連日のようにハードウェアの株価がぶっ飛び続ける一方、鳴かず飛ばずのソフトウェア銘柄🥲 同じハイテク株というカテゴリーでも、大きな格差が生まれています。 しかし、日経からこんなニュース⬇️が出ていて、一部界隈で少し話題に。 「コンサル7社、日本人員10万人超え　企業のAI導入支援で膨張 - 日本経済新聞」 この記事から考えるべき点は、以下のような感じかと思います。 ●「AIに代替される」と言われていたSIやコンサルが、AIの導入ビジネスで逆に活況となる皮肉な状況。 今年2月のアンソロピック・ショックから議論が巻き起こった「SaaSの死」は一体どこへ…？ ●業績成長への期待は、市場全体（TOPIX）よりむしろSI・コンサル企業の方が高い。しかし、株価が低迷を続けているのはなぜ…？ 仕事柄、多くのSIやコンサルの経営者の方と対談する機会がありますが、皆さん口をそろえて「AIの普及に伴ってDX関連のビジネスは非常に活況になっている」と言います。 私の個人的な見解としても、少なくとも現段階では、大手SIやコンサルがAIやSaaSに代替されることはないだろうと思っています。 一方で、米国ではすでにAIが幅広く普及して、経験やスキルに乏しい若年層の失業率が上昇を続けています。 ハイテク企業のAIリストラもたびたび話題になっていますよね。 皆さんは、このソフトウェア株の現状が「業績期待と株価のミスプライス」なのか、「AI普及後の代替リスクを織り込んだ妥当な状態」なのか、どちらだと思われますか？ 私は前者派ですが、なかなか明確な答えが出ない難しい議論だと思っています🐱

# ADKの便利で実践的な使い方 🚀 ツールの並列実行、レスポンスサイズの最適化、レイテンシとトークンコストの削減 — ADKのTool Performanceガイドで、本番環境のスループットを最大化しましょう。 📌 タイトル：Tool Performance — ツール実行の最適化手法 🔗 URL： 🧩 概要 ADKではツールのパフォーマンスを最適化するための複数のアプローチが提供されています。読み取り専用ツールの並列実行、レスポンスサイズの削減によるトークンコスト最適化、そしてレイテンシ削減のためのベストプラクティスがあります。本番環境で高いスループットを実現するためには、これらの最適化が不可欠です。 🛠 使い方 並列実行とレスポンス最適化の例です。 まず、読み取り専用のツールを複数定義します。`get_user_profile(user_id: str)`、`get_user_orders(user_id: str)`、`get_user_preferences(user_id: str)` のように副作用のない関数を用意すると、ADKはこれらを並列に実行できます。次に、レスポンスサイズを削減するツール設計として `search_products(query: str, limit: int = 5)` を定義し、戻り値では `id`、`name`、`price` など必要なフィールドのみを返し、画像URLや説明文全文、メタデータ等は省略します。最後に `Agent` を `name="customer_service"`、`model="gemini-2.5-flash"` で作成し、`tools` リストにこれら4つの関数を渡します。 🏗 実践的な使い方 **並列実行の判断基準**: 副作用がなく、互いに依存しないツールは並列実行が安全です。LLMは複数のツールを同時に呼び出すことができ、ADKがそれらを並列に実行します。データの取得系ツール（GET相当）は並列実行の良い候補です。 並列実行に適した設計として、互いに独立した `get_weather(city: str)`、`get_news(topic: str)`、`get_stock_price(symbol: str)` のようなツールを定義します。各ツールはそれぞれ天気情報、ニュース記事、株価をdictで返すだけの読み取り専用関数です。LLMがこれら3つを同時に呼び出すと、ADKが自動的に並列で実行します。 **レスポンスサイズの最適化**: ツールの戻り値はLLMのコンテキストウィンドウを消費します。不要なフィールドの除外、データの要約、ページネーションの実装でトークンコストを大幅に削減できます。 **レイテンシ最適化のチェックリスト**: 1. キャッシュ可能な結果はキャッシュする 2. 外部API呼び出しにタイムアウトを設定する 3. 不要に大きなデータを返さない 4. 複数の小さなツールに分割して並列実行を促す 💡 ユースケース 📊 ダッシュボード用の複数データソース並列取得 🔍 検索結果のフィールド絞り込みによるトークン節約 ⚡ マイクロサービス間の並列API呼び出し 💰 大量リクエスト環境でのトークンコスト最適化 ⚠️ 注意点 - 副作用のあるツール（書き込み・削除）を並列実行すると、競合状態が発生する可能性があります。書き込み系ツールは逐次実行を推奨します。 - レスポンスを削減しすぎると、LLMが十分な情報を得られず、ユーザーへの回答品質が低下する場合があります。必要な情報は確実に含めてください。 - ツールのタイムアウトが短すぎると、正常なレスポンスも中断される可能性があります。適切なタイムアウト値を設定しましょう。 ✨ 小さな最適化の積み重ねが、本番環境での大きなパフォーマンス差を生みます。まずはレスポンスサイズの見直しから始めてみましょう！ #ADK# #AIAgent#

