・シェル実行・状態保存を安全に行いましょう。 SandboxAgent はファイルシステムアクセスとシェル実行を備えた隔離ワークスペースで動作し、コード修正やテスト実行を自律的に行えます。 📌 タイトル:サンドボックスエージェント 🔗 URL: 🧩 概要 SandboxAgent は、エージェントに永続的なファイルシステムとシェルアクセスを提供する機能です。`Manifest` でローカルリポジトリをサンドボックスにステージングし、`Capabilities` でファイル編集・シェル実行・スキル・メモリなどの機能を組み合わせます。`SandboxRunConfig` の `session_state` や `snapshot` を使えば、中断した作業への再接続も可能です。バックエンドは `UnixLocalSandboxClient`(ローカル開発用)と Docker から選べます。 🛠 使い方 `agents.sandbox` から `SandboxAgent`, `Manifest`, `SandboxRunConfig`、`agents.sandbox.entries` から `LocalDir`、`agents.sandbox.capabilities` から `Capabilities`、`agents.sandbox.sandboxes.unix_local` から `UnixLocalSandboxClient` をインポートします。`SandboxAgent` に `default_manifest=Manifest(entries={"repo": LocalDir(src=HOST_REPO_DIR)})` でローカルリポジトリをステージングし、`capabilities=Capabilities.default()` で標準機能を有効化します。実行時は ` に `run_config=RunConfig(sandbox=SandboxRunConfig(client=UnixLocalSandboxClient()))` を渡します。 🏗 実践的な使い方 **バグ修正ワークフロー** `task.md` にバグの説明と検証コマンドを記述し、エージェントに修正からテストまでを一貫して任せるパターンです。 `SandboxAgent` に `instructions` で「task.md を読む→原因特定→修正→テスト実行→要約」の手順を記述し、`default_manifest=Manifest(entries={"repo": LocalDir(src="/path/to/project")})` でプロジェクトをステージング、`capabilities=Capabilities.default()` を設定します。 **セッション再接続で継続作業** 長時間のタスクや中断後の再開に、`session_state` パラメータを使って同じワークスペースに再接続できます。 シリアライズしておいたサンドボックスセッション状態を `client.deserialize_session_state(serialized)` で復元し、`SandboxRunConfig(client=client, session_state=restored_state)` を `RunConfig(sandbox=...)` 経由で ` に渡して同じワークスペースに再接続します(`session` は自分で生成済みのライブセッションを注入するためのパラメータで、再開用ではありません)。 **Docker バックエンドで安全に隔離** 本番に近い環境や信頼できないコードの実行には Docker バックエンドを使い、コンテナで隔離します。 `pip install "openai-agents[docker]"` を入れ、`agents.sandbox.sandboxes.docker` から `DockerSandboxClient` と `DockerSandboxClientOptions` をインポートします。`SandboxRunConfig(client=DockerSandboxClient(docker.from_env()), options=DockerSandboxClientOptions(image="python:3.14-slim"))` を作成して `RunConfig(sandbox=...)` 経由で ` に渡します。ネットワークを切る場合は `network_mode="none"` を指定します。 💡 ユースケース 🐛 `task.md` にバグ情報を記述し、エージェントに修正→テスト→要約を自動化 🔄 `session_state` / `snapshot` でセッション状態を保存し、中断した作業に後から再接続 🐳 Docker バックエンドで信頼できないコードを安全に隔離実行 📁 `Manifest` でローカルリポジトリ全体をサンドボックスにステージングし、実コードベースで作業 ⚠️ 注意点 - `UnixLocalSandboxClient` はホスト権限でコマンドを実行します。Linux では OS レベルの隔離が一切なく、macOS でも `sandbox-exec` によるファイルシステム制限だけでネットワーク隔離はありません。信頼できない入力を扱う場合は Docker かホスト型サンドボックスを選びましょう。 - `UnixLocalSandboxClient` は Unix 系 OS(Linux/macOS)で動作し、Python 3.10+ が必要です。Windows では `DockerSandboxClient`(`openai-agents[docker]`)またはホスト型サンドボックスを使用してください。 - サンドボックス内のファイル変更はホストに自動反映されません。結果の取り出しは明示的に行う必要があります。 - 大規模リポジトリをステージングすると初回起動に時間がかかります。必要なディレクトリのみを `Manifest` に含めましょう。 ✨ サンドボックスエージェントを使えば、コード修正・テスト・レビューといった開発タスクを安全な隔離環境で自動化できます。まずは `task.md` パターンから試してみましょう! #OpenAIAgentSDK# #AIAgent#
もっと見る
OpenAI「Businesses in ChatGPT」の登録・設定代行サービスを開始。イエロ株式会社が店舗のAI検索対策を支援、1万...
