✨4月11日の詳細です✨ ラフォーレ原宿2F CONTAINER POPUP 💪VALX@ラフォーレ原宿💪 ①アパレル新商品の先行販売👕🩳 ※なくなり次第終了 ②山本義徳先生来店💪 ③コスプレイヤーSpecial Event開催！ 私とメルさん@_RoseMelle は11日の11時〜15時にいます☺️

#BOYNEXTDOOR# JP 2nd Single 『BOYLIFE』 POP UP STORE 東京・大阪にて開催決定！ 🗓️2025年8月20日(水)～8月31日(日) 東京：ラフォーレ原宿 2F CONTAINER 大阪：HEP FIVE 4F 🔗 #BND# #BND_BOYLIFE#

明日はVALXさんのイベントに出ます よろしくお願いします☺️ 4月11日 ラフォーレ原宿2F CONTAINER POPUP 💪VALX@ラフォーレ原宿💪 11時〜15時 ✨コラボメニューも✨

便利だけど知られていないClaude APIの機能 🔌 Claude Codeやコンソールだけじゃなく、APIからもスキルを使いたいと思ったことありませんか？ Skills in the API（API内のスキル）は、Messages API経由でAgent Skillsを利用する方法です。自前のアプリケーションにスキルの力を組み込んで、APIベースのエージェントを強化できます。 📌 タイトル：Skills in the API（API内のスキル） 🔗 URL： 🧩 概要 Agent Skillsは元々Claude CodeやConsoleで使われる機能ですが、Skills in the APIを使うとMessages APIから直接スキルを呼び出せます。スキルに定義されたワークフロー・ツール・知識をAPI経由のエージェントに適用でき、コンソールで作り込んだスキルをそのままプロダクションAPIに展開できます。 🛠 使い方 Messages APIリクエストの`container.skills`にスキルを指定して利用します（各要素は`type`が`anthropic`か`custom`、`skill_id`、任意の`version`。1リクエストあたり最大20スキル）。あわせてコード実行ツール（`code_execution_20250825`）を`tools`に含める必要があり、これでそのスキルに従ったエージェント動作がAPIレスポンスとして返されます。コンソールでプロトタイピングしたスキルを、コード変更なしに本番APIで使えるのがポイントです。 🏗 本番システムへの組み込み方 ・プロダクションエージェント：コンソールで開発・テストしたスキルをそのままAPIに展開。プロトタイプから本番への移行がスムーズに。 ・マイクロサービス統合：各マイクロサービスが必要なスキルをAPI経由で呼び出す構成に。スキルの共有と再利用が容易。 ・動的スキル選択：ユーザーのリクエスト内容に応じて異なるスキルを動的に呼び出すルーターを構築。 ・A/Bテスト：スキルのバージョン違いをAPI経由で切り替えて、品質の比較評価を自動化。 💡 ユースケース 🚀 コンソールからAPIへのスキル展開 🔗 マイクロサービスでのスキル再利用 🔀 動的なスキル選択ルーティング 🧪 スキルのA/Bテスト ⚠️ 注意点 APIでスキルを使う場合も、スキル定義の品質が結果の品質を決めます。コンソールで十分にテストしてからAPI展開することをおすすめします。また、スキルの更新がAPIの動作に即反映される場合があるため、バージョン管理に注意してください。 ✨ コンソールで作ったスキルがAPIでそのまま動く。プロトタイプから本番への最短パスを活用しましょう。 #Claude# #LLM#

