検索結果 Status
Status 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。
アカウント
見つかりません
Status を含む検索結果
Waifu status: Ascended❤️
SAO Asuna cosplay (for March Patron)
🩸血盟騎士団🩸
(3月会員写真) アスナ明日奈
[📢]
2026.10.02 RELEASE
𝐉𝐎𝟏 𝐔𝐒 𝐄𝐏
𝐀𝐍𝐈𝐌𝐀𝐋
-
'STATUS'
-
TikTokにて先行配信スタート💳
(
#JO1# #JO1_ANIMAL# #JO1_STATUS#
もっと見る
ChatGPT君、一度復活したけど、またおかしくなってきた気配が……。回答がめちゃくちゃ遅くなってきています。。Statusも黄色と赤が目立ってきたから、またダメになりそう。
もっと見る
Claude Code 2.1.248, 2.1.250 (抜粋)
- `--restricted`（または`CLAUDE_CODE_RESTRICTED=1`）を追加。コマンド・コードを実行するビルトインツールと`WebFetch`を除去し（`--tools`で明示指定しない限り）、ファイルツールは作業ディレクトリ内に制限し、`bypassPermissions`を拒否し、ユーザー・プロジェクト・ローカルの設定ファイルを無視する
- agent frontmatterに`experimental.cacheTtl`（`"5m"`または`"1h"`）を追加。サブエージェントのTTL設定が未構成の場合に使われる、エージェント単位のprompt cache TTL
- `claude self-hosted-runner --client-label
もっと見る
# OpenAI Agent SDKの便利で実践的な使い方
🌍 1つのエージェントで全てをこなすのは無理がありますよね？
Handoffsを使えば、専門エージェントへの引き継ぎを自然に実現できます。
📌 タイトル：Handoffs
🔗 URL：
🧩 概要
Handoffsは、あるエージェントから別のエージェントへ会話の制御を引き渡す仕組みです。トリアージエージェントがユーザーの意図を判断し、適切な専門エージェントに振り分けるパターンを宣言的に構築できます。`handoff_description`でモデルにヒントを与え、`tool_name_override`でビジネスロジックに合った命名ができます。
🛠 使い方
カスタマーサポートのトリアージ例です。`Agent(name="order-status", instructions="注文状況の問い合わせに回答...")`, `Agent(name="refund", instructions="返金リクエストを処理...")`, `Agent(name="faq", instructions="よくある質問に回答...")` の3つの専門エージェントを定義します。トリアージエージェントは `Agent(name="customer-support", handoffs=[...])` として、`Handoff(agent=order_agent, handoff_description="注文状況や配送に関する問い合わせ", tool_name_override="transfer_to_order_team", tool_description_override="...")` のように詳細設定付きのhandoff、`Handoff(agent=refund_agent, handoff_description="返金・返品に関するリクエスト", tool_name_override="transfer_to_refund_team")` のようなシンプルなhandoff、`Handoff(agent=faq_agent)` のような最小構成のhandoffを組み合わせて定義します。`await input="先週注文した商品がまだ届きません")` で実行すると、モデルが適切な専門エージェントに振り分けます。
🏗 実践的な使い方
**カスタマーサポートのトリアージ**
フロントのトリアージエージェントが顧客の意図を判定し、注文確認・返金処理・FAQ回答など専門エージェントに振り分けます。各専門エージェントは自分のドメインに集中した指示を持つため、回答品質が向上します。
**handoff_descriptionによるモデルへのヒント**
`handoff_description`はモデルがhandoff先を選択する際の判断材料になります。「注文状況や配送に関する問い合わせ」のように具体的に記述することで、誤った振り分けを防げます。曖昧な記述だとモデルが判断に迷い、不適切なhandoffが発生します。
**ビジネスに合った命名（tool_name_override）**
デフォルトでは`transfer_to_{agent_name}`というツール名になりますが、`tool_name_override`でビジネスの用語に合わせた名前に変更できます。ログやトレースを確認する際に、技術用語ではなくビジネス用語で表示されるため可読性が向上します。
**段階的な専門化**
トリアージ→専門エージェント→さらに細分化した専門エージェントという多段handoffも可能です。返金エージェントから「クレジットカード返金」と「ポイント返還」に分岐させるなど、組織構造をそのままエージェント構造にマッピングできます。
💡 ユースケース
🏢 カスタマーサポート（トリアージ→注文確認/返金/FAQ）