OpenAI、新AIモデル「GPT-6.2 Astra」と「GPT-6.2 Sol」を発表
# OpenCodeの機能と実践的な使い方 🔌 「完了したら通知してほしい」「.envは絶対に読ませたくない」——そんな要望を数行のTypeScriptで実現。OpenCodeのプラグインは、エージェントの振る舞いをイベントフックで拡張します。 🏷️ タイトル: イベントフック拡張 🔗 URL: 📘 概要 プラグインは、OpenCodeの内部イベントに処理を差し込めるJavaScript/TypeScriptモジュールです。ツール実行の前後、セッションのアイドル、ファイル編集など30以上のイベントにフックして、通知・ロギング・ガード・環境変数注入などを実装できます。プラグイン関数はコンテキストを受け取り、フック実装をまとめたオブジェクトを返します。 ⚙️ 機能の説明 ・配置場所: プロジェクトは `.opencode/plugins/`、グローバルは `~/.config/opencode/plugins/`。起動時に自動ロードされます。`opencode.json` の `plugin` 配列にnpmパッケージ名を書いて配布することもできます。 ・コンテキスト: プラグイン関数は `project`・`client`(SDKクライアント)・`$`(Bunのシェル)・`directory`・`worktree` を受け取ります。 ・主なフック: `tool.execute.before` / `tool.execute.after`、`session.idle` / `session.created` / `session.compacted`、`file.edited`、`permission.asked`、`shell.env`、`experimental.session.compacting` など。 ・カスタムツール定義やロギング(` 🛠️ 実践的な使い方 完了通知(macOS)と `.env` 読み取り防止の例では、`Plugin` をエクスポートし、`session.idle` フックで `osascript` の通知を出し、`tool.execute.before` フックで `read` 対象が `.env` を含むときに例外を投げて中断します。 環境変数を注入したい場合は `shell.env` フックで ` = "..."` のように設定します。外部パッケージを使うなら `.opencode/package.json` に依存を記述します。 💡 ユースケース ・長時間タスクの完了をデスクトップ通知やSlackへ送り、待ち時間を有効活用する。 ・`.env` や鍵ファイルの読取・編集を `tool.execute.before` でブロックし、機密漏洩を防ぐ。 ・`experimental.session.compacting` で圧縮プロンプトを差し替え、重要なプロジェクト文脈を要約後も保持する。 ⚠️ 注意点 ・プラグインで定義したツール名は組み込みツールを上書きします。意図せず標準動作を壊さないよう命名に注意してください。 ・ローカルプラグインで外部パッケージを使う場合は `.opencode/package.json` に明示的な依存記述が必要です(npm配布分はBunで自動インストール、キャッシュは `~/.cache/opencode/node_modules/`)。 ・`tool.execute.before` で例外を投げるとその操作は中断されます。ガード用途では有効ですが、誤った条件で正常操作まで止めないよう検証してください。 #OpenCode# #AIエージェント#
もっと見る
# OpenAI Agent SDKの便利だけど知られていない機能 🌍 ハンドオフの理由や追加情報を、会話テキストだけで伝えようとしていませんか? 構造化入力を使えば、ハンドオフ時にPydanticモデルで型安全なメタデータを受け渡しできます。 📌 タイトル:handoff の構造化入力 🔗 URL: 🧩 概要 `handoff()` の `input_type` にPydanticの `BaseModel` を指定すると、そのスキーマがモデルにツールパラメータとして公開されます。モデルはハンドオフ時にスキーマに沿った構造化データを生成し、`on_handoff` コールバックでバリデーション済みのデータを受け取れます。これにより、ハンドオフの理由、優先度、ユーザー情報などの構造化されたメタデータを型安全に受け渡しできます。 🛠 使い方 ```python from pydantic import BaseModel from agents import Agent, handoff # ハンドオフ時のメタデータを定義 class EscalationData(BaseModel): reason: str priority: str # "high" | "medium" | "low" customer_tier: str # コールバックでバリデーション済みデータを受け取る async def handle_escalation(ctx, data: EscalationData): print(f"エスカレーション: {data.reason} (優先度: {data.priority})") # データに基づいた処理(例: 優先キューに追加) escalation_handoff = handoff( agent=Agent(name="Senior Support", instructions="上級サポート担当"), input_type=EscalationData, on_handoff=handle_escalation, ) triage_agent = Agent( name="Triage", instructions="問題を評価し、必要に応じてエスカレーションしてください。", handoffs=[escalation_handoff], ) ``` 🏗 本番システムへの組み込み方 ・エスカレーションの理由と優先度を構造化して、後続処理の自動化に活用する ・`on_handoff` コールバック内でデータベースへの記録やアラート送信を行う ・Pydanticのバリデーションにより、不正なハンドオフデータを自動的に検出する ・ハンドオフメタデータを分析し、エージェントの判断品質を評価する 💡 ユースケース 🎫 カスタマーサポートのエスカレーション理由・優先度の構造化記録 🏥 医療トリアージでの症状・緊急度の型安全な受け渡し 📊 ハンドオフパターンの分析によるエージェント設計の改善 🔄 マルチステップワークフローでの中間結果の構造化伝達 ⚠️ 注意点 `input_type` のスキーマが複雑すぎると、モデルが正確な構造化データを生成しにくくなります。