# ADKの便利で実践的な使い方 📜 OpenAPI/Swaggerの仕様書があれば、それだけでAPIをツール化できる — ADKのOpenAPI Toolsは、既存のREST APIを最小労力でエージェントに統合します。 📌 タイトル：OpenAPI Tools — OpenAPI仕様からの自動ツール生成 🔗 URL： 🧩 概要 ADKのOpenAPIToolsetは、OpenAPI（Swagger）仕様書からRestApiToolを自動生成します。各エンドポイントがそのままエージェントのツールになり、入力バリデーションも自動的に適用されます。`auth_scheme`と`auth_credential`を設定すれば、生成されたすべてのツールに認証が自動適用されるため、個別のツールごとに認証コードを書く必要がありません。 🛠 使い方 OpenAPI仕様からツールを自動生成する例です。 ` から `OpenAPIToolset` を、`google.adk.auth` から `APIKeyAuth` をインポートします。`OpenAPIToolset(spec_url="", auth_scheme=APIKeyAuth(header_name="X-API-Key"), auth_credential="your-api-key-here")` のように、OpenAPI仕様のURLと認証設定を渡してツールセットを作成します。認証は全ツールに自動適用されます。作成した `toolset` を `Agent` の `tools` リストに渡すだけで、各エンドポイントがエージェントのツールとして利用可能になります。 ローカルのOpenAPI仕様ファイルを使う場合: ローカルのOpenAPI仕様ファイルを使う場合は、` でYAMLファイルを読み込み、`OpenAPIToolset(spec_dict=spec, base_url="")` のように `spec_dict` パラメータに辞書として渡し、`base_url` でAPIのベースURLを指定します。 🏗 実践的な使い方 **既存APIの即座の統合**: 社内のマイクロサービスがOpenAPI仕様を公開していれば、コードを書くことなくエージェントのツールとして利用できます。API仕様の`description`フィールドがツールの説明として使われるため、仕様書の品質がそのままエージェントの精度に影響します。 複数のAPIを統合するには、ユーザーサービス用の `OpenAPIToolset(spec_url="https://user-service.internal/openapi.json", auth_scheme=APIKeyAuth(header_name="Authorization"), auth_credential="Bearer token123")` と注文サービス用の `OpenAPIToolset` をそれぞれ作成し、`Agent` の `tools` リストに `tools=[user_api, order_api]` として両方を渡します。各ツールセットに異なる認証情報を設定できるため、サービスごとのアクセス制御が可能です。 **入力バリデーションの活用**: OpenAPI仕様のスキーマ定義（required、type、enum等）に基づいて入力が自動バリデーションされるため、不正なAPI呼び出しを防げます。 **段階的な統合**: まずは読み取り専用のGETエンドポイントだけをツール化し、動作を確認してからPOST/PUT/DELETEを追加する段階的なアプローチが安全です。 💡 ユースケース 🏢 社内マイクロサービスのエージェント統合 🛒 ECサイトのAPI（商品検索、注文管理）のツール化 📊 データ分析APIの統合による自然言語クエリ 🔗 サードパーティSaaS APIの統合 ⚠️ 注意点 - OpenAPI仕様の`description`が不十分だと、LLMが適切なツールを選択できません。仕様書の品質を事前に確認してください。 - 認証情報（`auth_credential`）はハードコードせず、環境変数やSecret Managerから取得してください。 - エンドポイントが多すぎると、LLMのツール選択が不正確になります。必要なエンドポイントに絞ってToolsetを構成しましょう。 ✨ OpenAPI Toolsを使えば、API仕様書がそのままエージェントの能力になります。既存のAPIドキュメントを最大限に活かしましょう！ #ADK# #AIAgent#