🏥 医療相談（受付→内科/外科/予約管理）
📚 教育プラットフォーム（質問分類→数学/英語/プログラミング担当）
🔧 IT ヘルプデスク（初期対応→ネットワーク/アカウント/ソフトウェア）
⚠️ 注意点
- handoff先のエージェントが多すぎるとモデルの選択精度が低下します。1つのエージェントに5個以上のhandoff先がある場合は、中間のトリアージ層を設けることを検討してください。
- `handoff_description`が曖昧だと誤振り分けが増えます。「何でも対応」のような記述は避け、明確な判断基準を記述してください。
- handoffは一方向です。引き継ぎ先から元のエージェントに戻るには、引き継ぎ先にも元のエージェントへのhandoffを定義する必要があります。
- handoffされると`run_config`のモデル設定は引き継がれません。各エージェントに個別に設定してください。
✨ Handoffsで専門エージェントのチームを構築し、それぞれが得意分野に集中できる設計にしましょう！
#OpenAIAgentSDK# #AIAgent#
もっと見る
3名のデータチームに毎週積み上がるリクエスト、事前定義されたダッシュボード以外の分析は全員がデータチームを経由する——それがLangChainのBI時代の日常でした。
🔍 チームは変化を決意しました。求めたのは「ダッシュボード・ノートブック・会話型インターフェースを統合し、ネイティブにAIエージェントを扱える」プラットフォームです。Hexを選び、dbtデータモデル・セマンティックレイヤー・ワークスペースガイド・エンドースメント（信頼シグナル）・GitHub連携という5層のコンテキスト構造を設計しました。移行は6週間で完了し、社員全員が採用するという結果になりました。
変化の核心は技術ではなく「明示性」でした。「account_statusはアカウントのステータスです」という曖昧な定義を、ライフサイクル状態・デフォルトフィルタ・レポート規約を含む詳細な記述に書き換えるだけで、エージェントの回答精度が劇的に変わります。ARR・パイプライン・カスタマーヘルスなど主要指標はセマンティックレイヤーで一元定義し、複数のアセットが同一概念を扱う際にエージェントが混乱しないよう信頼シグナル（エンドースメント）で正規ソースを明示しました。
今、マーケティング・プロダクト・営業・カスタマーエンジニアリングの全部門が、データチームを介さずに自分で分析を進められるようになっています。月間約2,200件のエージェント会話が生まれ、3名のチームが手動で対応できる量の40倍のリクエストをエージェントが処理しています。データチームの仕事は「質問に答える」から「他者が質問に答えられるシステムを設計する」へと変わりました。LangChainの実践記録「How LangChain Built an Agent-First Data Stack」は、エージェント時代のデータチームのあり方を具体的な数字と設計思想で語っています。
#DataStack# #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
🌍 LLM API の一時的なエラーで、エージェント全体が落ちてしまった経験はありませんか？
`ModelRetrySettings` を使えば、Runner がリトライ戦略を自動管理し、一時的な障害に耐性のあるエージェントを構築できます。
📌 タイトル：Runner 管理のリトライ
🔗 URL：
🧩 概要
`ModelSettings` の `retry` パラメータに `ModelRetrySettings` を指定することで、リトライ回数・バックオフ戦略・リトライポリシーを細かく制御できます。`max_retries` で最大試行回数、`backoff` で遅延戦略（`initial_delay`、`max_delay`、`multiplier`、`jitter`）、`policy` でリトライ対象のエラー種別を定義します。ただし、abort エラー・安全でないリプレイ・出力開始後のストリーム・ステートフルリクエストは絶対にリトライされません。
🛠 使い方
```python
from agents import Agent, ModelRetrySettings, ModelSettings, retry_policies
agent = Agent(
name="Assistant",
model="gpt-5.5",
model_settings=ModelSettings(
retry=ModelRetrySettings(
max_retries=4,
backoff={
"initial_delay": 0.5,
"max_delay": 5.0,
"multiplier": 2.0,
"jitter": True,
},
policy=retry_policies.any(
retry_policies.provider_suggested(),
retry_policies.retry_after(),
retry_policies.network_error(),
retry_policies.http_status([408, 429, 500, 502, 503, 504]),
),
)
),
)
```
利用可能なポリシーヘルパー:
- `retry_policies.never()` - 常にリトライしない
- `retry_policies.provider_suggested()` - プロバイダの指示に従う