# Neo4jの機能と実践的な使い方 ⚡ 「グラフDBでもインデックス設計が性能の8割」。MATCHの起点となるプロパティに正しい索引を張るだけで、検索が O(n) から O(log n) に変わります。 🏷️ タイトル: Range / Text / Point / Composite index 🔗 URL: 📘 概要 インデックスはノード・リレーションシップ・プロパティの複製で、主データへの高速なアクセス経路を提供します。作成後はDBMSが自動でメンテナンスします。MATCHのアンカー(起点)探索を高速化し、クエリプランナが述語に応じて自動選択します。 ⚙️ 機能の説明 ・Range(既定): 等価・範囲比較・`IN`・`STARTS WITH` など最も多くの述語を解決します。まず張るべき索引です。 ・Text: `STRING` 専用で、`CONTAINS` と `ENDS WITH` を最適化します。部分一致の画面検索向きです。 ・Point: 空間 `POINT` 値専用で、距離検索やバウンディングボックス内検索を最適化します。 ・Composite: 複数プロパティをまとめて索引化し、複数条件の絞り込みを一度に解決します。 ・Token lookup: ラベル/リレーションシップ型の探索を高速化する基盤索引です。 ・このほか全文検索インデックスとベクトルインデックス(類似検索/GenAI向け)があります。 🛠️ 実践的な使い方 起点プロパティへの range / composite / text / point インデックスの作成例です。 ```cypher CREATE INDEX user_email IF NOT EXISTS FOR (u:User) ON ( CREATE INDEX order_composite IF NOT EXISTS FOR (o:Order) ON (o.customerId, o.status); CREATE TEXT INDEX product_name_text IF NOT EXISTS FOR (p:Product) ON ( CREATE POINT INDEX store_loc IF NOT EXISTS FOR (s:Store) ON (s.location); ``` 確認・削除は次の通りです。 ```cypher SHOW INDEXES; DROP INDEX user_email IF EXISTS; ``` 💡 ユースケース ・` を MATCH の起点にするアプリで、ルックアップを O(log n) 化。 ・`STARTS WITH` は range、`CONTAINS`/`ENDS WITH` は text、地理検索は point を選ぶ画面検索。 ⚠️ 注意点 ・どの索引が効くかは述語次第です。`CONTAINS` は range では効かず text が必要、という対応関係を意識します。 ・索引は書き込みコストとストレージを増やします。実際に使われるか `PROFILE` で確認してから運用に乗せます。 ・複合インデックスは先頭プロパティから順に効くため、列の順序が性能を左右します。 #Neo4j# #Cypher#

# ADKの便利で実践的な使い方 ## 🎛️ エージェントの振る舞いを自在に制御！ADKのCallbacks機能 LLM呼び出しの前にガードレールをかけたい、ツール実行前にバリデーションしたい…そんな要望、ADKの **Callbacks** なら全部叶います！🔧 ## 📌 タイトル Callbacks（コールバック） ## 🔗 URL ## 🧩 概要 Callbacksは、エージェントの実行フローの重要なポイントにフックを仕掛け、振る舞いを観察・カスタマイズ・制御するための仕組みです。フレームワークのコアを変更することなく、6種類のコールバックで柔軟な制御が可能です。 - **before_agent / after_agent**：エージェント実行の前後 - **before_model / after_model**：LLM呼び出しの前後 - **before_tool / after_tool**：ツール実行の前後 最大のポイントは **戻り値によるフロー制御**。`None` を返せば通常続行、特定のオブジェクトを返せばその先の処理をスキップできます。 ## 🛠 使い方 **LLM呼び出しをスキップする（入力ガードレール/キャッシュ）：** `before_model_callback` を定義し、引数として `CallbackContext` と `LlmRequest` を受け取り、戻り値を `Optional[LlmResponse]` とします。`llm_request.contents[-1].parts[0].text` からユーザーの最後のメッセージを取得し、禁止ワードが含まれていれば `LlmResponse` に `Content(role="model")` と拒否メッセージを詰めて返すことでLLM呼び出しをスキップします。問題なければ `None` を返して通常のLLM呼び出しを続行します。 **ツール実行をスキップする（バリデーション/モック）：** `before_tool_callback` を定義し、`context`、`tool`、`args` を受け取ります。戻り値は `Optional[Dict]` です。`validate_args(args)` で引数を検証し、不正であれば `{"error": "引数が不正です"}` という辞書を返してツール実行をスキップします。正常であれば `None` を返して通常実行を続行します。 **エージェント実行をスキップする：** `before_agent_callback` を定義し、`context` を受け取り、戻り値を `Optional[Content]` とします。`is_authorized(context)` で権限チェックを行い、権限がなければ `Content(role="model", parts=[Part(text="権限がありません")])` を返してエージェント実行をスキップします。認可済みであれば `None` を返して通常続行します。 ## 🏗 実践的な使い方 **入力ガードレール + レスポンスキャッシュの組み合わせ：** `smart_before_model` 関数を定義し、`ctx` と `req` を受け取り `Optional[LlmResponse]` を返します。まず Step 1 として `req.contents[-1].parts[0].text` からユーザー入力を取得し、`contains_pii()` で個人情報を検出した場合は拒否メッセージ入りの `LlmResponse` を返してLLM呼び出しをスキップします。次に Step 2 として `hash(user_input)` でキャッシュキーを生成し、`ctx.state.get(f"cache:{cache_key}")` でキャッシュを検索します。キャッシュがあればそのテキストを `LlmResponse` に詰めて返し、なければ `None` を返してLLM呼び出しに進みます。最後に `LlmAgent` を作成する際、`name="SecureAgent"`、`model="gemini-2.0-flash"` を指定し、`before_model_callback=smart_before_model` でこのコールバックを登録します。 ## 💡 ユースケース - 🛡️ **入力ガードレール**：不適切な入力やプロンプトインジェクションをLLM呼び出し前にブロック - 💾 **レスポンスキャッシュ**：同じ質問にはキャッシュから即座に応答しコスト削減 - 🔍 **デバッグ・ログ**：各実行ポイントでリクエスト/レスポンスを記録 - ✅ **ツールバリデーション**：ツール引数の事前検証でエラーを未然に防止 - 🧪 **テスト用モック**：本番ツールの代わりにモックレスポンスを返す ## ⚠️ 注意点 - コールバックは同期的に実行されるため、重い処理（外部API呼び出し等）は避けてください - `before_*` で値を返すと後続処理が完全にスキップされるため、意図しないスキップに注意 - セキュリティガードレールをエージェント横断で適用したい場合は、Callbacksよりも **Plugins** の利用を検討してください - エラーハンドリングは必ず try-except で囲み、コールバックのエラーがエージェント全体をクラッシュさせないようにしましょう ## ✨ まとめ ADKのCallbacksは、エージェントの実行フローに対する「外科手術的な制御」を可能にします。ガードレール、キャッシュ、ログ、バリデーション…あらゆるクロスカッティングな関心事を、コアロジックを汚さずに実装できます。まずは `before_model_callback` から始めてみましょう！ #ADK# #AIAgent#