# ADKの便利で実践的な使い方 🔐 APIキー、Bearer Token、OAuth2、OpenID Connect、サービスアカウント — ADKのAuthentication機能は、あらゆる認証方式をツールにシームレスに統合します。 📌 タイトル：Authentication — ツールの認証統合 🔗 URL： 🧩 概要 ADKのAuthentication機能は、AuthSchemeとAuthCredentialの2つのコンポーネントで構成されます。APIKey、HTTP Bearer、OAuth2、OpenID Connect、SERVICE_ACCOUNTの各認証方式をサポートし、ツールの認証を統一的に管理できます。OAuth2ではブラウザフローにも対応し、`tool_context.state`を使ったトークンキャッシュや、トークン有効期限の管理も可能です。 🛠 使い方 各認証方式の設定例です。 `google.adk.auth` から `AuthScheme`、`AuthCredential`、`APIKeyAuth`、`HTTPBearerAuth`、`OAuth2Auth` をインポートします。APIキー認証では `APIKeyAuth(header_name="X-API-Key")` でスキームを作成し、`AuthCredential(api_key="sk-your-api-key")` でクレデンシャルを設定します。HTTP Bearer認証では `HTTPBearerAuth()` と `AuthCredential(token="your-bearer-token")` を使います。OAuth2認証（ブラウザフロー）では `OAuth2Auth(authorization_url="", token_url="", scopes=["read", "write"])` でスキームを定義し、`AuthCredential(client_id="your-client-id", client_secret="your-client-secret")` でクレデンシャルを渡します。 ツールでの認証の活用: ツール内での認証活用例として、`call_protected_api(endpoint: str, tool_context: ToolContext)` 関数を定義します。`tool_context.state.get("user:api_token")` でキャッシュ済みトークンを取得し、有効期限内であればそのまま使用します。期限切れの場合は `refresh_token(tool_context)` で新しいトークンを取得し、`tool_context.state["user:api_token"]` に保存してキャッシュします。取得したトークンを `Authorization: Bearer` ヘッダーに設定してAPIを呼び出します。 🏗 実践的な使い方 **トークンキャッシュ戦略**: `tool_context.state`の`user:`プレフィックスを使ってトークンをキャッシュすることで、同一ユーザーのセッション内でトークンの再取得を避けられます。有効期限の管理も忘れずに実装しましょう。 トークンキャッシュの実践例として `get_or_refresh_token(tool_context: ToolContext) -> str` を定義します。`tool_context.state.get("user:oauth_token")` からトークンデータを取得し、`expires_at` を確認して有効期限内（60秒のバッファ付き）であれば `access_token` をそのまま返します。期限切れの場合は `oauth_client.refresh(refresh_token=...)` で新しいトークンを取得し、`tool_context.state["user:oauth_token"]` に `access_token`、`refresh_token`、`expires_at` を含む辞書として保存します。 **サービスアカウント認証**: GCPサービス間の通信では、SERVICE_ACCOUNT認証を使うことで、ユーザーの介入なしにセキュアなAPI呼び出しが可能です。 **認証の多層化**: 同一エージェント内で複数の認証方式を使い分ける場合、ツールごとに異なる認証を設定できます。OpenAPIToolsetの`auth_scheme`/`auth_credential`と組み合わせると効果的です。 💡 ユースケース 🔑 APIキーによるサードパーティAPI認証 🌐 OAuth2によるユーザー代理でのAPI操作 🏗️ サービスアカウントによるGCPサービス間連携 🔄 トークンのキャッシュと自動リフレッシュ ⚠️ 注意点 - 認証情報（APIキー、シークレット）はコードにハードコードせず、環境変数やSecret Managerから取得してください。 - OAuth2のブラウザフローはサーバーサイドのバッチ処理では使えません。サービスアカウントやクライアントクレデンシャルフローを検討してください。 - トークンの有効期限管理を怠ると、期限切れトークンでのAPI呼び出しが401エラーになります。バッファを持った自動リフレッシュを実装しましょう。 ✨ ADKの認証機能を適切に設定すれば、セキュアなAPI連携をツール内にシームレスに組み込めます。認証はエージェントの信頼性の土台です！ #ADK# #AIAgent#