【ヨコハマ Voice Street】 7月24日(金)15:00～16:55 生放送 15:05頃〜 「ちょこっと横浜F·マリノス」 ⭐️夛方貴美 試合情報、イベントレポート 15:12頃〜 「熱血プロ野球」 ⭐️元プロ野球選手　北村照文さん オールスター直前のセ・リーグ！ 15:33頃〜 #横浜GRITS# 「GO! GRITS! GO!」 ⭐️澤村茉莉花 ⭐️横浜GRITS 臼井亮人取締役Founder 16:02頃〜 「たかみのTopic」 ⭐️夛方貴美 夏まつり的ソング 16:30頃〜 「明日使えないラジオ恋愛英会話」 ⭐️夛方貴美 ⭐️澤村茉莉花 メッセージテーマは 「あなたの“これ懐かしい〜！”アイテム」 各コーナーにもメッセージお待ちしています！ 📩yvs@marine-fm.com もしくは 番組名を選択↑ 📱Radimo(レディモ) 💻JCBAｲﾝﾀｰﾈｯﾄｻｲﾏﾙﾗｼﾞｵ #マリンFM# #YVS#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 複数のエージェントをどう組み合わせるかで、システム全体の品質が決まります。 LLM駆動とコード駆動、2つのオーケストレーションパターンを使い分けましょう。 📌 タイトル：Agent orchestration 🔗 URL： 🧩 概要 マルチエージェントの連携には、LLMが動的に判断する「LLM駆動」パターンと、Pythonコードで明示的に制御する「コード駆動」パターンの2つがあります。さらに`as_tool`でエージェントをツール化するManagerパターンと、handoffによる制御移譲パターンを組み合わせることで、複雑なワークフローを柔軟に構築できます。 🛠 使い方 LLM駆動パターンでは、`Agent(name="researcher", handoffs=[web_search_agent, code_exec_agent])` のようにhandoffを持たせ、モデルが動的に判断します。コード駆動パターンでは、`researcher`, `outliner`, `writer`, `critic` の各エージェントを定義し、`blog_pipeline(topic)` 関数内で `await input=...)` → `await input= + [...])` → `await input=...)` と順に実行します。生成→評価ループは `for i in range(3)` で `critic` にレビューさせ、`"問題なし"` が含まれれば終了、なければ `writer` に改善させます。並列実行は `asyncio.gather(*[ input=data) for a in agents])` で感情分析・トピック抽出・要約を同時実行します。Managerパターンでは `Agent(name="manager", tools=[ のように子エージェントをツール化して統合します。 🏗 実践的な使い方 **LLM駆動 — オープンエンドなタスク** 調査エージェントにWeb検索・ファイル検索・コード実行・専門家handoffを持たせ、LLMが状況に応じて最適な手段を選択します。「この技術について調べて」のようなオープンエンドな質問に最適で、事前にフローを決定できない場合に使います。 **コード駆動 — 確定的なパイプライン** ブログ生成のようにステップが決まっている場合は、Pythonコードでリサーチ→アウトライン→執筆→批評→改善のパイプラインを明示的に記述します。各ステップの成果物をプログラムで検証・分岐できるため、品質管理がしやすくなります。 **生成→評価ループ** `while`ループで生成と評価を繰り返し、品質基準を満たすまで改善し続けるパターンです。批評エージェントが「OK」を返すまで繰り返すことで、一発生成では得られない品質を実現できます。ループ回数の上限は必ず設定してください。 **asyncio.gatherでの並列実行** 感情分析・トピック抽出・要約など、相互に依存しない複数のタスクを`asyncio.gather`で並列実行します。直列実行に比べてレイテンシが大幅に短縮されます。 **Managerパターン（as_tool）とhandoffの使い分け** `as_tool`はManagerエージェントが制御を保持したまま子エージェントを「ツールとして」呼び出します。制御がManagerに戻るため、複数の子エージェントの結果を統合する場合に適しています。handoffは制御を完全に移譲するため、専門エージェントに任せきりにする場合に向いています。 💡 ユースケース 🔬 研究調査（LLM駆動でWeb検索/論文検索/コード分析を動的選択） 📝 コンテンツ制作パイプライン（コード駆動でリサーチ→執筆→レビュー→改善） ⚡ 並列データ分析（asyncio.gatherで感情/トピック/要約を同時実行） 👔 Managerパターン（分析チームの結果を統合してレポート作成） ⚠️ 注意点 - LLM駆動パターンは柔軟ですが、モデルの判断ミスによる不要なhandoffやツール呼び出しが発生する可能性があります。重要なフローはコード駆動で制御してください。 - 生成→評価ループには必ず上限回数を設定してください。無限ループになるとトークンコストが際限なく増加します。 - `asyncio.gather`で並列実行する場合、1つのタスクの失敗が他のタスクに影響しないよう、`return_exceptions=True`の使用を検討してください。 - `as_tool`で呼ばれた子エージェントの結果はテキストとしてManagerに返されます。構造化データが必要な場合は`output_type`を指定してください。 ✨ LLM駆動とコード駆動を適材適所で使い分け、最適なマルチエージェントアーキテクチャを設計しましょう！ #OpenAIAgentSDK# #AIAgent#

