Cursorチームが、公式ドキュメントだけからSQLiteをRustでゼロから実装させる実験を行った。 以前はエージェントが暴走して途中で破綻したが、今のシステムでは見事にテストを100%通過した。 で、そのやり方を書いている詳細だった。 以下、個人的に面白かったとこだけ。 ・毎秒1,000コミットを捌くために独自のバージョン管理システムを作った ・マージコンフリクトが起きた際は、中立な第三者エージェントが介入して解決する ・肥大化したファイルを検知して自動で分割する仕組みも導入されている ・また、興味深いのが、モデルの組み合わせによるコストの違い ・GPT-5.5単体では開発に約10,000ドルかかった ・しかし、Opus 4.8とComposer 2.5の分業では約1,300ドルで済んだ ・それでいて、どの構成でも最終的なコードの品質はほぼ同じだったとのこと

GrokをCodexに繋げると Xの「リアルタイムで伸びている投稿」を 毎日自動で収集できる オラはこんなSkillを作って運用してる 👇 ✅ 2026年7月以降に500いいね以上を獲得した投稿を毎日収集 ✅ 新しく見つかった投稿だけをSQLiteデータベースへ追記保存 ✅ キーワード・言語・いいね数などで検索できるダッシュボードを自動生成 さらに強力なのが 言語を横断してトレンドを分析できること。 英語だけでなく、中国語やアラビア語圏で話題になっているAIトピックまで 抽出できるので、日本では まだ知られていないネタを 先回りしてキャッチできる 毎日ダッシュボードを開くだけで、「次に何を発信すれば伸びるか」の候補が蓄積されていく仕組みです

Claude CodeやCodex、Cursorを「研究エージェント」に変えてしまうOSSワークスペースが登場しました。文献レビューから実験実施まで、複数の仮説を並行して走らせられます。 タイトル: alphaXiv/OpenResearch URL: 概要としては、Rust製でローカルSQLiteにデータを保持する「ローカルファースト」設計のワークスペースで、既存のコーディングエージェントの上に研究サイクルを自動化する層を被せています。 🌳 注目ポイント1: 並列探索と実験の追跡可能性 研究の方向性ごとに独立したエージェントセッションと分離されたgitワークツリーを割り当て、実験のバリアントをコミット履歴として記録します。実行ごとに不変のアーカイブが残るため、後から何を試したか完全に追跡できます。 🔍 注目ポイント2: 証拠の文脈管理 ログ・差分・ファイル・実行結果・成果物を、それらを生み出した作業内容と結び付けて保存する仕組みを持ちます。これにより実験結果の再現性と検証性が大きく向上します。 🔁 注目ポイント3: 自律的な研究ループとマルチエージェント対応 アイデア提案から実験実施、証拠検査、次のステップ決定までを自律的に繰り返すループを備え、Claude Code・Codex・OpenCode・Cursorから好みのエージェントを選べます。ローカル実行だけでなくSlurmやKubernetes、Ray、Hugging Face Jobsなどの実行環境にも対応しています。 研究者がデータの所有権を保ちながらAIエージェントを並列活用できる、実用的な基盤だと感じました。 #AIエージェント# #研究DX#

# OpenAI Agent SDKの便利だけど知られていない機能 🌍 エージェントが長時間タスクの途中でクラッシュしたとき、最初からやり直しになっていませんか？ 永続実行統合を使えば、障害を跨いでエージェントの進行状況を保持し、中断したところから再開できます。 📌 タイトル：永続実行統合 🔗 URL： 🧩 概要 OpenAI Agent SDKは、複数の永続実行オーケストレーターとの統合をサポートしています。**Temporal**（永続的な長時間ワークフロー）、**Dapr**（CNCFベンダー中立オーケストレーター、自動障害回復）、**Restate**（軽量な永続エージェントフレームワーク、プロセス/コンテナ/サーバーレス対応）、**DBOS**（SQLite/Postgresベースのエージェント進行状況保存）の4つが公式に統合されています。いずれも標準の `Runner` インターフェースと連携し、Human-in-the-Loopパターン（一時停止・承認・再開）をサポートします。 🛠 使い方 ```python # Temporal統合の例 # pip install temporalio from temporalio.contrib.openai_agents import openai_workflow # Dapr統合の例 # Dapr CLIとランタイムをセットアップ後 # dapr run -- python agent_workflow.py # Restate統合の例 # pip install restate-sdk # Restateのドキュメントに従いエージェントをデプロイ # DBOS統合の例 # pip install dbos from dbos import DBOS # 各オーケストレーターの詳細は公式ドキュメントを参照: # Temporal: # Dapr: # Restate: # DBOS: ``` 🏗 本番システムへの組み込み方 ・長時間実行エージェント（リサーチ、データ処理）の障害耐性を確保する ・Human-in-the-Loopパターンで、承認待ちの間エージェントを一時停止し、承認後に再開する ・既存のオーケストレーション基盤（Temporal/Dapr）がある場合は、その上でエージェントを実行する ・サーバーレス環境ではRestateやDBOSで軽量にエージェントの永続性を実現する 💡 ユースケース 🔄 障害時の自動再開が必要な長時間リサーチエージェント ✅ 人間の承認ステップを含むワークフロー自動化 🏗 マイクロサービスアーキテクチャでのエージェントオーケストレーション 💾 エージェントの進行状況のチェックポイント保存 ⚠️ 注意点 各オーケストレーターは独自のインフラ要件（Temporalサーバー、Daprランタイム、Restateサービス、DBOSのDB）を持つため、運用コストと複雑さを考慮して選択してください。ベンダー中立を重視するならDapr（CNCF）やRestate、既存のワークフロー基盤があるならTemporal、最小構成で始めるならDBOSが適しています。統合の成熟度はそれぞれ異なるため、本番導入前に十分な検証を行ってください。 ✨ 永続実行統合で、エージェントを「落ちても止まらない」堅牢なシステムに進化させましょう。 #OpenAIAgentSDK# #AIAgent#