AIエージェントをエンタープライズシステムに組み込むプラクティス 【MCPゲートウェイ / ツール・フェデレーション（MCP Gateway）】 💡 「エージェント5つ × SaaS 10種 = 50本の個別統合。この掛け算地獄を解消するのがMCPゲートウェイです。」 エージェントが増え、接続先SaaSが増えるたびに統合コストが爆発します。ツール定義の乱立、スキーマの不整合、そしてSaaSのサイレント仕様変更による暗黙の破綻。これらをアーキテクチャレベルで解決します。 🔥 解決する課題 - N（エージェント）×M（SaaS）の統合コスト爆発 - 各エージェントが独自にツール定義を持つことによる重複・不整合 - ツール経由の間接プロンプトインジェクション - エージェントに見えるツールが多すぎることによる選択精度の劣化 - SaaSのサイレント仕様変更（APIレスポンス形式変更等）による暗黙の破綻 🏗️ 提案パターン 各SaaSコネクタをMCP（Model Context Protocol）サーバとして束ね、ゲートウェイがツールの発見・認可・呼び出し監査・スコープ制御を一元管理します。ツール許可リストを主体（部署×エージェント種別）で動的に絞り、エージェントに見えるツールを必要最小限にします。危険ツール（削除・送金・外部送信など不可逆操作）には承認フックを設置します。さらに、ツール定義/APIスキーマを「契約」としてバージョン管理し、定期的に実APIと突合してドリフト（乖離）を検知します。後方互換のないドリフトを検出した場合は、アラート＋該当ツールの一時無効化で安全側に倒します。 ✅ 選定条件 - 採用する場合：連携SaaSが10種以上。複数エージェントが共通ツールを使う。N×M統合の複雑さに困っている。 - 採用しない場合：ツールが2〜3個固定の単機能エージェント（直結のほうが堅牢でシンプル）。依存APIが安定していて変更頻度が極めて低い環境。 ⚠️ 落とし穴 - エージェントに露出するツールが20〜30を超えると選択精度が低下します。tool RAGで意図に応じて動的に絞るか、役割別サブエージェントに分割してください。 - 契約テスト（ドリフト検知）を導入しないと、SaaS側の仕様変更に気づかず、エージェントが誤ったデータを処理し続けます。Salesforce APIのフィールド変更などは実際に起きる頻度が高いです。 - MCPサーバの認可設計を後回しにすると、全エージェントが全ツールにアクセスできる状態が放置されます。 🛠️ 実装方針 - 各SaaS（Salesforce / ServiceNow / Jira / Slack / Box 等）のMCPサーバを構築します。公式MCPサーバがあればそれを採用し、なければOpenAPI定義からツールを自動生成して自作MCPサーバとして用意します。 - MCPゲートウェイを配置し、ツールレジストリ（カタログ）を構築します。各MCPサーバが提供するツールを一覧化し、部署×エージェント種別でアクセス可能なツールを動的にフィルタリングする許可リストを設定します。 - OAuth 2.1 ベースの認可と承認フックを設定します。不可逆操作（削除・送金・外部送信）を行うツールにはP09（動的認可PDP）と連携した承認ゲートを設置し、人間の承認なしに実行されない構成にします。 - 契約テスト（Pact等）とスキーマレジストリでドリフト検知パイプラインを構築します。週次でツール定義と実APIスキーマを突合し、後方互換のない変更を検出した場合はアラート＋該当ツールの自動無効化を行います。 - tool RAG または役割別サブエージェント分割で、各エージェントに露出するツール数を20以下に制御します。意図に応じて動的にツールを絞り込み、選択精度を維持します。 #AIエージェント# #エンタープライズアーキテクチャ#

🚀 FastAPIを「最初のエンドポイント」から「本番でスケールするAIシステム」まで一気通貫で学べる電子書籍です。LLM/RAG serving まで踏み込み、各章末に面接問題が付くのが実用的です。 タイトル: FastAPI for AI Engineers: From First Endpoint to Production-Scale AI Systems URL: 🚀 概要 PythonでMLモデルやLLM/RAGを本番運用するAIエンジニア向けの実践書（初版・2026年、AI Engineering Insider）。全10章・計100問の面接問題に加え、実在の障害事例やコストモデルのコラムが織り込まれています。 ❓ 解決する課題 ・モデルは作れても、本番でスケールするAPIとして安全に配信するのは別スキル ・LLM/RAGの serving はストリーミング・ガードレール・コスト管理など固有の難しさがある 本書はFastAPIを「AI/MLの事実上の serving レイヤー」として体系化します。 💡 構成と扱う技術 ・基礎：ASGI/WSGI、Uvicorn、OpenAPI、Pydantic v2によるスキーマ分離と検証 ・実装：冪等性、適切なステータスコード、ページネーション、Router→Service→Repositoryのクリーンアーキテクチャ ・DB/セキュリティ：SQLAlchemy/SQLModel/Alembic、N+1、プールサイジング、JWT、BOLA対策、OWASP API Top 10 ・非同期：「イベントループを絶対にブロックしない」、def vs async defの使い分け、httpxのリトライ/サーキットブレーカー 🎯 核心（第9章 AI/RAG/LLM） ・lifespanで重みを一度だけロード、CPU推論はスレッドにオフロード ・LLMゲートウェイで認証・プロンプト・ガードレール・コスト計測を集約、SSEでトークンを逐次配信 ・埋め込み＋ベクトルDB（pgvectorから開始）でRAGを構築し、出力はPydanticで検証→失敗なら差し戻して再試行 ・max_tokensを「支出上限」として型で強制 📊 注目ポイント ・実在の障害（Netflix、Stripe、GitLab、Optus、Air Canada）から学ぶ実践志向 ・第10章はGunicorn+Uvicorn、K8sのliveness/readiness、可観測性の3本柱（p99 vs p50）、SLOベースのアラートまでカバー #FastAPI# #AIエンジニアリング#