RAGの「精度を上げると遅くなる」ジレンマに、トピックを“方位磁針”として使う発想で挑む研究です🧭 タイトル: MCompassRAG: Topic Metadata as a Semantic Compass for Paragraph-Level Retrieval URL: 🧭 概要 トピックレベルのシグナルを「意味的なコンパス」として使い、関連する根拠を段落（パラグラフ）レベルで選び出す、メタデータ誘導型の検索フレームワークです。精度と効率を同時に高めることを狙います。 ❓ 解決する課題 RAGには、検索の精度と効率のトレードオフがあります。 ・細かいチャンクは精度が上がるが、候補が増えてレイテンシとコストが増大します ・大きいチャンクは候補が減るが、複数トピックの混在で意味的ノイズが生まれます 特に大規模データへの高速・高精度検索が要るディープリサーチで顕著です。 💡 方法論と提案手法 ・チャンクの表現を、同一の埋め込み空間内でトピックメタデータによって強化します ・LLM教師蒸留で、軽量なリトリーバーを訓練します ・これにより、推論時に追加のLLM呼び出しなしで「トピックを意識した検索」を実現します メタデータと密な埋め込みを組み合わせ、軽量リトリーバーに蒸留するのが核心です。 📊 実験結果 ・情報効率：6つのベンチマークで平均8.24%改善 ・レイテンシ：最も強力な効率重視RAGベースラインより5倍以上低い ・コードは公開リポジトリで提供 推論時の追加LLM呼び出しなしで、この精度と速度を両立しています。 #RAG# #検索#

【産経ザファクト】AI vs 校閲記者　99%を100%に…新聞社が誇る職人技 漢検1級を19回合格の飯尾来夢記者と、TOPIK最上級の校閲ガール森華月記者が、地味にスゴイ！お仕事をファクトに解体。 ファクトシーカー佐野麗奈さんが、めちゃムズイ漢字問題に挑みます@s_reina_mv0923

／ TV初放送！ 『VIOLETOPIA（’24年星組・宝塚・千秋楽）』 出演：礼真琴、舞空瞳、暁千星 ＼ 「場所・郷」を意味する「TOPIA」に、「Violette（スミレ）」が110年咲き続ける劇場、Takarazuka。 宝塚歌劇110周年の華やかな幕開けを祝うレビュー作品 7/12(日)00:45〜 TAKARAZUKA SKY STAGE #スカパー#