- `retry_policies.network_error()` - 一時的なネットワーク障害
- `retry_policies.http_status([...])` - 特定の HTTP ステータスコード
- `retry_policies.retry_after()` - Retry-After ヘッダに従う
- `retry_policies.any(...)` / `retry_policies.all(...)` - 組み合わせ
🏗 本番システムへの組み込み方
・Runner レベルでデフォルトのリトライ設定を定義し、Agent レベルで `max_retries` のみオーバーライドする
・`jitter: True` で複数エージェントの同時リトライによるサンダリングハード問題を回避する
・429（レート制限）と 5xx（サーバーエラー）を必ずリトライ対象に含める
・Agent レベルの設定は Runner レベルの設定とディープマージされる
💡 ユースケース
🔄 レート制限（429）への自動バックオフ
🌐 ネットワーク瞬断時の自動回復
🏢 マルチテナント環境でのエージェント安定性確保
📊 バッチ処理での一時的エラーの吸収
⚠️ 注意点
abort エラー、プロバイダがリプレイ不安全と判定したリクエスト、出力が開始されたストリーム、`previous_response_id` や `conversation_id` を使うステートフルリクエストは、安全性の観点からリトライされません。リトライポリシーの `policy` フィールドはシリアライズされないため、実行時にのみ有効です。
✨ ModelRetrySettings で、一時的な障害に動じない堅牢なエージェントを構築しましょう。
#OpenAIAgentSDK# #AIAgent#
もっと見る
# ADK 2.0の便利だけど知られていない機能
🌍 数分〜数時間かかる処理をエージェントのツールとして扱いたい場合、どうすればよいでしょうか？
ADK 2.0の `LongRunningFunctionTool` は、長時間実行されるタスクのオーケストレーションを管理するための専用クラスです。実際の重い処理は別サーバーで実行しつつ、エージェント側では進捗管理と状態遷移を制御できます。
📌 タイトル：Long Running Function ツール
🔗 URL：
🧩 概要
`LongRunningFunctionTool` は、長時間かかるタスクをエージェントワークフローに統合するためのクラスです。処理は4つのフェーズで進行します。開始フェーズでタスクを発行し、初期更新フェーズで進捗を通知し、続行/待機フェーズでクライアントが次のアクションを判断し、フレームワーク処理フェーズでエージェントランナーが一時停止を管理します。重要なのは、このクラスはオーケストレーションを管理するものであり、実際の長時間タスクの実行自体は行わないという点です。
🛠 使い方
ツール関数はステータスとチケットIDを含む辞書を返し、フレームワークがその状態を管理します。
```python
from adk import LongRunningFunctionTool
def start_training(model_name: str, dataset: str) -> dict:
"""モデルトレーニングを開始する"""
# 外部サーバーにリクエストを送信
ticket_id = external_api.start_job(model_name, dataset)
return {
"status": "in_progress",
"ticket_id": ticket_id,
"message": "トレーニングを開始しました"
}
tool = LongRunningFunctionTool(func=start_training)
```
エージェントランナーは返された状態に基づいて実行を一時停止し、クライアントが「続行」か「待機」かを決定します。実際の計算処理は別サーバーで行い、ツール関数はその進捗確認と状態報告のみを担当します。
🏗 本番システムへの組み込み方
・実際の重い計算処理は専用のコンピュートサーバーで実行し、ツール関数はAPIコールのみ行う
・チケットIDを使った進捗追跡の仕組みを構築し、ポーリングまたはWebhookで状態を更新する
・タイムアウトとエラーハンドリングを適切に設定し、タスクの失敗を検知できるようにする
・クライアント側で待機/続行の判断ロジックを実装し、ユーザー体験を損なわないようにする
💡 ユースケース
🤖 機械学習モデルのトレーニングジョブの管理と進捗追跡
🎬 動画エンコードやレンダリングなど時間のかかるメディア処理
📦 大規模データのETLパイプラインの実行管理
🧪 長時間かかるテストスイートやベンチマークの実行と結果取得
⚠️ 注意点
`LongRunningFunctionTool` はオーケストレーション（状態管理と進捗追跡）を管理するものであり、実際の長時間タスクを実行するものではありません。重い処理は必ず別のサーバーやサービスで実行してください。また、セッションの有効期限やメモリ管理にも注意が必要です。長時間のタスクではセッションが切断されるリスクがあるため、状態の永続化を検討してください。
✨ 長時間タスクをエージェントワークフローにシームレスに統合できるこの機能は、実用的なAIシステム構築において非常に強力です。計算処理とオーケストレーションの責務を明確に分離しましょう。
#ADK# #AIAgent#
もっと見る