🔎 エージェントが他組織のツールやエージェントを「どこにあって、どれを選び、安全か」を判断する標準がついに登場。エージェンティックWebの検索エンジンを作る仕様です。 📰 タイトル: Announcing the Agentic Resource Discovery specification 🔗 URL: 💡 概要 Googleが、AIの能力（ツール・スキル・他のエージェント）をWeb全体で公開・発見・検証するためのオープン仕様「Agentic Resource Discovery（ARD）」を発表しました。業界横断で開発され、フレームワークやプロトコル、プロバイダーの違いを越えて安全に接続できることを目指します。 🧩 解決する課題 エージェントは組織をまたいだツールやエージェントを使いたくても、「どこにあるか・どれを選ぶか・安全に使えるか」に答える標準がなく、プラットフォームごとに分断していました。ARDはこの発見と信頼の欠落を埋めます。 🛠 方法論と提案手法 2つの基本要素で構成されます。 ・カタログ: 組織がドメインのwell-knownパスに ai-catalog.json を公開。MCPサーバー、A2Aエージェント、OpenAPIツール、入れ子カタログを記述でき、ドメイン所有権が信頼の暗号学的な土台になります ・レジストリ: カタログをクロール・インデックス化する「エージェンティックWebの検索エンジン」。検証用メタデータ付きで結果を返します 公開→発見→暗号学的検証→実行時接続の4フェーズで動作します。 📊 ユースケース / 実績 Googleは Gemini Enterprise Agent Platform の Agent Registry として実装し、Agent Identity検証によるHIPAA等のコンプライアンスにも対応。例えば障害調査の運用エージェントが、可観測性・ドキュメント・デプロイ履歴・専門エージェントを統一的に発見して使えます。仕様はApache 2.0でGitHub公開されています。 #AIエージェント# #ARD#

AIエージェントをエンタープライズシステムに組み込むプラクティス 【MCPゲートウェイ / ツール・フェデレーション（MCP Gateway）】 💡 ポイント 「エージェント5つ × SaaS 10種 = 50本の個別統合。この掛け算地獄を解消するのがMCPゲートウェイです。」 エージェントが増え、接続先SaaSが増えるたびに統合コストが爆発します。ツール定義の乱立、スキーマの不整合、そしてSaaSのサイレント仕様変更による暗黙の破綻。これらをアーキテクチャレベルで解決します。 🔥 解決する課題 - N（エージェント）×M（SaaS）の統合コスト爆発 - 各エージェントが独自にツール定義を持つことによる重複・不整合 - ツール経由の間接プロンプトインジェクション - エージェントに見えるツールが多すぎることによる選択精度の劣化 - SaaSのサイレント仕様変更（APIレスポンス形式変更等）による暗黙の破綻 🏗️ 提案パターン 各SaaSコネクタをMCP（Model Context Protocol）サーバとして束ね、ゲートウェイがツールの発見・認可・呼び出し監査・スコープ制御を一元管理します。ツール許可リストを主体（部署×エージェント種別）で動的に絞り、エージェントに見えるツールを必要最小限にします。危険ツール（削除・送金・外部送信など不可逆操作）には承認フックを設置します。さらに、ツール定義/APIスキーマを「契約」としてバージョン管理し、定期的に実APIと突合してドリフト（乖離）を検知します。後方互換のないドリフトを検出した場合は、アラート＋該当ツールの一時無効化で安全側に倒します。 ✅ 選定条件 - 採用する場合：連携SaaSが10種以上。複数エージェントが共通ツールを使う。N×M統合の複雑さに困っている。 - 採用しない場合：ツールが2〜3個固定の単機能エージェント（直結のほうが堅牢でシンプル）。依存APIが安定していて変更頻度が極めて低い環境。 ⚠️ 落とし穴 - エージェントに露出するツールが20〜30を超えると選択精度が低下します。tool RAGで意図に応じて動的に絞るか、役割別サブエージェントに分割してください。 - 契約テスト（ドリフト検知）を導入しないと、SaaS側の仕様変更に気づかず、エージェントが誤ったデータを処理し続けます。Salesforce APIのフィールド変更などは実際に起きる頻度が高いです。 - MCPサーバの認可設計を後回しにすると、全エージェントが全ツールにアクセスできる状態が放置されます。 🛠️ 実装方針 - 各SaaS（Salesforce / ServiceNow / Jira / Slack / Box 等）のMCPサーバを構築します。公式MCPサーバがあればそれを採用し、なければOpenAPI定義からツールを自動生成して自作MCPサーバとして用意します。 - MCPゲートウェイを配置し、ツールレジストリ（カタログ）を構築します。各MCPサーバが提供するツールを一覧化し、部署×エージェント種別でアクセス可能なツールを動的にフィルタリングする許可リストを設定します。 - OAuth 2.1 ベースの認可と承認フックを設定します。不可逆操作（削除・送金・外部送信）を行うツールにはP09（動的認可PDP）と連携した承認ゲートを設置し、人間の承認なしに実行されない構成にします。 - 契約テスト（Pact等）とスキーマレジストリでドリフト検知パイプラインを構築します。週次でツール定義と実APIスキーマを突合し、後方互換のない変更を検出した場合はアラート＋該当ツールの自動無効化を行います。 - tool RAG または役割別サブエージェント分割で、各エージェントに露出するツール数を20以下に制御します。意図に応じて動的にツールを絞り込み、選択精度を維持します。 #AIエージェント# #エンタープライズアーキテクチャ#