# ADK 2.0の便利だけど知られていない機能 🌍 エージェントの動作をピンポイントで制御したい場合、コールバックの種類と使い分けを理解していますか？ ADK 2.0は、エージェントのライフサイクル、LLM呼び出し、ツール実行の3層にわたるコールバックを提供しています。各コールバックのBefore/Afterパターンを活用することで、バリデーション、ガードレール、ログ記録などを柔軟に組み込めます。 📌 タイトル：コールバックの種類とパターン 🔗 URL： 🧩 概要 ADK 2.0のコールバックは3つのカテゴリに分かれています。エージェントライフサイクルコールバック（`BeforeAgentCallback` / `AfterAgentCallback`）は、エージェントの実行前後に処理を挿入します。LLMコールバック（`BeforeModelCallback` / `AfterModelCallback`）は、モデル呼び出しの前後で入力の修正やガードレールの適用を行います。ツールコールバック（`BeforeToolCallback` / `AfterToolCallback`）は、ツール実行の前後でバリデーションや結果の加工を行います。 🛠 使い方 各コールバックはエージェントの定義時に指定します。Pythonでは正確なパラメータ名（`callback_context`、`llm_request`、`tool_context`）を使用する必要があります。 ```python from adk import Agent async def before_agent(callback_context) -> None: """エージェント実行前のバリデーション""" print(f"Agent starting: {callback_context.agent_name}") # Noneを返すと通常実行、値を返すとスキップ async def before_model(callback_context, llm_request): """モデル呼び出し前のガードレール""" # リクエストの検証や修正が可能 if contains_sensitive_info(llm_request): return block_response() # 値を返すとモデル呼び出しをスキップ return None # 通常のモデル呼び出しを続行 async def after_tool(callback_context, tool_context, tool_response): """ツール実行後のログ記録""" log_tool_usage(tool_context.tool_name, tool_response) return None agent = Agent( name="my_agent", model="gemini-3.5-flash", before_agent_callback=before_agent, before_model_callback=before_model, after_tool_callback=after_tool, ) ``` Beforeコールバックで値を返すとその後の処理がスキップされ、Noneを返すと通常の処理が続行されます。 🏗 本番システムへの組み込み方 ・`BeforeAgentCallback` で入力のバリデーションや認証チェックを実装し、不正なリクエストを早期に拒否する ・`BeforeModelCallback` でガードレール（PII検出、有害コンテンツフィルタ等）を適用する ・`AfterModelCallback` でモデルの出力を検証し、フォーマットやポリシーへの準拠を確認する ・`AfterToolCallback` でツールの実行結果をログに記録し、監査証跡を残す 💡 ユースケース 🛡 `BeforeModelCallback` で個人情報を含むプロンプトをブロックする 📝 `AfterAgentCallback` でエージェントの実行結果をデータベースに記録する ✅ `BeforeToolCallback` でツール呼び出しパラメータのバリデーションを行う 🔍 `AfterModelCallback` でモデル出力のJSON形式を検証して再試行を促す ⚠️ 注意点 Pythonではコールバック関数のパラメータ名が正確である必要があります。`callback_context`、`llm_request`、`tool_context` などの名前が一致しないと正しく動作しません。また、Beforeコールバックで意図せず値を返してしまうと、モデル呼び出しやツール実行がスキップされてしまうため注意してください。コールバックはプラグインの後に実行される点も考慮が必要です。 ✨ コールバックを適切に使い分けることで、エージェントの振る舞いをきめ細かく制御できます。セキュリティ、品質保証、監査の要件に応じて、各レイヤーのコールバックを組み合わせてください。 #ADK# #AIAgent#