フィールドは明確で少数に保ち、説明的なフィールド名を使いましょう。`on_handoff` コールバック内での重い処理は、エージェントの応答速度に影響する可能性があります。 ✨ 構造化入力で、ハンドオフに「意図」と「文脈」を明確に乗せましょう。 #OpenAIAgentSDK# #AIAgent#
もっと見る
# OpenAI Agent SDKの便利で実践的な使い方 🌍 HTTP の往復を減らし、第三者モデルも自由に組み合わせる。WebSocket トランスポートとマルチプロバイダで、エージェントの通信基盤を強化しましょう。 WebSocket トランスポートで低レイテンシ通信を実現し、MultiProvider や Any-LLM/LiteLLM アダプターで OpenAI 以外のモデルもシームレスに統合できます。 📌 タイトル:WebSocketトランスポート / 第三者アダプター 🔗 URL: 🧩 概要 OpenAI Agent SDK は標準の HTTP/SSE に加え、WebSocket トランスポートをサポートしています。`set_default_openai_responses_transport("websocket")` でグローバル切り替えが可能で、`responses_websocket_session()` を使えば同一コネクション上で複数のリクエストを処理できます。さらに `MultiProvider` でプレフィックスベースのモデルルーティングを行い、Any-LLM や LiteLLM のアダプター(beta)で OpenAI 以外のプロバイダにも接続できます。 🛠 使い方 `agents` から `Agent`, `Runner`, `set_default_openai_responses_transport` をインポートし、`set_default_openai_responses_transport("websocket")` でグローバルに WebSocket トランスポートを有効化します。`Agent` を作成し、`await "こんにちは")` で実行、` で結果を取得します。 🏗 実践的な使い方 **プロバイダレベルでの WebSocket 設定** グローバル設定ではなく、特定のプロバイダだけ WebSocket を使いたい場合はプロバイダ単位で設定します。カスタム WebSocket エンドポイントやキープアライブも指定可能です。 `OpenAIProvider` に `use_responses_websocket=True`、`websocket_base_url="wss://your-proxy.example/v1"`、`responses_websocket_options={"ping_interval": 20.0, "ping_timeout": 60.0}` を設定してプロバイダを作成します。`Agent` を作り、` の `run_config=RunConfig(model_provider=provider)` でプロバイダ単位の WebSocket を使用します。 **MultiProvider でモデルルーティング** OpenRouter などのゲートウェイを使い、プレフィックスでモデルを振り分けるパターンです。異なるモデルを持つエージェント同士がハンドオフする場合に便利です。 `MultiProvider` に `openai_base_url=""`、`openai_api_key`、`openai_use_responses_websocket=True`、`openai_prefix_mode="model_id"` を設定します。`model="openai/gpt-4.1-nano"` と `model="openai/gpt-4.1"` のエージェントを作り、`handoffs` で接続して `RunConfig(model_provider=provider)` で実行します。 **Any-LLM / LiteLLM アダプターで第三者モデルを統合** OpenAI 以外のモデル(Anthropic、Google など)を SDK のワークフロー内で透過的に使えます。 `MultiProvider()` をデフォルトで作成し、`Agent` の `model` に `"any-llm/anthropic/claude-sonnet-4-20250514"` を指定、`model_settings=ModelSettings(include_usage=True)` を設定します。` に `RunConfig(model_provider=provider)` を渡して、OpenAI 以外のモデルを透過的に利用します。 💡 ユースケース ⚡ WebSocket トランスポートで HTTP の接続オーバーヘッドを削減し、マルチターン対話のレイテンシを改善 🔀 MultiProvider + プレフィックスルーティングで、OpenRouter 経由の複数モデルを1つのワークフローで使い分け 🌐 Any-LLM アダプターで Anthropic や Google のモデルを SDK のエージェントとして透過的に利用 🔧 LiteLLM アダプターで既存の LiteLLM ルーティング設定をそのまま SDK に持ち込み ⚠️ 注意点 - WebSocket トランスポートを使う場合は `websockets` パッケージのインストールが必要です。 - 信頼性を優先する場合は HTTP/SSE の方が安定しています。WebSocket はレイテンシ重視のシナリオで使いましょう。 - Any-LLM / LiteLLM はベータ機能です。構造化出力やツール呼び出しのサポートはバックエンドのプロバイダによって異なるため、本番導入前に十分な検証を行ってください。 - 一部の LiteLLM バックエンドでは `ModelSettings(include_usage=True)` を明示的に設定しないと使用量メトリクスが取得できません。 ✨ WebSocket とマルチプロバイダを活用すれば、レイテンシ最適化とモデルの柔軟な組み合わせが同時に実現できます。まずは WebSocket で体感速度を試してみましょう! #OpenAIAgentSDK# #AIAgent#
もっと見る
# OpenAI Agent SDKの便利で実践的な使い方 🌍 長大なコンテキストも安定運用へ。ModelSettings の高度な設定とリトライ戦略で、本番環境でも安心してエージェントを動かしましょう。 モデルの挙動を細かく制御する ModelSettings と、API エラーに自動対応する ModelRetrySettings を組み合わせることで、プロダクションレベルの堅牢なエージェントを構築できます。 📌 タイトル:高度なModelSettings / リトライ 🔗 URL: 🧩 概要 ModelSettings は Agent のモデル呼び出し時のパラメータを一括制御するクラスです。`truncation="auto"` でコンテキスト溢れを自動処理し、`context_management` で 200k トークン閾値のコンパクション(要約圧縮)を設定し、`prompt_cache_retention="24h"` でキャッシュを長時間保持してコストを削減できます。さらに `ModelRetrySettings` で 429/503 などの一時的エラーに対する指数バックオフリトライを宣言的に設定でき、`provider_suggested()` ポリシーでリプレイ安全性も確保します。 🛠 使い方 `Agent`, `ModelSettings`, `ModelRetrySettings` を `agents` からインポートし、`retry_policies` も合わせてインポートします。`Agent` の `model_settings` に `ModelSettings` を渡し、`truncation="auto"`、`context_management` に `[{"type": "compaction", "compact_threshold": 200000}]`(リスト形式)を指定、`prompt_cache_retention="24h"` でキャッシュ保持を設定します。`retry` には `ModelRetrySettings` を使い、`max_retries=4`、`backoff` に `initial_delay=0.5`、`max_delay=5.0`、`multiplier=2.0`、`jitter=True` を設定します。`policy` には `retry_policies.any()` で `provider_suggested()`、`retry_after()`、`network_error()`、`http_status([429, 503])` を組み合わせます。 🏗 実践的な使い方 **コンテキスト溢れへの防御的設定** 長い会話や大量のツール出力でコンテキストが溢れると、API がエラーを返します。`truncation="auto"` を設定すると、古い会話アイテムを自動的に落として処理を続行できます。 `Agent` の `model_settings` に `ModelSettings(truncation="auto", context_management=[{"type": "compaction", "compact_threshold": 200000}])` を設定します。 **コスト最適化のためのキャッシュ保持** 同じプロンプトプレフィックスを繰り返し使うワークフローでは、`prompt_cache_retention` を設定することでキャッシュヒット率を上げ、コストとレイテンシを削減できます。 `Agent` に `ModelSettings(prompt_cache_retention="24h")` を設定した `batch_agent` を作成し、`for doc in documents` ループで `await f"分析対象:\n{doc}")` を繰り返し呼び出します。 **本番向けリトライ戦略** `provider_suggested()` を最初のポリシーに置くことで、プロバイダが「リトライ不可」と判断したリクエスト(abort エラーやストリーミング出力開始後など)を誤ってリトライすることを防ぎます。 `ModelRetrySettings` で `max_retries=3`、`backoff` に `initial_delay=1.0`、`max_delay=10.0`、`multiplier=2.0`、`jitter=True` を設定します。`policy` には `retry_policies.any()` で `provider_suggested()`(常に最初に配置)、`retry_after()`、`http_status([429, 500, 502, 503])` を組み合わせます。 