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 複数の LLM プロバイダを 1 つのエージェントシステムで混在させたいと思ったことはありませんか？ `MultiProvider` を使えば、モデル名のプレフィックスで自動的にプロバイダをルーティングできます。 📌 タイトル：MultiProvider による接頭辞ルーティング 🔗 URL： 🧩 概要 `MultiProvider` は、モデル名のプレフィックス（例：`openai/gpt-4.1`）に基づいてリクエストを適切なプロバイダに自動ルーティングします。`openai_prefix_mode="model_id"` を設定すると `openai/...` をそのままモデル ID として扱い、`unknown_prefix_mode="model_id"` で未知のプレフィックスもモデル ID としてルーティングします。`openai_use_responses_websocket=True` で WebSocket トランスポートも有効化可能です。 🛠 使い方 ```python from agents import Agent, MultiProvider, RunConfig, Runner provider = MultiProvider( openai_base_url="", openai_api_key="...", openai_use_responses_websocket=True, openai_prefix_mode="model_id", unknown_prefix_mode="model_id", ) agent = Agent( name="Assistant", instructions="Be concise.", model="openai/gpt-4.1", ) result = await agent, "Hello", run_config=RunConfig(model_provider=provider), ) ``` 🏗 本番システムへの組み込み方 ・コストやレイテンシに応じて、エージェントごとに異なるプロバイダのモデルを割り当てる ・OpenRouter などの統合ゲートウェイと組み合わせ、`openai_prefix_mode="model_id"` でプレフィックス付きモデル名をそのまま渡す ・`RunConfig(model_provider=provider)` で実行時にプロバイダを切り替え、A/B テストを実施する ・WebSocket を有効にして、対応プロバイダでのストリーミング性能を向上させる 💡 ユースケース 🔀 タスクの難易度に応じた GPT-4.1 / GPT-5.5 の使い分け 🌐 OpenRouter 経由での複数プロバイダへのアクセス統合 💰 高コストモデルと低コストモデルのハイブリッド運用 🧪 異なるモデル間での品質比較テスト ⚠️ 注意点 デフォルトでは `openai/...` は OpenAI プロバイダのエイリアスとして扱われ、未知のプレフィックスは `UserError` を発生させます。OpenRouter など外部ゲートウェイを使う場合は、必ず `openai_prefix_mode` と `unknown_prefix_mode` を `"model_id"` に設定してください。プロバイダごとに対応する機能（ツール呼び出し、構造化出力など）が異なる点にも注意が必要です。 ✨ MultiProvider で、複数のモデルを自在に組み合わせたエージェントシステムを構築しましょう。 #OpenAIAgentSDK# #AIAgent#

OpenAI最新モデル、人類が長年解読出来ていなかった暗号文を登場1ヶ月で解読 → 暗号研究者も復元結果を正しいと確認 GPT-6 Astraは独自の解読プログラムも作成しています。

OpenAI、2026～30年の累計赤字43兆6000億円想定→売上3500億ドルでも費用が上回る「死の交差」が迫る 売上拡大の裏で計算資源への投資が膨らみ、AI事業の採算が問われます。

OpenAI、あと5年ずっと赤字の見通し！→2026～30年のFCF累計赤字2780億ドル（約43.6兆円）…投資家に「ごめん！」状態でオワコンで草😅 巨額の設備投資が続くAI事業で、黒字化への道筋が問われます。