# Hermes Agentの機能と実践的な使い方 🚀 「昨日の続きから」が一言で始められる。Hermes Agentのセッションは、すべての会話を自動で記録・再開・検索できる長期運用の土台です。 📌 タイトルと機能のURL タイトル: Sessions URL: 📝 概要 セッションは、CLI・Telegram・Discord・Slackなどあらゆる入口での会話を自動保存する仕組みです。完全なメッセージ履歴をSQLiteに永続化し、後から再開したり全文検索で過去のやり取りを掘り出したりできます。プラットフォームごとに文脈が分かれるため、「チャットごとに別の話題」を自然に保てます。 🔧 機能の説明 ・履歴は `~/.hermes/state.db`（SQLite、WAL モード）に保存され、メタデータ・全メッセージ・トークン数・FTS5 全文検索インデックスを管理します。 ・アクティブなコンテキストには現在の会話ウィンドウだけを読み込み、過去の全バイトは展開しません。画像は説明文に、音声は文字起こしに、文書は要約に変換して扱います。 ・最初のやり取りの後、バックグラウンドの補助モデルが3〜7語の説明的なタイトルを自動生成します（遅延なし）。 ・セッションはソースごとに決定論的なキーで識別され、DM・グループ・スレッドで形式が分かれます。 🛠 実践的な使い方 ・直近のCLIセッション再開: `hermes --continue`（または `-c`）。タイトル指定なら `hermes -c "project name"`、ID指定なら `hermes --resume `。 ・一覧・検索・管理: `hermes sessions list --limit 50 --source telegram` / `hermes sessions export backup.jsonl` / `hermes sessions prune --older-than 90 --yes` / `hermes sessions stats`。 ・手動命名: チャット内で `/title my project`、または `hermes sessions rename "new title"`。 ・エージェント自身も `session_search` ツールでFTS5検索を行い、「前にやった件」と言うと自動で過去会話を参照します。 ・`/handoff telegram` でCLIの会話を全文と共にメッセージング先へ引き継げます。 🎯 ユースケース ・昨日のリファクタ作業をそのまま再開し、中断前の文脈を引き継ぐ。 ・「あのとき何を決めたか」を全文検索で素早く参照する。 ・Telegram・Discordなど入口ごとに文脈を分離し、混線を防ぐ。 ・長期運用エージェントの作業履歴データベースとして活用する。 ⚠️ 注意点 ・自動タイトル付けはセッションごとに1回のみで、既にタイトルがあればスキップされます。 ・メディアのバイト列は再送されず、派生テキストやファイルパスのみが後続の文脈に残ります。 ・自動プルーニング（` ・スレッド非対応プラットフォームの共有ホームチャンネルでは、本来共有したいグループ会話の扱いが理想的でない場合があります。 #HermesAgent# #AIAgents#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェントの処理が数時間、あるいは数日にわたる場合、プロセスが落ちても大丈夫ですか？ Durable execution統合を使えば、長時間実行や人間承認フローを安全に実現できます。 📌 タイトル：Running agents – Durable execution integrations 🔗 URL： 🧩 概要 Durable execution統合は、エージェントの実行状態を永続化し、プロセス障害やサーバー再起動後も途中から再開できる仕組みです。人間の承認を待つワークフロー（数時間〜数日）や、長時間のバッチ処理で特に威力を発揮します。Temporal、Dapr、Restate、DBOSなどのフレームワークとの統合がサポートされています。 🛠 使い方 DBOSとAgent SDKを組み合わせた例です。`DBOS()` で初期化し、`Agent(name="approval-agent", instructions="...")` でエージェントを定義します。`@DBOS.workflow()` デコレータを付けた非同期関数 `expense_approval_workflow(report_id)` の中で、`await input=...)` で経費レポートを分析し、`await DBOS.recv(f"approval-{report_id}", timeout_seconds=86400 * 7)` で最大7日間の承認待ちを行います。`approval["approved"]` が `True` なら再度 ` で承認済みレポートを処理します。 🏗 実践的な使い方 **人間承認ワークフロー** 経費精算、コンテンツ公開、契約書レビューなど、人間の承認が必要なプロセスにエージェントを組み込む場合、承認待ちの間にプロセスが落ちても状態が保持されます。承認が来た時点で自動的に処理を再開できます。 **障害からの自動復旧** Temporal/Dapr/Restate/DBOSのいずれも、プロセスクラッシュやサーバー再起動後に自動的に最後のチェックポイントから再開する仕組みを持っています。LLM呼び出しの途中で障害が発生しても、完了済みのステップは再実行されません。 **小中規模プロジェクトにはDBOS** TemporalやDaprはインフラの構築と運用コストが高いですが、DBOSはSQLite（ローカル開発）やPostgres（本番）だけで動作します。専用のオーケストレーションサーバーが不要なため、小中規模のプロジェクトに最適です。 **段階的なエージェントパイプライン** 複数のエージェントステップを持つパイプライン（調査→分析→レポート生成→レビュー→承認）を、各ステップの完了をチェックポイントとして永続化できます。途中で失敗しても、最初からやり直す必要がありません。 💡 ユースケース 📋 経費精算の承認フロー（マネージャーの承認を数日待つ） 📝 コンテンツ公開パイプライン（エディターレビュー→承認→公開） 🔄 長時間バッチ処理の障害復旧（数百件のドキュメント処理） 🏢 契約書レビューワークフロー（法務チームの確認待ち） ⚠️ 注意点 - Durable executionフレームワークの選択はインフラ要件に依存します。既にTemporalを使っているならTemporalを、新規で軽量に始めるならDBOSを検討してください。 - 永続化される状態にLLMのレスポンス全文を含めるとストレージコストが増大します。必要な情報だけを保存するよう設計してください。 - 人間承認のタイムアウトを設定してください。無期限に待つワークフローはリソースリークの原因になります。 - DBOSのSQLiteバックエンドはローカル開発には便利ですが、本番環境ではPostgresを使用してください。 ✨ Durable executionで、プロセス障害を恐れずに長時間ワークフローを構築しましょう！ #OpenAIAgentSDK# #AIAgent#