💡 ユースケース 📚 大量ドキュメント分析で `truncation="auto"` + `context_management` を設定し、コンテキスト溢れを自動回避 💰 バッチ処理で `prompt_cache_retention="24h"` を設定し、同一プレフィックスのキャッシュヒットでコスト削減 🔄 429/503 エラーに `ModelRetrySettings` の指数バックオフで自動リトライし、一時的な API 障害を乗り越える 🛡 `provider_suggested()` を最優先ポリシーに置き、リプレイ不安全なリクエストの誤リトライを防止 ⚠️ 注意点 - `truncation="auto"` は古いメッセージを暗黙的に落とすため、重要な初期コンテキストが失われる可能性があります。重要情報は instructions に含めるか、最新メッセージとして再送してください。 - `context_management` のコンパクションは API レベルで行われ、`OpenAIResponsesCompactionSession` とは異なるメカニズムです。両方を同時に使う場合は挙動の違いを理解しておきましょう。 - `provider_suggested()` は `previous_response_id` や `conversation_id` を使うステートフルな呼び出しで特に重要です。汎用ポリシーだけでは安全性が不十分な場合があります。 ✨ ModelSettings のきめ細やかな設定とリトライ戦略を組み合わせれば、本番環境でも安定して動作するエージェントを実現できます。まずは `truncation` と `retry` から始めてみましょう! #OpenAIAgentSDK# #AIAgent#
もっと見る
# OpenAI Agent SDKの便利だけど知られていない機能 🌍 ハンドオフ先のエージェントに、不要なツール呼び出し履歴まで渡していませんか? input_filterとhandoff_filtersを使えば、ハンドオフ時の入力を整理し、受信側エージェントを関連コンテキストに集中させることができます。 📌 タイトル:handoff の input_filter と handoff_filters 🔗 URL: 🧩 概要 `handoff()` の `input_filter` パラメータに関数を指定すると、ハンドオフ時に渡される入力データを変換できます。`HandoffInputData`(`input_history` / `pre_handoff_items` / `new_items` / `input_items` / `run_context`)を受け取り、加工した `HandoffInputData` を返す関数を定義します。SDK組み込みの `handoff_filters.remove_all_tools` を使えば、会話履歴から構造化されたツール項目を全て除去できます。これにより、受信側エージェントが関連するコンテキストだけに集中でき、より的確な応答が可能になります。 🛠 使い方 ```python from agents import Agent, handoff, HandoffInputData from agents.extensions import handoff_filters # 組み込みフィルタ:ツール呼び出し履歴を除去 specialist = Agent(name="Specialist", instructions="専門的な回答を行います") handoff_to_specialist = handoff( agent=specialist, input_filter=handoff_filters.remove_all_tools, ) # カスタムフィルタ:直近N件のメッセージのみ渡す def keep_recent_messages(data: HandoffInputData) -> HandoffInputData: recent = data.input_history[-5:] # 直近5件のみ # clone() なら run_context などの他フィールドを保ったまま差し替えられます return data.clone(input_history=recent) handoff_to_specialist = handoff( agent=specialist, input_filter=keep_recent_messages, ) coordinator = Agent( name="Coordinator", handoffs=[handoff_to_specialist], ) ``` 🏗 本番システムへの組み込み方 ・`remove_all_tools` を使って、専門エージェントに不要なツール実行履歴を渡さない ・カスタムフィルタで機密情報を含むメッセージを除外してからハンドオフする ・コンテキスト量を制限することで、受信側エージェントのトークン消費を削減する ・フィルタの組み合わせで、エージェントごとに最適な入力を設計する 💡 ユースケース 🧹 ツール呼び出し履歴のクリーンアップで専門エージェントの精度向上 🔒 機密データを含む会話履歴のフィルタリング 📏 長い会話のコンテキストを要約・圧縮してハンドオフ 🎯 エージェントの専門領域に関連するメッセージだけを選択的に渡す ⚠️ 注意点 フィルタで必要な情報まで除去すると、受信側エージェントが文脈を失い適切に応答できなくなります。特に `remove_all_tools` は、ツールの結果が後続の会話に重要な場合は注意が必要です。なお `remove_all_tools` が取り除くのは構造化されたツール項目だけで、通常のメッセージやネスト履歴の要約にコピー済みの引数・結果は残るため、それらを消すには独自の input_filter が必要です。また、サーバー管理の会話(`conversation_id` / `previous_response_id` など)ではハンドオフの input_filter は利用できません。フィルタの適用結果をログで確認し、必要な情報が保持されているか検証しましょう。 ✨ input_filterで、各エージェントに最適なコンテキストだけを渡す洗練されたハンドオフを実現しましょう。 #OpenAIAgentSDK# #AIAgent#
もっと見る
OpenAI APIで国内推論可能に GPT-6 Lunaのみ