# OpenAI Agent SDKの便利で実践的な使い方 🌍 ガードレールで、エージェントの入出力を安全に制御しましょう！ 安価な高速モデルで事前チェックを行い、不適切なリクエストをブロックしてコストを削減できます。 📌 タイトル：Guardrails 🔗 URL： 🧩 概要 Guardrailsは、エージェントの入力と出力に対してチェックを実行する仕組みです。入力ガードレール（Input guardrails）はユーザー入力を検証し、出力ガードレール（Output guardrails）はエージェントの応答を検証します。安価な高速モデルをガードレールに使い、高価なモデルの不要な実行を防ぐことで、コスト最適化を実現できます。トリップワイヤー方式で、問題を検出した時点で実行を即座に中断します。 🛠 使い方 `agents`から`Agent`, `InputGuardrail`, `OutputGuardrail`, `GuardrailFunctionOutput`をインポートします。ガードレール関数`check_homework_request(context, agent, input_data)`を定義し、内部で` input_data)`を呼び出して分類結果を取得します。戻り値は`GuardrailFunctionOutput(output_info= tripwire_triggered="TutorBot", instructions="You are a tutoring assistant.", input_guardrails=[InputGuardrail(guardrail_function=check_homework_request)])`のように定義します。 🏗 実践的な使い方 **安価モデルによる事前フィルタリング（コスト削減）** 高価なメインモデルを実行する前に、安価な高速モデルで「宿題の代行」「不正利用」などを検出してブロックします。トリップワイヤーが発動すると、メインモデルの実行がスキップされるためコスト削減になります。 安価な分類用エージェント`Agent(name="Classifier", model="gpt-4o-mini", output_type=ClassificationResult)`を定義し、`abuse_check`関数内で` input_data)`を実行します。`tripwire_triggered="Assistant", model="gpt-4o", input_guardrails=[InputGuardrail(guardrail_function=abuse_check)])`に設定します。 **出力ガードレールによるコンテンツチェック** エージェントの応答に機密情報や不適切な内容が含まれていないかを検証します。 出力ガードレール関数`check_sensitive_output(context, agent, output)`を定義し、` f"Check this output for sensitive content: {output}")`で機密情報の有無を判定します。`tripwire_triggered="SupportBot", output_guardrails=[OutputGuardrail(guardrail_function=check_sensitive_output)])`のように設定します。 **サポートボットの関連性チェック** ユーザーの質問がサポート範囲内かを事前に判定し、範囲外の質問には早期に対応します。 関連性チェック関数`relevance_check(context, agent, input_data)`で` input_data)`を実行し、`tripwire_triggered=not "SupportBot", instructions="Answer customer support questions about our product.", input_guardrails=[InputGuardrail(guardrail_function=relevance_check)])`として設定します。 💡 ユースケース 🛡 宿題代行・不正利用リクエストのブロック（コスト削減） 🔍 機密情報の出力防止（PII、社内情報の漏洩防止） 📋 サポートボットの対応範囲制御 ⚡ 安価モデルによる事前スクリーニングでAPI費用を最適化 ⚠️ 注意点 - ガードレールのトリップワイヤーが発動すると`InputGuardrailTripwireTriggered`例外が発生します。適切にキャッチして処理してください - 入力ガードレールはメインモデルと**並列**で実行されるため（デフォルト）、ガードレールが間に合わない場合はメインの実行が進む可能性があります - ガードレール自体のモデル呼び出しコストも考慮してください - 複数のガードレールを設定でき、いずれかが発動すれば中断されます ✨ ガードレールを活用して、安全性とコスト効率を両立したエージェントを構築しましょう！ #OpenAIAgentSDK# #AIAgent#