AIコードレビューでトークンを燃やしていませんか？🔥 コードを構造グラフ化して、関連ファイルだけ読ませることで、トークンを中央値82倍削減するツールです。 タイトル: tirth8205/code-review-graph URL: 🔥 概要 Tree-sitterでコードベースの構造マップ（グラフ）をローカルに永続化する、ローカルファーストのコードインテリジェンスツールです。AIアシスタントが、リポジトリ全体ではなく文脈的に関連するファイルだけを読んでレビューできるようにします。 ❓ 解決する課題 AIコードレビューツールは、レビューのたびにコードベースの大部分を読み直し、大量のトークンを無駄にします。 ・特に大規模モノレポでは、コンテキストが膨れ上がりコストもレイテンシも悪化します ・変更の影響範囲をスキャンするのに、プロジェクト全体を読む必要がありました 💡 方法論と仕組み 3段階のパイプラインで動きます。 ・パース：Tree-sitterがASTを作り、関数・クラス・import・呼び出し関係を抽出 ・グラフ保存：ノードとエッジをSQLiteに永続化（外部DB不要） ・分析：変更時に影響範囲（blast-radius）分析で、影響する呼び出し元・依存先・テストを辿り最小限の文脈を返す 多言語対応、増分更新は2秒未満、MCP連携（30ツール）、GitHub Action、D3.js可視化を備えます。 📊 実験結果 / 実績 ・トークン効率：38倍〜528倍の削減（6リポジトリで中央値約82倍） ・影響予測のF1スコア：平均0.71 ・CLI例：フル文脈12,921トークン→グラフ文脈762トークン（約94%削減） #コードレビュー# #AIエージェント#